第三次土壤调查-得正检测公司-第三次土壤调查外业采样队伍

机器学习模型利用机器学习与数据挖掘方法，提取土壤属性与环境变量之间的关系用来预测土壤属性的空间分布，可以解决土壤属性与环境变量的非线性问题，包括随机森林人工神经网络分类与回归树等。目前随机森林法进行属性制图在数据挖掘方法中应用广泛。

模糊推理是将土壤与环境关系表达为隶属度值，利用单个土壤样点在空间上的代表性推测土壤目标变量的空间变化。该方法制图效果依赖于单个样点的可靠性，要求对样点的可靠性进行质量检查。上述方法有两个制约需要大量的土壤样点来提取统计关系；需要具有较好的空间代表性，除机器学习模型外，其它模型制图区域通常不宜过大。

数字土壤制图方法已广泛用于土壤属性制图。该方法是根据已知点的土壤信息通过数字手段推测其他点土壤特征的过程，以土壤—景观模型为理论基础，以空间分析和数学方法为技术手段，第三次土壤调查，生成数字格式（栅格）的土壤属性空间分布图。2数字土壤制图的主要方法

地统计方法，包括克里格插值及其衍生方法，有普通克里格泛克里格经验贝叶斯克里格回归克里格地理加权克里格协同克里格模型等，第三次土壤调查外业采样队伍，除普通克里格泛克里格经验贝叶斯克里格外，其余的克里格衍生模型是利用所预测土壤属性与环境辅助变量（成土因素）之间的相关性（要素相关性）来提高预测精度。普通克里格应用早而广泛，第三次土壤调查实施方案，但其与泛克里格反距离加权邻近法等模型均仅利用变量空间自相关关系，适合较均一土壤属性变化不强烈的环境。普通克里格会产生平滑效应，对于局部变异较大地区的预测可能会与实际情况不符。在数字土壤制图领域比较常用的方法可分为类地统计方法确定性插值数理统计机器学习和模糊推理方法。

环境变量提取栅格数据精度，要优于表1或表2的像素（像元）分辨率。其中，表1精度适用于大范围土地利用种植结构比较单一区域，例如平原粮食作物区；表2精度适用于种植结构复杂的小范围地区或地块破碎区域。1不同尺度的精度要求3环境变量制备及质量检测测试方法分区标注，第三次土壤调查方案，对不同地区采用不同测试方法的指标，标注其所在区域，用于分别成图。