申请/专利权人：中南大学

申请日：2023-01-10

公开（公告）日：2024-06-18

公开（公告）号：CN116148438B

主分类号：G01N33/24

分类号：G01N33/24;G06N5/01;G06N20/20

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2023.06.09#实质审查的生效;2023.05.23#公开

摘要：本发明提供了一种基于机器学习的土壤矿物含量预测方法，包括步骤：S1，从文献数据库或专业数据库中收集土壤一般信息、土壤物相及其它性质、表土理化性质以及底土理化性质的数据，并建立机器学习模型的数据集；S2，对数据集预处理，得预处理样本数据集；S3，将预处理样本数据集随机划分为训练集、测试集，并对所述训练集进行机器学习，得土壤矿物含量预测模型；S4，根据所述土壤矿物含量预测模型进行土壤矿物含量预测。相比于现有技术，建立的土壤矿物含量预测模型可实现对未知的待测土壤进行土壤矿物含量的快速预测，结果准确性高，更新简单，工作周期短，节省人力物力；此外，还不会产生化学品污染，符合绿色环保理念，具有应用价值。

主权项：1.一种基于机器学习的土壤矿物含量预测方法，其特征在于，包括步骤：S1，从文献数据库或专业数据库中收集土壤一般信息、土壤物相及其它性质、表土理化性质以及底土理化性质的数据，并建立机器学习模型的数据集；S2，对所述数据集依次进行标准化的处理，相关性分析和特征重要性分析，以及降维处理，得预处理样本数据集；所述预处理样本数据集包括与其它土壤性质、表土层堆密度、表土层有机碳百分比、表土层酸碱度、表土层盐基饱和度、表土层碳酸钙含量、底土层黏粒含量、底土层堆密度、底土层酸碱度、底土层黏粒阳离子交换量以及底土层阳离子交换量相对应的数据；所述标准化的方式包括，极差标准化法、Z-score标准化法或log函数标准化法；所述相关性分析和特征重要性分析的方式为对存在相关性高的特征按照特征重要性程度排序，仅保留特征重要性高的特征；S3，将所述预处理样本数据集随机划分为训练集、测试集，并对所述训练集进行机器学习，得土壤矿物含量预测模型；还包括对得到的所述土壤矿物含量预测模型进行性能评估以验证所述土壤矿物含量预测模型的稳定性；所述性能评估的方式包括，求算所述土壤矿物含量预测模型的所述训练集的可释方差值、平均绝对误差、均方误差、中值绝对误差以及决定系数，并用5折交叉验证；S4，根据所述土壤矿物含量预测模型进行土壤矿物含量预测。

全文数据：

权利要求：

百度查询： 中南大学 基于机器学习的土壤矿物含量预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD