山东得正-土壤调查合作公司-土壤调查

普通克里格（ordinarykriging，ok）由于简单易操作被广泛应用于早期的土壤物理和化学性质以及土壤养分的空间制图中。ok对变量的空间自相关进行了假设，土壤调查外业调查采样合作队伍，因此适用于较均一土壤属性变化不---的环境，在小尺度和均质景观区域取得了较好的效果，对区域变异大面积覆盖广的区域，ok的制图精度不太理想。泛克里格（universalkriging，土壤调查，uk）在ok的基础上，引入趋势面方程分离土壤属性与空间位置的趋势项来消除不平稳性，在一定程度上可以减小ok的局限性。但这两种方法均忽视了土壤属性与环境要素之间的关系。协同克里格（co-kriging，ck）和回归克里格（regressionkriging，rk）均利用所预测土壤属性与环境辅助变量之间的相关性来提高预测精度，不同的是，ck将预测变量的空间自相关性及其与辅助变量间的交互相关性结合起来用于无偏估计；rk则将常规统计学与地统计相结合，先用回归模型拟合土壤属性与辅助变量之间的关系，然后对回归残差应用克里格法插值，将回归预测结果与残差插值结果结合起来得到终预测结果。

尽管地统计学方法被证明是一种易操作且结果较为---的数字土壤制图的方法，但其要求数据满足地统计学相关假设，给实际应用带来一定困难。此外，插值过程需要利用预测变量的空间自相关性，而地学现象的复杂性和性使得一个地区的模型很难直接应用到其他地区。

机器学习模型利用机器学习与数据挖掘方法，土壤调查合作公司，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。与前两种方法相比，土壤调查数据汇交，机器学习模型可以解决土壤属性与环境变量的非线性问题，且对数据分布没有要求，因此被越来越多地应用于数字制图领域。常用的机器学习模型包括人工神经网络（artifi---lneuralnetworks，ann）分类与回归树（classificationandregressiontree，cart）随机森林（randomforest，rf）等。2机器学习模型