一种地球化学采样盲区的赋值方法、系统及存储介质与流程

1.本技术涉及地球化学评价技术领域，尤其是涉及一种地球化学采样盲区的赋值方法、系统及存储介质。


背景技术：

2.土地质量地球化学评价单元是评价对象的最小单位，是土壤养分地球化学等级、土壤环境地球化学等级与土地质量地球化学综合等级划分的最小空间单位。由于成本限制和不同精度要求，在实际工作中，不可能做到对整个评价区的每个图斑调查取样，因此存在土地质量地球化学调查取样结果与图斑分布不完全匹配的问题，而未进行取样的空白图斑通常称为采样盲区。
3.在相关技术中通常认定土壤中元素含量在空间上呈线性变化，因此采用随机取样的方式进行取样，并根据取样结果为取样点所在图斑进行赋值， 最后根据元素含量的线性变化趋势为未进行采样的采样盲区进行线性模拟赋值。
4.针对上述中的相关技术，发明人认为存在有以下缺陷：线性模拟赋值的方式仅分析土壤中元素含量的线性关系，若评价区元素分布变异性较大时，评价区土壤中的元素含量不具备明显的线性关系，此时采用线性模拟赋值方式对空白图斑进行赋值的赋值结果将具有较大误差。


技术实现要素：

5.为了改善评价区元素分布变异性较大时，采用线性模拟赋值方式对空白图斑进行赋值的赋值结果具有较大误差的缺陷，本技术提供一种地球化学采样盲区的赋值方法、系统及存储介质。
6.第一方面，本技术提供一种地球化学采样盲区的赋值方法，该方法包括如下步骤：基于待赋值区域的样本采集结果圈定所述待赋值区域中的采样盲区；结合所述样本采集结果和所述待赋值区域的地理因素预测所述采样盲区的地球化学数据，所述地理因素包括地质因素和地理空间信息；将所述地球化学数据赋值于所述采样盲区。
7.通过采用上述技术方案，先根据待赋值区域中随机采样的样本采集结果，圈定出未进行采样的采样盲区，根据样本采集结果对采样盲区的地球话化学数据的预测过程中，加入对整体待赋值区域的地质因素和地理空间信息的分析，从而将预测得到的地球化学数据赋值于未进行采样的采样盲区，相较于仅根据待赋值区域土壤元素含量的线性模拟预测，结合了整体待赋值区域的地理因素所预测得到的预测结果将更为准确。
8.可选的，所述结合所述样本采集结果和所述待赋值区域的地理因素预测所述采样盲区的地球化学数据包括如下步骤：基于所述待赋值区域的地理因素计算所述采样盲区与样本采集点之间的相似度；判断所述相似度是否超出预设的相似度阈值；
若所述相似度超出所述相似度阈值，则将对应的样本采集点标记为目标样本采集点；根据所述相似度分别配置所有目标样本采集点的赋值权重；结合所有目标样本采集点的样本采集结果和赋值权重预测所述采样盲区的地球化学数据。
9.通过采用上述技术方案，由于多个样本采集点的分布不同，因此样本采集点所处位置的地理因素与采样盲区的地理因素差距各有不同，所以先计算出各个样本采样点与采样盲区之间的相似度，再通过预设的相似度阈值筛选出相似度高的样本采集点作为目标样本采集点，并根据相似度大小为所有目标样本采集点配置不同的赋值权重，最后结合各个目标样本采集点的赋值权重和样本采集结果进行计算，从而预测出采样盲区的地球化学数据。
10.可选的，所述基于所述待赋值区域的地理因素计算所述采样盲区与样本采集点之间的相似度包括如下步骤：基于所述采样盲区和样本采集点的地理因素，计算所述采样盲区和所述样本采集点之间的地理因素差值；为所述地理因素差值配置初始权重值；通过预设的群体智能算法对所述初始权重值进行优化，得到最终权重值；结合所述最终权重值和所述地理因素差值计算所述采样盲区和所述样本采集点之间的相似度。
11.通过采用上述技术方案，在计算采样盲区与样本采集点之间的相似度时，需要考虑采样盲区和样本采集点的多项地理因素，可以先计算出各项地理因素的地理因素差值，并为地理因素差值配置初始权重，通过群体智能算法将初始权重值优化为最终权重值，有利于相似度的计算更为准确，从而最后根据地理因素差值及其对应的最终权重值计算出采样盲区和样本采集点之间的相似度。
12.可选的，所述待赋值区域中所述样本采集结果所位于的图斑为采样区域，所述结合所述样本采集结果和所述待赋值区域的地理因素预测所述采样盲区的地球化学数据包括如下步骤：基于所述待赋值区域的地理空间信息生成所有采样区域和所有采样盲区之间的邻接关系；基于所述邻接关系并根据所述样本采集结果，预测与所述采样区域相邻的目标采样盲区的地球化学数据；基于所述邻接关系判断所述目标采样盲区是否存在相邻的其他采样盲区；若所述目标采样盲区存在相邻的其他采样盲区，则基于所述目标采样盲区的地球化学数据预测所述其他采样盲区的地球化学数据；将所述其他采样盲区标记为所述目标采样盲区；重复判断步骤直至所述待赋值区域中的所有采样盲区均被标记为所述目标采样盲区。
13.通过采用上述技术方案，先根据待赋值区域中各个区域的地理空间信息生成采样区域和采样盲区之间的邻接关系，两区域邻接则代表两区域之间的地理空间信息相似，又
由于采样区域为进行采样并得到样本采集结果的区域，因此可以先根据采样区域的样本采集结果为相邻目标采样盲区的地球化学数据进行预测，当预测得到目标采样盲区的地球化学数据之后，可以继续根据目标采样盲区的地球化学数据，为与目标采样盲区相邻的其他采样盲区的地球化学数据进行预测，从而通过数据传递的预测方式完成整个待赋值区域中所有采样盲区的数据预测。
14.可选的，所述基于所述邻接关系并根据所述样本采集结果，预测与所述采样区域相邻的目标采样盲区的地球化学数据包括如下步骤：基于所述地质因素计算所有相邻区域之间的特征相似度；判断与所述采样区域相邻的目标采样盲区是否还与其他采样区域相邻；若所述目标采样盲区不与其他所述采样区域相邻，则根据所述采样区域的样本采集结果预测所述目标采样盲区的地球化学数据；若所述目标采样盲区还与其他所述采样区域相邻，则基于所述目标采样盲区与所有相邻采样区域的特征相似度，并分别为所有相邻采样区域配置不同的预测值权重；结合所有相邻采样区域的样本采集结果和预测值权重预测所述目标采样盲区的地球化学数据。
15.通过采用上述技术方案，根据地理空间信息生成邻接关系之后，可以根据相邻两区域的地质因素计算出相邻两区域之间地质特征的特征相似度，在对采样区域相邻的目标采样盲区的数据预测之前，需要先判断目标采样盲区相邻的采样区域数量，若目标采样盲区仅与一个采样区域相邻，则直接以该采样区域的样本采集结果预测目标采样盲区的地球化学数据；若目标采样盲区与多个采样区域相邻，则需要根据目标采样盲区与多个相邻采样区域之间的特征相似度，为多个相邻采样区域配置不同的预测值权重，特征相似度越高，所配置的预测值权重越大，最后结合相邻采样区域对应的预测值权重及样本采集结果预测出目标采样盲区的地球化学数据。
16.可选的，所述结合所述样本采集结果和所述待赋值区域的地理因素预测所述采样盲区的地球化学数据包括如下步骤：通过预设的深度学习模型拟合所有所述样本采集结果进行训练，得到多个虚拟采样点和多个所述虚拟采样点对应的虚拟采集结果；基于所述样本采集结果判断所述虚拟采集结果是否为真；若所述虚拟采集结果不为真，则将判断结果反馈至所述深度学习模型；若所述虚拟采集结果为真，则将判断结果反馈至所述深度学习模型，并将所述虚拟采集结果对应的目标虚拟采样点标记于所处区域；统计所述采样盲区中所述目标虚拟采样点的采样数量；结合所述目标虚拟采样点的虚拟采集结果和所述采样数量预测所述采样盲区的地球化学数据。
17.通过采用上述技术方案，以采集到的实际样本采集结果作为深度学习模型的训练基础，训练得到多个虚拟采集结果，并根据样本采集结果对虚拟采集结果的真假进行判断，将判断结果反馈至深度学习模型中以使深度学习模型进行优化，使得深度学习模型后续生成的虚拟采集结果可以更接近样本采集结果。若判断结果为真，则可以将虚拟采集结果对应的目标虚拟采样点作为样本采样点标记至待赋值区域中的对应位置处，从而可以根据采
样盲区中所标记的所有目标虚拟采样点和对应的虚拟采集结果，预测出目标采样盲区的地球化学数据。
18.可选的，所述通过预设的深度学习模型拟合所有所述样本采集结果进行训练，得到多个虚拟采样点和多个所述虚拟采样点对应的虚拟采集结果之后还包括如下步骤：将所有所述虚拟采集结果进行反向解码，得到样本训练集；将所述样本训练集输入至所述深度学习模型中。
19.通过采用上述技术方案，将生成的虚拟采集结果反向解码为样本训练集，并将样本训练集输入至深度学习模型中，可以加速深度学习模型的训练速度，从而使得深度学习模型可以更快速地生成接近样实际样本采集结果的虚拟采集结果。
20.可选的，所述结合所述目标虚拟采样点的虚拟采集结果和所述采样数量预测所述采样盲区的地球化学数据包括如下步骤：判断所述采样数量是否超出预设的数量阈值；若所述采样数量超出所述数量阈值，则结合所有目标虚拟采样点的虚拟采集结果预测所述采样盲区的地球化学数据；若所述采样数量未超出所述数量阈值，则通过插值法对所有目标虚拟采样点的虚拟采集结果进行处理，得到预测曲线；根据所述预测曲线对所述采样盲区的地球化学数据进行预测。
21.通过采用上述技术方案，若采样盲区中的虚拟采样点数量较少，则可能导致预测结果不准确，因此通过预设的数量阈值对采样盲区中虚拟采样点的采样数量进行判断，当采样数量少于数量阈值时，需要通过插值法对采样盲区中所有虚拟采样点的虚拟采集结果进行补全，以生成较为准确的预测曲线对采样盲区的地球化学数据进行预测。
22.第二方面，本技术还提供一种地球化学采样盲区的赋值系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序，该程序能够被处理器加载执行时实现如第一方面中所述的一种地球化学采样盲区的赋值方法。
23.通过采用上述技术方案，通过程序的调取，先根据待赋值区域中随机采样的样本采集结果，圈定出未进行采样的采样盲区，根据样本采集结果对采样盲区的地球话化学数据的预测过程中，加入对整体待赋值区域的地质因素和地理空间信息的分析，从而将预测得到的地球化学数据赋值于未进行采样的采样盲区，相较于仅根据待赋值区域土壤元素含量的线性模拟预测，结合了整体待赋值区域的地理因素所预测得到的预测结果将更为准确。
24.第三方面，本技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如第一方面所述的一种地球化学采样盲区的赋值方法。
25.通过采用上述技术方案，通过程序的调取，先根据待赋值区域中随机采样的样本采集结果，圈定出未进行采样的采样盲区，根据样本采集结果对采样盲区的地球话化学数据的预测过程中，加入对整体待赋值区域的地质因素和地理空间信息的分析，从而将预测得到的地球化学数据赋值于未进行采样的采样盲区，相较于仅根据待赋值区域土壤元素含量的线性模拟预测，结合了整体待赋值区域的地理因素所预测得到的预测结果将更为准确。
26.综上所述，本技术包括以下有益技术效果：先根据待赋值区域中随机采样的样本采集结果，圈定出未进行采样的采样盲区，根据样本采集结果对采样盲区的地球话化学数据的预测过程中，加入对整体待赋值区域的地质因素和地理空间信息的分析，从而将预测得到的地球化学数据赋值于未进行采样的采样盲区，相较于仅根据待赋值区域土壤元素含量的线性模拟预测，结合了整体待赋值区域的地理因素所预测得到的预测结果将更为准确。
附图说明
27.图1是本技术其中一实施例的地球化学采样盲区的赋值方法的流程示意图。
28.图2是本技术其中一实施例的结合样本采集结果和地理因素预测采样盲区的地球化学数据的流程示意图一。
29.图3是本技术其中一实施例的基于地理因素计算采样盲区盒样本采集点之间的相似度的流程示意图。
30.图4是本技术其中一实施例的结合样本采集结果和地理因素预测采样盲区的地球化学数据的流程示意图二。
31.图5是本技术其中一实施例的基于邻接关系和样本采集结果预测与采样区域相邻的目标采样盲区的地球化学数据的流程示意图。
32.图6是本技术其中一实施例的结合样本采集结果和地理因素预测采样盲区的地球化学数据的流程示意图三。
33.图7是本技术其中一实施例的优化深度学习模型的流程示意图。
34.图8是本技术其中一实施例的结合目标虚拟采样点的虚拟采集结果和采样数量预测采样盲区的地球化学数据的流程示意图。
具体实施方式
35.以下结合附图1-8对本技术作进一步详细说明。
36.本技术实施例公开了一种地球化学采样盲区的赋值方法。
37.参照图1，地球化学采样盲区的赋值方法包括如下步骤：s101.基于待赋值区域的样本采集结果圈定待赋值区域中的采样盲区。
38.其中，通过对待赋值区域进行随机选点并采样得到样本采集结果，随机采样点所处图斑为采样区域，未包含随机采样点的图斑则为采样盲区。
39.s102.结合样本采集结果和待赋值区域的地理因素预测采样盲区的地球化学数据。
40.其中，地理因素包括地质因素和地理空间信息，地质因素又包括地质背景、土壤类型和土地利用类型。
41.s103.将地球化学数据赋值于采样盲区。
42.本实施例的实施原理为：先根据待赋值区域中随机采样的样本采集结果，圈定出未进行采样的采样盲区，根据样本采集结果对采样盲区的地球话化学数据的预测过程中，加入对整体待赋值区域的地质因素和地理空间信息的分析，从而将预测得到的地球化学数据赋值于未进行采样的采
样盲区，相较于仅根据待赋值区域土壤元素含量的线性模拟预测，结合了整体待赋值区域的地理因素所预测得到的预测结果将更为准确。
43.在图1所示实施例的步骤s102中，本步骤的其中一实施例可以根据待赋值区域的地理因素计算出采样盲区和样本采集点之间的相似度，再根据相似度配置权重，并最终预测出采样盲区的地球化学数据。具体通过图2所示实施例进行详细说明。
44.参照图2，结合样本采集结果和地理因素预测采样盲区的地球化学数据的其中一实施例包括如下步骤：s201.基于待赋值区域的地理因素计算采样盲区与样本采集点之间的相似度。
45.其中，由于地理因素包括地质因素和地理空间信息，而地质因素又包括地质背景、土壤类型和土地利用类型，因此可以综合采样盲区与样本采集点之间的地理空间信息、地质背景、土壤类型和土地利用类型计算相似度。
46.s202.判断相似度是否超出预设的相似度阈值，若是，则执行步骤s203。
47.其中，若相似度未超出相似度阈值，则不将对应的样本采集点进行标记。
48.s203.将对应的样本采集点标记为目标样本采集点。
49.s204.根据相似度分别配置所有目标样本采集点的赋值权重。
50.其中，根据相似度构建权重生成公式，公式具体如下：权重生成公式中，wi为第i个目标样本采集点的赋值权重，di为目标样本采集点与采样盲区之间的相似度，k为目标样本采集点的数量。
51.s205.结合所有目标样本采集点的样本采集结果和赋值权重预测采样盲区的地球化学数据。
52.其中，预测采样盲区地球化学数据的具体公式如下：式中，r为预测的地球化学数据，wi为第i个目标样本采集点的赋值权重，ri为第i个目标样本采集点的样本采集结果。
53.本实施例的实施原理为：由于多个样本采集点的分布不同，因此样本采集点所处位置的地理因素与采样盲区的地理因素差距各有不同，所以先计算出各个样本采样点与采样盲区之间的相似度，再通过预设的相似度阈值筛选出相似度高的样本采集点作为目标样本采集点，并根据相似度大小为所有目标样本采集点配置不同的赋值权重，最后结合各个目标样本采集点的赋值权重和样本采集结果进行计算，从而预测出采样盲区的地球化学数据。
54.在图2所示实施例的步骤s201中，基于地理因素计算采样盲区和样本采集点的地理因素差值，其中地理因素差值包括多项地理因素的差值，为不同项的地理因素配置不同的权重值，并最终计算出采样盲区和样本采集点之间的相似度。具体通过图3所示实施例进行详细说明。
55.参照图3，基于地理因素计算采样盲区盒样本采集点之间的相似度包括如下步骤：s301.基于采样盲区和样本采集点的地理因素，计算采样盲区和样本采集点之间的地理因素差值。
56.其中，将地理因素中的地理空间信息、地质背景、土壤类型和土地利用类型进行量化，并分别计算量化后的采样盲区和样本采集点之间的地理空间信息差值、地质背景差值、土壤类型差值和土地利用类型差值。
57.s302.为地理因素差值配置初始权重值。
58.其中，初始权重值为预设的权重值。
59.s303.通过预设的群体智能算法对初始权重值进行优化，得到最终权重值。
60.其中，群体智能算法可以采用蚁群智能算法。
61.s304.结合最终权重值和地理因素差值计算采样盲区和样本采集点之间的相似度。
62.其中，采样盲区和样本采集点之间相似度的具体计算公式如下：式中，d为采样盲区和样本采集点之间的相似度，d1、d2、d3、d4为别为地理空间信息差值、地质背景差值、土壤类型差值和土地利用类型差值，n1至n4分别为地理空间信息差值、地质背景差值、土壤类型差值和土地利用类型差值对应的最终权重值。
63.本实施例的实施原理为：在计算采样盲区与样本采集点之间的相似度时，需要考虑采样盲区和样本采集点的多项地理因素，可以先计算出各项地理因素的地理因素差值，并为地理因素差值配置初始权重，通过群体智能算法将初始权重值优化为最终权重值，有利于相似度的计算更为准确，从而最后根据地理因素差值及其对应的最终权重值计算出采样盲区和样本采集点之间的相似度。
64.在图1所示实施例的步骤s102中，本步骤的另一个实施例可以采用地理因素中的地理空间信息生成采样区域和采样盲区之间的邻接关系，从而结合邻接关系和样本采集结果预测出采样区域相邻的目标采样盲区的地球化学数据，再根据已预测到的目标采样盲区的地球化学数据，预测与目标采样盲区相邻的其他采样盲区的地球化学数据。其中，采样区域为待赋值区域中样本采集结果所位于的图斑。具体通过图4所示实施例进行详细说明。
65.参照图4，结合样本采集结果和地理因素预测采样盲区的地球化学数据的另一实施例包括如下步骤：s401.基于待赋值区域的地理空间信息生成所有采样区域和所有采样盲区之间的邻接关系。
66.其中，根据待赋值区域中所有采样区域和所有采样盲区的空间位置关系和具体形状，生成所有采样区域和所有采样盲区之间的邻接关系。
67.s402.基于邻接关系并根据样本采集结果，预测与采样区域相邻的目标采样盲区的地球化学数据。
68.其中，根据地理因素可以计算出具有邻接关系的两区域之间的特征相似度，结合特征相似度和样本采集结果预测与采样区域相邻的目标采样盲区的地球化学数据。
69.s403.基于邻接关系判断目标采样盲区是否存在相邻的其他采样盲区，若是，则执
行步骤s404。
70.其中，若目标采样盲区不存在其他相邻的采样盲区，则不对该目标采样盲区执行其他步骤。
71.s404.基于目标采样盲区的地球化学数据预测其他采样盲区的地球化学数据。
72.其中，预测方法可以采用步骤s402中相同的方法。
73.s405.将其他采样盲区标记为目标采样盲区。
74.s406.重复判断步骤直至待赋值区域中的所有采样盲区均被标记为目标采样盲区。
75.其中，重复步骤s403至步骤s405，当所有采样盲区被标记为目标采样盲区时，说明待赋值区域中的所有采样盲区均预测有地球化学数据。
76.本实施例的实施原理为：先根据待赋值区域中各个区域的地理空间信息生成采样区域和采样盲区之间的邻接关系，两区域邻接则代表两区域之间的地理空间信息相似，又由于采样区域为进行采样并得到样本采集结果的区域，因此可以先根据采样区域的样本采集结果为相邻目标采样盲区的地球化学数据进行预测，当预测得到目标采样盲区的地球化学数据之后，可以继续根据目标采样盲区的地球化学数据，为与目标采样盲区相邻的其他采样盲区的地球化学数据进行预测，从而通过数据传递的预测方式完成整个待赋值区域中所有采样盲区的数据预测。
77.在图4所示实施例的步骤s402中，根据地质因素计算出相邻两区域之间的特征相似度，同一采样盲区可能与多个采样区域相邻，因此需要结合根据采样盲区所相邻的采样区域的数量和相邻区域之间的特征相似度对采样盲区进行预测。具体通过图5所示实施例进行详细说明。
78.参照图5，基于邻接关系和样本采集结果预测与采样区域相邻的目标采样盲区的地球化学数据包括如下步骤：s501.基于地质因素计算所有相邻区域之间的特征相似度。
79.其中，计算方法可以采用步骤s304具体说明中所采用的方法。
80.s502.判断与采样区域相邻的目标采样盲区是否还与其他采样区域相邻，若否，则执行步骤s503；若是，则执行步骤s504。
81.s503.根据采样区域的样本采集结果预测目标采样盲区的地球化学数据。
82.s504.基于目标采样盲区与所有相邻采样区域的特征相似度，并分别为所有相邻采样区域配置不同的预测值权重。
83.其中，预测值权重为预设的权重。
84.s505.结合所有相邻采样区域的样本采集结果和预测值权重预测目标采样盲区的地球化学数据。
85.本实施例的实施原理为：根据地理空间信息生成邻接关系之后，可以根据相邻两区域的地质因素计算出相邻两区域之间地质特征的特征相似度，在对采样区域相邻的目标采样盲区的数据预测之前，需要先判断目标采样盲区相邻的采样区域数量，若目标采样盲区仅与一个采样区域相邻，则直接以该采样区域的样本采集结果预测目标采样盲区的地球化学数据；若目标采样
盲区与多个采样区域相邻，则需要根据目标采样盲区与多个相邻采样区域之间的特征相似度，为多个相邻采样区域配置不同的预测值权重，特征相似度越高，所配置的预测值权重越大， 最后结合相邻采样区域对应的预测值权重及样本采集结果预测出目标采样盲区的地球化学数据。
86.在图1所示实施例的步骤s102中，本步骤的另一实施例可以通过预设的深度学习模型进行虚拟采集结果的生成，并根据虚拟采集结果不断优化深度学习模型，最终根据位于采样盲区的虚拟采集点的虚拟采集结果预测采样盲区的地球化学数据。具体通过图6所示实施例进行详细说明。
87.参照图6，结合样本采集结果和待赋值区域的地理因素预测采样盲区的地球化学数据另一实施例包括如下步骤：s601.通过预设的深度学习模型拟合所有样本采集结果进行训练，得到多个虚拟采样点和多个虚拟采样点对应的虚拟采集结果。
88.其中，深度学习模型可以为对抗网络（generative adversarial networks, gan）中的cluster-gan预测模型，具体为cluster-gan预测模型中的生成器，生成器通过随机的离散-连续分布中采样，从而生成虚拟采集结果。
89.s602.基于样本采集结果判断虚拟采集结果是否为真，若不为真，则执行步骤s603；若为真，则执行步骤s604。
90.其中，可以通过cluster-gan预测模型中的判别器对虚拟采集结果进行判断。
91.s603.将判断结果反馈至深度学习模型。
92.s604.将判断结果反馈至深度学习模型，并将虚拟采集结果对应的目标虚拟采样点标记于所处区域。
93.其中，在该步骤中可以额外引入一个步骤s602中所说明的判别器，从而强化虚拟采集结果和样本采集结果之间的同类约束。
94.s605.统计采样盲区中目标虚拟采样点的采样数量。
95.s606.结合目标虚拟采样点的虚拟采集结果和采样数量预测采样盲区的地球化学数据。
96.本实施例的实施原理为：以采集到的实际样本采集结果作为深度学习模型的训练基础，训练得到多个虚拟采集结果，并根据样本采集结果对虚拟采集结果的真假进行判断，将判断结果反馈至深度学习模型中以使深度学习模型进行优化，使得深度学习模型后续生成的虚拟采集结果可以更接近样本采集结果。若判断结果为真，则可以将虚拟采集结果对应的目标虚拟采样点作为样本采样点标记至待赋值区域中的对应位置处，从而可以根据采样盲区中所标记的所有目标虚拟采样点和对应的虚拟采集结果，预测出目标采样盲区的地球化学数据。
97.在图6所示实施例的步骤s601之后，可以将虚拟采集结果进行反向编码并反向输入至深度学习模型中，以对深度学习模型进行优化。具体通过图7所示实施例进行详细说明。
98.参照图7，基于虚拟采集结果优化深度学习模型包括如下步骤：s701.将所有虚拟采集结果进行反向解码，得到样本训练集。
99.其中，可以通过cluster-gan预测模型中的编码器进行反向编码，样本训练集为离
散-连续分布。
100.s702.将样本训练集输入至深度学习模型中。
101.其中，将反向解码的离散-连续分布反向输入至cluster-gan预测模型中的生成器。
102.本实施例的实施原理为：将生成的虚拟采集结果反向解码为样本训练集，并将样本训练集输入至深度学习模型中，可以加速深度学习模型的训练速度，从而使得深度学习模型可以更快速地生成接近样实际样本采集结果的虚拟采集结果。
103.在图6所示实施例的步骤s606中，通过预设的数量阈值判断采样盲区中虚拟采样点的采样数量，若采样数量不足，需要采用插值法对采样盲区中的虚拟采集结果进行处理，从而较为准确的根据虚拟采集结果预测采样盲区的地球化学数据。具体通过图8所示实施例进行详细说明。
104.参照图8，结合目标虚拟采样点的虚拟采集结果和采样数量预测采样盲区的地球化学数据包括如下步骤：s801.判断采样数量是否超出预设的数量阈值，若是，则执行步骤s802；若否，则执行步骤s803。
105.s802.结合所有目标虚拟采样点的虚拟采集结果预测采样盲区的地球化学数据。
106.s803.通过插值法对所有目标虚拟采样点的虚拟采集结果进行处理，得到预测曲线。
107.s804.根据预测曲线对采样盲区的地球化学数据进行预测。
108.本实施例的实施原理为：若采样盲区中的虚拟采样点数量较少，则可能导致预测结果不准确，因此通过预设的数量阈值对采样盲区中虚拟采样点的采样数量进行判断，当采样数量少于数量阈值时，需要通过插值法对采样盲区中所有虚拟采样点的虚拟采集结果进行补全，以生成较为准确的预测曲线对采样盲区的地球化学数据进行预测。
109.本技术实施例还公开一种地球化学采样盲区的赋值系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，该程序能够被处理器加载执行时实现如图1至图8中所示的一种地球化学采样盲区的赋值方法。
110.本实施例的实施原理为：通过程序的调取，先根据待赋值区域中随机采样的样本采集结果，圈定出未进行采样的采样盲区，根据样本采集结果对采样盲区的地球话化学数据的预测过程中，加入对整体待赋值区域的地质因素和地理空间信息的分析，从而将预测得到的地球化学数据赋值于未进行采样的采样盲区，相较于仅根据待赋值区域土壤元素含量的线性模拟预测，结合了整体待赋值区域的地理因素所预测得到的预测结果将更为准确。
111.本技术实施例还公开一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时使处理器实现如图1至图8中所示的一种地球化学采样盲区的赋值方法。
112.本实施例的实施原理为：通过程序的调取，先根据待赋值区域中随机采样的样本采集结果，圈定出未进行
采样的采样盲区，根据样本采集结果对采样盲区的地球话化学数据的预测过程中，加入对整体待赋值区域的地质因素和地理空间信息的分析，从而将预测得到的地球化学数据赋值于未进行采样的采样盲区，相较于仅根据待赋值区域土壤元素含量的线性模拟预测，结合了整体待赋值区域的地理因素所预测得到的预测结果将更为准确。
113.以上均为本技术的较佳实施例，并非依此限制本技术的保护范围，故：凡依本技术的结构、形状、原理所做的等效变化，均应涵盖于本技术的保护范围之内。