土壤属，图面表达包括属性配色；如为属性分级图，图面表达还包括分级编号。原则上一个土壤属性对应调，从颜色上区分土壤属性类别。此外，以颜色深浅表示含量大小。15种土壤养分图用色依照《125000~土壤养分图用色与图例规范》（GB/T41475-202进行制图。土壤专题图采用质底法。对于土壤属性分级图，专题图例由计量单位分级代码色块分级的养分含量范围和测试分析部分组成。对于土壤属性栅格渐变图图例，第三次土壤调查外业采样，由计量单位养分含量上下限渐变色带和测试分析部分组成。2图例要求其它专题图，颜色的选择应避开已有标准的土壤属性颜色，选用新的色调及符号。 尽管地统计学方法被证明是一种易操作且结果较为可靠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，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，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，第三次土壤调查，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（Artificialneuralnetworks，ANN）分类与回归树（Classificationandregressiontree，第三次土壤调查外业调查工作，CART）随机森林（Randomforest，RF）等。2机器学习模型 综上所述，基于土壤属性与环境变量要素相关性的方法是现有数字土壤制图方法中应用广泛的方法，其中随机森林方法在数据挖掘方法中应用越来越普遍。基于空间自相关推测土壤属性空间分布的方法应用也很广泛，克里格插值法应用多，这类方法要求样本密度高，且需要样本能很好土壤属性的空间自相关特征。由于基于要素相关性和空间自相关的方法，需同时考虑空间自相关性和环境变量相关性，一定程度上能提高土壤推测的精度，缺点是对样本数量与分布要求较高，第三次土壤调查方案，需满足二阶平稳的假设并要求要素相关性稳定，往往在实践应用中很难得达到。基于地理相似性的土壤—景观推理模型是基于知识的制图方法的代表方法，但制图效果依赖于单个样点的可靠性。 第三次土壤调查-得正测绘-第三次土壤调查方案由山东得正工程测绘有限公司提供。“软件开发、数据处理服务、”选择山东得正工程测绘有限公司，公司位于：山东省济南市天桥区历山北路19号黄台国际电子商务产业园a厅9楼919，多年来，得正工程坚持为客户提供好的服务，联系人：刘炜炜。欢迎广大新老客户来电，来函，亲临指导，洽谈业务。得正工程期待成为您的长期合作伙伴！ 产品：得正工程供货总量：不限产品价格：议定包装规格：不限物流说明：货运及物流交货说明：按订单
