本发明涉及环境分析，具体涉及一种对土壤样品进行精准的三维重构，并实现土壤孔隙的精准还原的技术。
背景技术：
1、当前，在液压直推采集技术的保障下，获取的土壤样品在通常状况下会有较高的保真度，可以进行后续土壤分析，但是在复杂场地环境中，受各种变化条件的综合影响，土样的高保真度仍然不足。如何精准获取土壤原位物理性质，仍需要进一步的技术辅助。
2、针对以上行业需求，相关领域的技术人员进行了一部分改进：
3、例如，专利申请号cn 104933760 a提出了“一种重构土壤ct图片三维重建及土壤孔隙搜索方法”。虽然本发明专利能够实现重构土壤的三维立体图，直观观察孔隙的空间形态分布及连通性，搜索土壤孔隙团的个数及体积大小，但该申请文件中的技术方案仍然存在不足，如重构土壤信息完全取决于对土壤样本的ct扫描拍照，需要对土样进行连续成层扫描，其成本过于高昂，另外对相邻两扫描截面间土壤孔隙的重构方式采用了简单插值的方法，并对图像进行了二值化处理，没有考虑土体中赋存的有机质，土体还原度并没有得到明显的提高。
4、此外，专利申请号cn 109959602 a提出了“一种定量测定土壤颗粒态有机质空间结构的方法”。虽然本发明专利通过物理化学等手段，提取了土壤中的颗粒态有机质，通过ct图像扫描—去除伪影—计算阈值—图像分割—三维重构等过程分析，实现了土壤有机制形态特征、有机质数量、体积比及体积分布、孔隙大小分布的量化，但该申请文件中的技术方案仍然存在不足。例如，通过湿筛分级后对土壤中的有机质进行重构，会造成对原有土壤样本的扰动，导致土壤孔隙结构改变，因此通过后续重构得到的三维图像并不能准确还原原位土壤形貌。另外为精确重构土壤有机质的三维分布，需在土壤匀速旋转条件下进行全方位ct扫描，以数千张扫描图像进行重构，除去对金钱成本的考量之外，操作繁琐且耗时过长，不利于在实际工程中大面积推广。
5、针对以上不足，申请人提出了一种土壤三维重构方法。
技术实现思路
1、本发明的目的是为了解决现有土壤重构方法中存在的土体矿物颗粒与有机质组分未能综合反演、实验成本过高的问题，而提出的一种可以同时反演土壤三维孔隙结构与有机质含量的低成本、高效率、可推广的土壤三维重构技术。
2、为了解决上述技术问题，本发明采用的技术方案为：
3、一种土壤三维重构方法，包括以下步骤：
4、步骤1：确定场地预设样点和重构样点，进行土样采集和拍照，分别获取预设样点及重构样点土壤参数；
5、步骤2：进行重构土样的ct断层扫描、截面图像特征提取及样点参数的预处理，以预设样点参数为训练集、重构样点参数为测试集，利用复合机器学习模型获取目标参数纠偏值；
6、步骤3：基于重构土样截面图像特征，选取特征截面子集，结合孔隙度纠偏值，生成和优选土壤孔隙重构结果；
7、步骤4：分析采样过程孔隙形变，得到原位土壤孔隙重构模型；结合有机质体积分数纠偏值，得到土壤有机质赋存重构模型，进而得到土壤三维重构模型；
8、步骤5：结合土壤孔隙连通性评估，考虑采样动态扰动过程，对土壤三维重构模型进行完善和修正，得出最终重构结果。
9、在步骤1中，包括以下子步骤：
10、步骤1-1：定义所需土壤三维重构的样点为重构样点，收集土壤参数的样点为预设样点，确定预设样点，选取任意点位作为重构样点；
11、步骤1-2：使用采样设备对所有样点进行土样采集，获取匀速钻探采样过程中的土壤阻力参数；
12、步骤1-3：对采集土样进行风干处理后，在暗箱中以相同拍摄参数、曝光、距离对所有土样进行拍照，获取土样照片图像信息；
13、还包括步骤1-4：获取预设土样(即预设样点采集的土样)目标参数的实测值，即进行孔隙度和有机质体积分数的测定。
14、在步骤2中，包括重构土样(即重构样点采集的土样)截面图像的特征提取、目标参数纠偏值获取；
15、其中，重构土样截面图像的特征提取的步骤包括：
16、步骤2-1-1)使用螺旋ct扫描仪(最大分辨率为50μm)，将重构土样(即重构样点采集的土样)放进ct扫描仪，从顶端自上而下每隔固定距离(0.5-1.0mm)扫描一个横截面，等间隔依此扫描得到m个土样横截面图像；
17、步骤2-1-2)将所得土样横截面图像去除伪影后，根据各组分灰度值不同建立灰度直方图；原始的x-ct图像存在较多噪点，对提取和分析孔隙结构有很大干扰，在对二维图像进行阈值分割前，用非局部均值法(none local means)对所有的土样横截面图像进行噪声处理，将大量尺寸过小的不良噪点去除，避免对孔隙结构计算形成干扰；
18、选择以高斯高通滤波处理后得到的ct扫描截面图像，作为土壤三维重构计算需要的边界条件，其数学表达式为：
19、
20、式中，q为图像坐标(i,j)处滤波后的影像；f(i,j)为图像坐标(i,j)处像素值原始结果；k、l为矩阵函数x、y方向的参数；k为滤波核矩阵函数，在高斯高通滤波中：
21、
22、通过滤波处理的图像中，孔隙与土壤骨架得到较好的分割，同时在较大程度上保存了微观结构信息；
23、步骤2-1-3)在重构土样每个横截面图像的灰度值直方图中，选择两个波峰的中间波谷的灰度值作为阈值，将图像分割为孔隙、有机质和土壤骨架三部分，实现对重构土样截面图像特征的提取。分离出图像中的孔隙和土壤骨架部分，得到后续三维重构所需的m个孔隙截面；
24、其中，目标参数(孔隙度和有机质体积分数)纠偏值获取包括以下步骤：
25、步骤2-2-1)对所有样点进行相同方式的土样参数集预处理，包括土样图像多颜色空间的特征提取和多类型参数的归一化；
26、步骤2-2-2)进行复合机器学习模型训练、超参数调整及优化输出；
27、步骤2-2-3)使用复合机器学习模型进行重构样点目标参数的预测，基于纠偏模型与实测数据对其进行二次纠偏，并输出纠偏值。
28、在步骤2-2-1中，土样参数集预处理的步骤如下：
29、(1)使用opencv软件库实现土样照片图像在rgb、xyz、hsv、hsl、lab和luv各颜色空间上的转换，提取图像多颜色空间的特征信息；
30、(2)利用主成分分析对所得多颜色空间特征信息进行降维，即：计算各颜色空间参数之间的相关性，去除相关性>0.7的颜色参数，得到包含主要颜色空间特征信息的子颜色空间；
31、(3)利用min-max归一化方法，对子颜色空间和土壤阻力参数进行线性变换，将所有类型的参数集范围映射到区间[0,1]上。
32、在步骤2-2-2中，模型训练、超参数调整及优化输出的步骤如下：
33、(1)将步骤2-2-1中归一化后得到的预设样点子颜色空间与土壤阻力参数作为输入集，其中以随机划分的80％输入集作为训练集，以完成复合机器学习模型的基本训练；其余20％作为验证集，实现对复合机器学习模型的超参数调优；
34、(2)采用均方误差(mean square error,mse)函数作为模型训练的损失函数，公式为：
35、
36、式中，yi、yi分别为真实值和预测值向量中的第i个值，n为向量维数。
37、(3)将训练集输入复合机器学习模型，通过第一层支持向量机回归(svr)运算得到一次输出项；将验证集输入svr进行超参数调优后，再次使用相同训练集进行第一层svr运算，得到一次优化输出项；
38、(4)将一次优化输出项作为第二层最小绝对收缩和选择算子(lasso)回归算法的输入，运算得到二次输出项；与第一层同理，将验证集输入lasso回归进行超参数调优后，再次使用一次优化输出项进行第二层lasso回归运算，得到二次优化输出项；至此，复合机器学习模型训练完成，二次优化输出项即为模型输出值。
39、在步骤2-2-3中，重构样点目标参数的预测和纠偏的步骤如下：
40、(1)将步骤2-2-1中归一化后得到的重构样点子颜色空间与土壤阻力参数作为测试集，输入复合机器学习模型；在步骤2-2-2超参数已调优的条件下，测试集通过第一层svr运算即得到一次优化输出项；将该项作为第二层lasso回归的输入，运算得到的二次优化输出项即为重构样点目标参数的预测值；
41、(2)使用基于卷积神经网络(cnn)模型对目标参数纠偏；将测试集(即重构样点参数)输入事先训练的cnn模型中(该模型训练集来自土壤多源异构数据库，是由地调部门、文献期刊、施工单位等渠道数据整合得到的土壤图像特征参数与目标参数实测值的数据集)，对所得cnn模型输出项与二次优化输出项(预测值)进行加权线性组合，得到一次纠偏值用公式可表达为：
42、式中，z1为二次优化输出项；zcnn为cnn模型输出项；ω1为cnn模型输出项权重；规定ω1范围为0.1～0.3，以土壤多源异构数据库中的训练样本量大小、训练样本土样与重构土样性质的相似度作为权重校准依据，训练样本量越大、土样间性质相接近的程度越大，赋予纠偏值更大的权重；
43、(3)使用预设样点实测值纠偏；在完成步骤1-4对预设土样(即预设样点采集的土样)目标参数实测值(即实际孔隙度和有机质体积分数)获取的条件下，选择n个与重构样点最近的预设样点作为纠偏样点群，对步骤2-2-1中所得一次纠偏值进行二次纠偏；
44、基于反距离权重法，对预设样点的纠偏作用进行权值校准，即假设预设样点对重构样点的纠偏作用随距离的增加而减弱；反距离权重法定义公式为：其中z2为实测纠偏值；n为纠偏样点群的点位数目；zi为纠偏样点群中第i个样点目标参数实测值；λi为样点测量值的权重系数，由下式给出：
45、
46、式中，指di的b次方幂。其中di为第i个预设样点与重构样点的距离，b为距离衰减系数；
47、将一次纠偏值与实测纠偏值z2进行加权线性组合，输出得到重构样点目标参数(孔隙度或有机质体积分数)的二次纠偏值可由公式表达为：
48、式中，为一次纠偏值；z2为实测纠偏值；ω2为实测纠偏值权重；规定ω2范围为0.1～0.3，以选取的纠偏样点群点位数目n、纠偏样点群土样与重构土样性质的相似度作为权重校准依据，n越大、土样间理化性质相似程度越大，赋予纠偏值更大的权重；
49、(4)输出重构样点目标参数的一次或二次纠偏值，其中以p*表示孔隙度纠偏值、表示有机质体积分数纠偏值。
50、在步骤3中，包括以下子步骤：
51、步骤3-1：对步骤2-1-3中所得的m个重构土样孔隙截面，以基于一定规则的排列组合方法选取其中m个特征截面，即组成一个特征截面子集；
52、步骤3-2：进行上述特征截面子集的孔隙连通性评估，以便进行后续土壤三维重构模型的连通性修正；
53、步骤3-3：利用移动立方体算法生成特征截面间(两相邻特征截面分割出一个土壤单元)的孔隙结构，对生成的孔隙以等效直径进行等效替换，进而得到基于特征截面生成的土壤孔隙重构结果；
54、步骤3-4：依据步骤3-1所述规则迭代生成互异的特征截面子集，得到不同特征截面生成的土壤孔隙重构结果集；
55、步骤3-5：结合步骤2-2-3中得到的孔隙度纠偏值，对土壤孔隙重构结果集进行优选，得到土壤孔隙重构优选结果。
56、在步骤3-1中，特征截面子集选取和互异迭代的具体规则为：
57、(1)特征截面子集必须包含土样顶端和底部截面；
58、(2)在特征截面子集中，任一组相邻截面间距不超过ct扫描间距的5倍；
59、(3)两组特征截面子集中若存在任一截面不相同，即认为两截面子集互异；
60、(4)定义截面位置p等于截面相距土体顶端距离与土体高度的比值。规定在符合要求的特征截面子集中，除土样顶端和底部截面外，p＝0～0.25、0.25～0.50、0.50～0.75、0.75～1的四个区间内均需包含至少1个截面。
61、在步骤3-2中，特征截面孔隙连通性评估具体如下：
62、(1)对特征截面子集中的每组相邻特征截面，采用双切面法分析得到对应于孔隙空间的欧拉特征数，以此评估两切片构成的三维空间的连通性，并用于后续步骤5中对孔隙连通性修正的依据；上下截面x1和x2及其交集图像的欧拉特征数可由以下公式得到：
63、
64、式中，e2是二维欧拉特征数，由根据二维图像中完全隔离的孔隙个数减去相互连通的孔隙个数得到；v是两切片构成的三维空间的体积。
65、当ev小于0时，认为该土壤孔隙空间为一个连续体；当ev等于0时，认为该孔隙空间完全不连通。
66、在步骤3-3中，特征截面间土壤孔隙结构生成的步骤如下；
67、(1)对步骤3-2中得到的首个特征截面子集以重构土样顶端截面(即第一个孔隙截面)为初始条件进行运算，运算结束至与顶端截面相邻的特征截面，即完成第一个土壤单元的运算。
68、移动立方体算法以已有的上下截面形成的各子单元为一小立方体栅格，根据栅格体素各个顶点的值来判断该体素内部等值面,并通过等值面的连接构造出孔隙模型。其关系式可表示为：-
69、fi,j,k＝f(xi,yj,zk)
70、(i＝1,2,…,nx；j＝1,2,…,ny；k＝1,2,…,nz)
71、式中，xi、yj、zk为三维数据场的x、y、z轴的坐标值；nx、ny、nz为x、y、z坐标像素。
72、(2)以avizo等软件对土壤单元生成的孔隙进行统计，按照孔隙体积排序，根据分位数分类法将所有孔隙归为3类，可由软件统计结果直接得到各类孔隙的体积均值。由公式计算得到各类孔隙的等效直径(式中为第i类孔隙下所有孔隙的体积均值)，将生成的所有孔隙替换为相应等效直径大小的孔隙，以便后续进行土壤有机质赋存的三维重构。
73、(3)对整个重构土样，使用上述移动立方体算法，自上而下迭代进行各土壤单元(若有m个特征截面，则分割出m-1个单元)孔隙结构的重构运算，并将各土壤单元的生成孔隙以孔隙等效直径表示，迭代过程结束于土壤底部截面。将连续土壤单元的运算结果堆叠，生成该特征截面子集下的土壤孔隙重构结果，三维可视化结果可通过avizo等图像处理软件绘制。
74、将本次重构结果中生成的所有孔隙总体积(即各土壤单元孔隙体积之和)除以土样体积，得到该特征截面子集下重构结果的孔隙度pi，即：
75、
76、式中，vpor,i为第i个土壤单元的孔隙体积，v0为重构土样总体积，m-1为由特征截面分割出的土壤单元数。
77、在步骤3-4中，具体过程如下：
78、基于步骤3-1中特征截面子集选取的具体规则，利用排列组合迭代算法和规则约束相结合的方式，寻找所有符合规则的特征截面子集，生成新的特征截面子集对每个子集按照步骤3-2进行迭代求解，得到对应土壤孔隙重构结果，并根据步骤3-3中公式计算孔隙度，迭代结束；
79、在步骤3-5中，关于土壤孔隙重构结果集的具体优选过程如下：
80、(1)以步骤2-2-3中所得孔隙度纠偏值p*为期望值，对于每个特征截面子集所得重构结果的孔隙度pi,i∈[1,2,3,…,n]，利用交叉熵(cross entroy)损失函数计算出pi与期望值p*之间的差异，损失函数可表示为：
81、loss＝-p*lg(pi)-(1-p*)lg(1-pi),i∈1,2,...n
82、以损失函数最小化为目标，求出土壤孔隙重构优选结果。设该优选结果的孔隙度为pb。
83、在步骤4中，具体包括以下子步骤：
84、4-1)进行重构土样的压缩试验，测定土样在不同荷载下的孔隙比，绘制荷载与孔隙比的压缩关系曲线；
85、4-2)估算重构土样在所处地层深度的荷载水平，根据压缩关系曲线计算从地下原位转移至地面状态过程中土样孔隙度的变化，由优选结果的孔隙度pb反推土样在土壤原位状态时的孔隙度pb′，定义压缩系数
86、4-3)将步骤3-5中土壤孔隙重构优选结果的所有孔隙体积乘以s，即对孔隙同等压缩s倍，以此还原土样因采样过程发生孔隙形变之前的孔隙结构，得到原位土壤孔隙重构模型，该模型孔隙度即为pb′；
87、(4)考虑到孔隙与有机质两者在ct扫描过程可能存在重叠部分，结合已知的原位土壤孔隙重构模型孔隙度pb′，将步骤2.2-3中所得有机质体积分数纠偏值修正为公式表达为：
88、式中pb′为原位土壤孔隙重构模型的孔隙度，为有机质体积分数纠偏值。
89、4-5)考虑实际的土壤有机物赋存形态，提出土壤有机质赋存的球壳模型：将有机质赋存形态简化为孔隙结构等效球体外侧一定厚度的球壳。
90、在已知所有孔隙球体的等效尺寸和数量的条件下，预设一个等效厚度d，使每一个孔隙球体外侧粘附一个厚度为d的球壳，以此代表重构模型中的有机质。则某一等效直径下的球体上有机质体积为：所有等效球体上有机质占土样总体积的体积分数为：其中，ni为某一等效尺寸范围下所含球体的数量，v0为重构土体总体积。
91、4-6)以特定步长对d进行特定范围内的增减改变，得到不同等效厚度下的土壤有机质赋存重构结果集。迭代计算得到每个等效厚度di下对应的以修正后的有机质体积分数纠偏值为期望值，利用交叉熵损失函数计算出与期望值之间的差异，损失函数可表示为：
92、
93、以损失函数最小化为目标，求出土壤有机质赋存重构的优选结果。设该优选结果的等效厚度为db，该等效厚度的球壳即为土壤有机质赋存重构模型。
94、将原位土壤孔隙重构模型(孔隙球体)和土壤有机质赋存重构模型(有机质球壳)合并，得到包含孔隙结构和有机质赋存的土壤三维重构模型。
95、在步骤5中，包括以下子步骤：
96、5-1)结合步骤3-2中的孔隙连通性评估结果，对步骤4中所得土壤三维重构模型中孔隙和有机质的球体形态进行人为、定体积的纵向适当拉伸，即进行重构模型中孔隙连通性的修正，令距离较远、相互分隔的孔隙空间彼此靠近，尽可能贴近实际情景下的土壤孔隙联通结构和有机质赋存状况；
97、5-2)考虑采样扰动对土壤孔隙结构的影响和改变，对孔隙拉伸后的土壤三维重构模型进行合理性分析。考虑采样动态过程的分析包括采样设备钻取样本时对土壤的扰动，以及土壤由地下埋藏位置转移到地面过程中发生的蠕变两个方面。以此综合专家意见和先验知识库，对孔隙纵向拉伸后所得的土壤三维重构模型进行人工的扰动修正，以修正后模型作为最终重构结果。
98、本发明还包括一种生成和优选土壤孔隙重构结果的方法，包括以下步骤：
99、步骤s1：对m个重构土样横截面图像，以基于一定规则的排列组合方法选取其中m个特征截面，即组成一个特征截面子集；
100、步骤s2：进行特征截面子集的孔隙连通性评估；
101、步骤s3：利用移动立方体算法生成特征截面间的孔隙结构，对生成的孔隙以等效直径进行等效替换，进而得到基于特征截面生成的土壤孔隙重构结果；
102、步骤s4：依据步骤s1所述规则迭代生成互异的特征截面子集，得到不同特征截面生成的土壤孔隙重构结果集；
103、步骤s5：结合获取的孔隙度纠偏值，对土壤孔隙重构结果集进行优选，得到土壤孔隙重构优选结果。
104、在步骤s1中，特征截面子集选取和互异迭代的具体规则为：
105、(1)特征截面子集必须包含土样顶端和底部截面；
106、(2)在特征截面子集中，任一组相邻截面间距不超过ct扫描间距的5倍；
107、(3)两组特征截面子集中若存在任一截面不相同，即认为两截面子集互异；
108、(4)定义截面位置p等于截面相距土体顶端距离与土体高度的比值；
109、在步骤s2中，特征截面孔隙连通性评估具体如下：
110、(1)对特征截面子集中的每组相邻特征截面，采用双切面法分析得到对应于孔隙空间的欧拉特征数，以此评估两切片构成的三维空间的连通性；上下截面x1和x2及其交集图像的欧拉特征数可由以下公式得到：
111、
112、式中，e2是二维欧拉特征数，由根据二维图像中完全隔离的孔隙个数减去相互连通的孔隙个数得到；v是两切片构成的三维空间的体积；
113、当ev小于0时，认为该土壤孔隙空间为一个连续体；当ev等于0时，认为该孔隙空间完全不连通。
114、在步骤s3中，特征截面间土壤孔隙结构生成的步骤如下；
115、(1)对步骤s2中得到的首个特征截面子集基于灰度值分割后得到的孔隙截面，使用移动立方体marching cubes算法，以重构土样顶端截面为初始条件进行运算，运算结束至与顶端截面相邻的特征截面，即完成第一个土壤单元的运算；
116、移动立方体算法以已有的上下截面形成的各子单元为一小立方体栅格，根据栅格体素各个顶点的值来判断该体素内部等值面,并通过等值面的连接构造出孔隙模型；其关系式可表示为：-
117、fi,j,k＝f(xi,yj,zk)
118、(i＝1,2,…,nx；j＝1,2,…,ny；k＝1,2,…,nz)
119、式中，xi、yj、zk为三维数据场的x、y、z轴的坐标值；nx、ny、nz为x、y、z坐标像素；
120、(2)以avizo等软件对土壤单元生成的孔隙进行统计，按照孔隙体积排序，根据分位数分类法将所有孔隙归为3类，可由软件统计结果直接得到各类孔隙的体积均值；由公式计算得到各类孔隙的等效直径，式中为第i类孔隙下所有孔隙的体积均值，将生成的所有孔隙替换为相应等效直径大小的孔隙，以便后续进行土壤有机质赋存的三维重构；
121、(3)对整个重构土样，使用上述移动立方体算法，自上而下迭代进行各土壤单元孔隙结构的重构运算，并将各土壤单元的生成孔隙以孔隙等效直径表示，迭代过程结束于土壤底部截面；将连续土壤单元的运算结果堆叠，生成该特征截面子集下的土壤孔隙重构结果，三维可视化结果可通过avizo等图像处理软件绘制；
122、将本次重构结果中生成的所有孔隙总体积除以土样体积，得到该特征截面子集下重构结果的孔隙度pi，即：
123、
124、式中，vpor,i为第i个土壤单元的孔隙体积，v0为重构土样总体积，m-1为由特征截面分割出的土壤单元数；
125、在步骤s4中，具体过程如下：
126、基于步骤s1中特征截面子集选取的具体规则，利用排列组合迭代算法和规则约束相结合的方式，寻找所有符合规则的特征截面子集，生成新的特征截面子集对每个子集按照步骤s2进行迭代求解，得到对应土壤孔隙重构结果，并根据步骤s3中公式计算孔隙度，迭代结束；
127、在步骤s5中，关于土壤孔隙重构结果集的具体优选过程如下：
128、以所得孔隙度纠偏值p*为期望值，对于每个特征截面子集所得重构结果的孔隙度pi,i∈[1,2,3,…,n]，利用交叉熵cross entroy损失函数计算出pi与期望值p*之间的差异，损失函数可表示为：
129、loss＝-p*lg(pi)-(1-p*)lg(1-pi),i∈1,2,…n
130、以损失函数最小化为目标，求出土壤孔隙重构优选结果；设该优选结果的孔隙度为pb。
131、与现有技术相比，本发明具有如下技术效果：
132、1)本发明通过广泛收集污染场地土样的大量相关信息和数据，采用大数据分析和多模态机器学习反演等多种技术方法，将土壤样品进行精准的三维重构，并可实现土壤孔隙(含有机质体积分布信息)精准还原，充分提高土壤调查结果的真实性和可靠性；
133、2)本发明针对三维重构算法的随机性问题，引入了基于土壤参数的机器学习方法，并提出一套目标参数预测的优化纠偏方案，以土壤孔隙度和有机质体积分数纠偏值构造损失函数，实现对土壤三维重构结果的优选输出；
134、3)本发明对已有仅考虑单一要素的土壤三维重构方法进行了完善和提升，实现了土壤内的孔隙特征及有机质赋存条件的多元重构，并针对土壤采样的扰动和压缩对重构结果进行动态修正，使得最终重构模型更加贴合实际；
135、4)本发明结合多类型土壤信息参数，采用异构数据库与实测数据交互的复合机器学习模型，实现对研究场地任一点位土壤孔隙度及有机质体积分数的预测和纠偏，可有效免除采样过程中对逐一样点土壤孔隙度及有机质的测定工序。
1.一种土壤三维重构方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，在步骤1中，包括以下子步骤：
3.根据权利要求1所述的方法，其特征在于，在步骤2中，包括重构土样截面图像的特征提取、目标参数纠偏值获取；
4.根据权利要求3所述的方法，其特征在于，在步骤2-2-1中，土样参数集预处理的步骤如下：
5.根据权利要求4所述的方法，其特征在于，在步骤2-2-2中，模型训练、超参数调整及优化输出的步骤如下：
6.根据权利要求5所述的方法，其特征在于，在步骤2-2-3中，重构样点目标参数的预测和纠偏的步骤如下：
7.根据权利要求1所述的方法，其特征在于，在步骤3中，包括以下子步骤：
8.根据权利要求7所述的方法，其特征在于，在步骤3-1中，特征截面子集选取和互异迭代的具体规则为：
9.根据权利要求8所述的方法，其特征在于，在步骤4中，具体包括以下子步骤：
10.根据权利要求1至9其中之一所述的方法，其特征在于，在步骤5中，包括以下子步骤：
11.一种生成和优选土壤孔隙重构结果的方法，其特征在于，包括以下步骤：
12.根据权利要求11所述的方法，其特征在于，在步骤s1中，特征截面子集选取和互异迭代的具体规则为：
