一种基于土壤产能生态多要素融合的耕地质量评估方法

本发明涉及农业数据处理，特别涉及一种基于土壤产能生态多要素融合的耕地质量评估方法。

背景技术：

1、随着农业物联网、土壤传感监测及农业信息化技术的发展，利用多源土壤要素数据对耕地质量进行动态评估已成为耕地保护与农业生产管理的重要技术手段。现有耕地质量评估方法通常通过布设农业物联网监测设备，连续采集土壤体积含水率、土壤表观电导率、土壤有机质含量、土壤孔隙度及土壤酸碱度等多要素时序数据，并采用熵权逼近理想解排序法对不同指标进行客观赋权，通过计算当前土壤状态与最优解、最劣解之间的距离以及对应的相对贴近度，实现耕地质量的综合量化评估。

2、现有基于ewm-topsis的多要素评估方法在距离度量过程中，通常以各指标维度相对于理想解的独立偏离量进行加权聚合，能够反映单项土壤指标的变化程度，但缺乏不同指标维度之间的交叉作用表征。在实际耕地环境中，土壤水分亏缺与盐分累积往往具有明显的协同劣化特征，当土壤体积含水率降低并伴随土壤表观电导率升高时，其对耕地生态状态产生的影响并非各单项指标劣化程度的简单叠加。现有距离度量方式难以有效提取此类水盐协同劣化特征，容易造成耕地真实退化程度被弱化。

3、此外，在高频农业物联网监测条件下，土壤体积含水率和土壤表观电导率还容易受到昼夜蒸发、凝露、降雨及灌溉等短时环境变化的影响，产生周期性波动，单纯依据瞬时水盐状态进行评价容易使评估结果产生较大震荡，难以区分短时可恢复波动与持续性水盐协同劣化。因此，如何在多源土壤要素融合评估过程中准确提取水分亏缺与盐分累积的协同劣化特征，并结合其时序演化过程抑制短时波动干扰，从而提高耕地质量动态评估结果的准确性与稳定性，成为现有耕地质量评估技术亟需解决的问题。

技术实现思路

1、有鉴于此，本发明旨在提出一种基于土壤产能生态多要素融合的耕地质量评估方法，以解决现有多要素评估方法难以准确表征水分亏缺与盐分累积协同劣化特征的问题。

2、为达到上述目的，本发明的技术方案是这样实现的：

3、一种基于土壤产能生态多要素融合的耕地质量评估方法，所述方法包括：

4、步骤s1：通过对多源土壤要素时序数据进行采集与预处理，获取标准化多要素特征矩阵；

5、步骤s2：通过对土壤体积含水率与土壤表观电导率进行交叉协同映射处理，获取瞬时交叉协同因子；

6、步骤s3：通过对瞬时交叉协同因子与土壤体积含水率演化轨迹进行条件积分处理，获取胁迫疲劳积分因子；

7、步骤s4：通过对基础最劣解距离与胁迫疲劳积分因子进行距离校正处理，获取修正最劣解距离；

8、步骤s5：通过对修正最劣解距离与基础最优解距离进行相对贴近度计算，获取耕地质量综合评估结果。

9、进一步的，所述通过对多源土壤要素时序数据进行采集与预处理，获取标准化多要素特征矩阵，包括：

10、在待评估耕地区域布设农业物联网监测设备，在农业物联网监测设备中设置用于采集土壤体积含水率数据的土壤水分传感器、用于采集土壤表观电导率数据的土壤电导率传感器、用于采集土壤有机质含量数据的土壤有机质监测传感器、用于采集土壤孔隙度数据的土壤孔隙度监测传感器以及用于采集土壤酸碱度数据的土壤酸碱度传感器；

11、设定固定采样时间步长，按照固定采样时间步长对待评估耕地区域进行连续监测采集，获取评估周期内的多源土壤要素时序数据，多源土壤要素时序数据包括土壤体积含水率时序数据、土壤表观电导率时序数据、土壤有机质含量时序数据、土壤孔隙度时序数据以及土壤酸碱度时序数据；

12、按照固定采样时间步长对应的标准时间戳对多源土壤要素时序数据进行时间戳对齐，对时间戳对齐后存在的缺失数据进行线性插值补全，并按照预设滑动时间窗口对补全后的多源土壤要素时序数据进行连续截取，获取各滑动时间窗口对应的多源土壤要素时序数据片段；

13、对于任一目标滑动时间窗口，从目标滑动时间窗口对应的多源土壤要素时序数据片段中统计获取土壤体积含水率历史最大值、土壤体积含水率历史最小值、土壤表观电导率历史最大值以及土壤表观电导率历史最小值，并分别对土壤体积含水率时序数据、土壤表观电导率时序数据、土壤有机质含量时序数据、土壤孔隙度时序数据以及土壤酸碱度时序数据进行极值标准化处理，将对应得到的标准化数据按照采样时刻与土壤要素维度进行排列，构建标准化多要素特征矩阵。

14、进一步的，所述通过对土壤体积含水率与土壤表观电导率进行交叉协同映射处理，获取瞬时交叉协同因子，包括：

15、通过对土壤体积含水率数据、土壤表观电导率数据及对应历史边界数据进行局部归一化处理，获取水分亏缺度和盐分累积度；

16、通过对水分亏缺度和盐分累积度进行交叉耦合与非线性映射处理，获取瞬时交叉协同因子。

17、进一步的，所述通过对土壤体积含水率数据、土壤表观电导率数据及对应历史边界数据进行局部归一化处理，获取水分亏缺度和盐分累积度，包括：

18、对于任一目标滑动时间窗口内的任一目标采样时刻，从目标滑动时间窗口对应的多源土壤要素时序数据片段中提取目标采样时刻对应的土壤体积含水率数据和土壤表观电导率数据，并获取目标滑动时间窗口对应的土壤体积含水率历史最大值、土壤体积含水率历史最小值、土壤表观电导率历史最大值以及土壤表观电导率历史最小值；

19、将土壤体积含水率历史最大值与目标采样时刻对应的土壤体积含水率数据的差值作为目标采样时刻对应的水分亏缺评估，将土壤体积含水率历史最大值与土壤体积含水率历史最小值的差值作为水分历史极差评估；将水分亏缺评估作为分子，将水分历史极差评估作为分母，将对应得到的分式作为目标采样时刻对应的水分亏缺度；

20、将目标采样时刻对应的土壤表观电导率数据与土壤表观电导率历史最小值的差值作为目标采样时刻对应的盐分累积评估，将土壤表观电导率历史最大值与土壤表观电导率历史最小值的差值作为盐分历史极差评估；将盐分累积评估作为分子，将盐分历史极差评估作为分母，将对应得到的分式作为目标采样时刻对应的盐分累积度。

21、进一步的，所述通过对水分亏缺度和盐分累积度进行交叉耦合与非线性映射处理，获取瞬时交叉协同因子，包括：

22、对于任一目标滑动时间窗口内的任一目标采样时刻，获取目标采样时刻对应的水分亏缺度和盐分累积度；

23、将目标采样时刻对应的水分亏缺度与盐分累积度相乘，将对应得到的乘积作为目标采样时刻对应的交叉协同乘积评估；

24、将目标采样时刻对应的水分亏缺度与盐分累积度相加，将对应得到的和值作为目标采样时刻对应的协同劣化强度评估，对协同劣化强度评估进行以自然常数为底数的指数映射，将对应得到的映射结果作为目标采样时刻对应的协同劣化指数放大评估；

25、将目标采样时刻对应的交叉协同乘积评估与协同劣化指数放大评估相乘，并将对应得到的乘积与常数1相加，将对应得到的计算结果作为目标采样时刻对应的瞬时协同映射评估；

26、对目标采样时刻对应的瞬时协同映射评估进行自然对数映射，将对应得到的映射结果作为目标采样时刻对应的瞬时交叉协同因子。

27、进一步的，所述通过对瞬时交叉协同因子与土壤体积含水率演化轨迹进行条件积分处理，获取胁迫疲劳积分因子，包括：

28、通过对土壤体积含水率演化轨迹数据进行单向变化提取与归一化处理，获取单向水分流失评估；

29、通过对瞬时交叉协同因子与单向水分流失评估进行动态耦合处理，获取单步疲劳惩罚评估；

30、通过对滑动时间窗口内的单步疲劳惩罚评估进行累积与非线性映射处理，获取胁迫疲劳积分因子。

31、进一步的，所述通过对土壤体积含水率演化轨迹数据进行单向变化提取与归一化处理，获取单向水分流失评估，包括：

32、对于任一目标滑动时间窗口内除首个采样时刻以外的任一目标采样时刻，获取目标采样时刻对应的土壤体积含水率数据以及目标采样时刻的前一采样时刻对应的土壤体积含水率数据，并获取目标滑动时间窗口对应的土壤体积含水率历史最大值和土壤体积含水率历史最小值；

33、将目标采样时刻的前一采样时刻对应的土壤体积含水率数据与目标采样时刻对应的土壤体积含水率数据的差值作为目标采样时刻对应的水分变化评估；当水分变化评估小于或等于常数0时，将目标采样时刻对应的单向水分流失评估设置为常数0；

34、当水分变化评估大于常数0时，将土壤体积含水率历史最大值与土壤体积含水率历史最小值的差值作为水分历史极差评估，将目标采样时刻对应的水分变化评估作为分子，将水分历史极差评估作为分母，将对应得到的分式作为目标采样时刻对应的单向水分流失评估。

35、进一步的，所述通过对瞬时交叉协同因子与单向水分流失评估进行动态耦合处理，获取单步疲劳惩罚评估，包括：

36、对于任一目标滑动时间窗口内除首个采样时刻以外的任一目标采样时刻，获取目标采样时刻对应的瞬时交叉协同因子以及目标采样时刻对应的单向水分流失评估；

37、将目标采样时刻对应的瞬时交叉协同因子与单向水分流失评估相乘，将对应得到的乘积作为目标采样时刻对应的单步疲劳惩罚评估。

38、进一步的，所述通过对滑动时间窗口内的单步疲劳惩罚评估进行累积与非线性映射处理，获取胁迫疲劳积分因子，包括：

39、对于任一目标滑动时间窗口，将目标滑动时间窗口内除首个采样时刻以外的全部采样时刻对应的单步疲劳惩罚评估进行累加，将对应得到的累加结果作为目标滑动时间窗口对应的疲劳惩罚累积评估；

40、将目标滑动时间窗口对应的疲劳惩罚累积评估的相反数进行以自然常数为底数的指数映射，将对应得到的映射结果作为目标滑动时间窗口对应的疲劳累积衰减评估；

41、将常数1与目标滑动时间窗口对应的疲劳累积衰减评估的差值作为目标滑动时间窗口对应的胁迫疲劳积分因子。

42、进一步的，所述通过对基础最劣解距离与胁迫疲劳积分因子进行距离校正处理，获取修正最劣解距离，包括：

43、基于标准化多要素特征矩阵，采用熵权法分别计算土壤体积含水率、土壤表观电导率、土壤有机质含量、土壤孔隙度以及土壤酸碱度对应的指标权重，并根据各项标准化土壤要素数据确定各指标维度对应的最劣解数据；

44、对于任一目标滑动时间窗口对应的目标采样时刻，分别计算目标采样时刻对应的各项标准化土壤要素数据与对应指标维度的最劣解数据之间的差值，将各差值的平方与对应指标权重相乘的计算结果作为对应指标维度的加权最劣解距离分量；将全部指标维度对应的加权最劣解距离分量相加，并对对应得到的和值进行平方根计算，将对应得到的计算结果作为目标采样时刻对应的基础最劣解距离；

45、获取目标采样时刻所属目标滑动时间窗口对应的胁迫疲劳积分因子，将胁迫疲劳积分因子与常数1相加，将对应得到的计算结果作为目标采样时刻对应的距离校正分母评估；

46、将目标采样时刻对应的基础最劣解距离作为分子，将距离校正分母评估作为分母，将对应得到的分式作为目标采样时刻对应的修正最劣解距离。

47、相对于现有技术，本发明具有以下优势：

48、本发明所述的一种基于土壤产能生态多要素融合的耕地质量评估方法，通过构建土壤体积含水率与土壤表观电导率之间的交叉协同表征机制，能够区别单一水分异常、单一盐分异常与低水分—高盐分同步出现的复合劣化状态，并利用非线性映射增强对严重水盐协同胁迫的响应。在实际农田监测场景中，可减少传统多指标独立距离聚合对水盐叠加影响的弱化，使耕地质量评价结果更加符合盐分富集与水分亏缺共同作用下的真实生态状态。同时，本发明结合土壤体积含水率的连续演化方向对瞬时协同特征进行时序筛选与累积，可抑制昼夜蒸发、凝露、短时降雨或灌溉等因素引起的可恢复性高频波动，并突出持续脱水条件下逐步累积的水盐胁迫特征。在此基础上对ewm-topsis模型的最劣解距离进行动态修正，能够降低耕地质量评分的短时震荡，提高连续物联网监测条件下评估结果的稳定性与准确性，为耕地质量变化识别和农业生产管理提供更可靠的数据依据。