【技术实现步骤摘要】
本专利技术涉及农业土壤评估，更具体地说，本专利技术涉及一种基于物联网的农作物秸秆还田土壤肥力评估方法。
技术介绍
1、农作物秸秆还田是一项重要的农田管理措施。秸秆还田不仅能够增加土壤中的有机质含量，改善土壤结构，增强土壤的保水保肥能力，还能减少秸秆焚烧带来的环境污染问题。秸秆还田通过物理或生物手段促进秸秆的分解，为作物生长提供养分，增强土壤肥力。
2、其中，秸秆还田对土壤物理结构产生的双重效应包括正面效应和负面效应。正面效应主要体现在秸秆分解后增加土壤中的有机质含量，改善团粒结构，增强土壤的保水性和透气性，提升土壤肥力。负面效应则表现在还田不均匀或秸秆粉碎质量不佳的情况下，秸秆堆积可能导致土壤孔隙堵塞，透气性和渗透性降低，形成土壤压实或硬化，阻碍作物根系的生长。
3、现有技术中对秸秆还田区域的土壤结构变化缺乏动态和精准的评估，无法及时预警土壤物理结构负面效应超越正面效应的风险，从而影响土壤肥力，造成作物生长受阻。
4、为了解决上述问题，现提供一种技术方案。
技术实现思路
1、为了克服现有技术的上述缺陷，本专利技术的实施例提供一种基于物联网的农作物秸秆还田土壤肥力评估方法以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种基于物联网的农作物秸秆还田土壤肥力评估方法，包括如下步骤：
4、将秸秆还田区域划分为多个子区域，基于物联网分析秸秆还田均匀情况和秸秆处理质量，确定土壤风险
5、通过对土壤风险子区域的时间序列数据进行分析，采用长短期记忆网络模型建立双重效应的时间序列模型，预测时间维度上负面效应超越正面效应的概率；
6、通过地理加权回归模型对土壤风险子区域及其相邻子区域的双重效应进行空间分析，评估空间维度上土壤风险子区域发生负面效应的隐患程度；
7、基于时间维度上负面效应超越正面效应的概率和空间维度上土壤风险子区域发生负面效应的隐患程度，对土壤风险子区域秸秆还田导致的土壤物理结构负面效应进行评估，并根据评估结果预警土壤风险子区域秸秆还田对土壤肥力的失控程度；
8、通过地理加权回归模型对土壤风险子区域及其相邻子区域的双重效应进行空间分析，评估空间维度上土壤风险子区域发生负面效应的隐患程度，具体为：
9、收集每个土壤风险子区域及其相邻子区域的地理坐标、土壤物理结构参数和秸秆还田相关数据，形成空间数据集；
10、通过空间权重函数分析相邻子区域的负面效应数据对土壤风险子区域的影响强度；
11、通过地理加权回归模型分析土壤风险子区域本身的负面效应，计算土壤风险子区域的土壤物理结构变化对负面效应的贡献；
12、使用马尔可夫链蒙特卡洛算法模拟相邻子区域对其自身负面效应的反馈影响，计算相邻子区域对土壤风险子区域负面效应的可能性；
13、将土壤风险子区域的土壤物理结构变化对负面效应的贡献和相邻子区域对土壤风险子区域负面效应的可能性进行综合分析，计算得到空间负面隐患指数以评估空间维度上土壤风险子区域发生负面效应的隐患程度；
14、其中，空间负面隐患指数的表达式为：；其中，是空间负面隐患指数，表示相邻子区域对土壤风险子区域负面效应的可能性，是相邻子区域的总数量，和分别表示土壤风险子区域的负面效应值和相邻子区域对土壤风险子区域负面效应的可能性的权重因子，且和均大于0。
15、在一个优选的实施方式中，将秸秆还田区域划分为多个子区域，基于物联网分析秸秆还田均匀情况和秸秆处理质量，确定土壤风险子区域，具体为：
16、基于土壤类型、地形和历史数据，划分秸秆还田区域为多个子区域，并设置相应的物联网设备；
17、利用物联网设备采集各子区域的秸秆还田均匀性数据，秸秆还田均匀性数据包括秸秆在每个子区域内的分布密度和覆盖率；
18、采集各子区域的秸秆处理质量数据，秸秆处理质量数据包括秸秆粉碎的粒度和长度；
19、基于秸秆还田均匀性数据和秸秆处理质量数据对每个子区域进行分析，根据分析结果确定土壤结构存在潜在风险的子区域，并标记为土壤风险子区域。
20、在一个优选的实施方式中，通过对土壤风险子区域的时间序列数据进行分析，采用长短期记忆网络模型建立双重效应的时间序列模型，预测时间维度上负面效应超越正面效应的概率，具体为：
21、采集土壤风险子区域的时间序列数据，时间序列数据包括土壤物理结构数据和秸秆还田相关数据，按照预定时间间隔形成连续的时间序列数据集；
22、对时间序列数据进行预处理，预处理包括数据清洗、缺失值填补和归一化处理；
23、构建长短期记忆网络模型，根据土壤风险子区域的时间序列数据特点，设置模型的层数、节点数量及学习率；
24、使用预处理后的时间序列数据训练长短期记忆网络模型，通过多次迭代调整模型参数，生成土壤风险子区域的双重效应时间序列模型；
25、基于训练好的模型预测负面效应超越正面效应的概率，通过模型的输出结果，计算土壤风险子区域在时间维度上负面效应超越正面效应的概率。
26、在一个优选的实施方式中，计算土壤风险子区域在时间维度上负面效应超越正面效应的概率，其表达式为：；其中，是时间维度上负面效应超越正面效应的概率，是时间，是lstm模型输出的线性组合值，是数学常数自然对数的底；
27、lstm模型输出的线性组合值为：；其中，是权重矩阵，是时间序列数据的输入向量，是偏置向量。
28、在一个优选的实施方式中，通过空间权重函数分析相邻子区域的负面效应数据对土壤风险子区域的影响强度，具体为：
29、计算相邻子区域与土壤风险子区域之间的距离，给每个相邻子区域赋予不同的权重；
30、权重函数可以使用高斯核函数形式：；其中，是权重函数，是影响范围的尺度参数，为空间距离，是与土壤风险子区域相邻的子区域的编号；
31、分析相邻子区域负面效应对目标区域的影响，得出每个子区域的影响强度：；其中，是子区域的影响强度，是相邻子区域的负面效应数据。
32、在一个优选的实施方式中，通过地理加权回归模型分析土壤风险子区域本身的负面效应，计算土壤风险子区域的土壤物理结构变化对负面效应的贡献，具体为：
33、通过以下公式进行回归分析：；其中，是土壤风险子区域的负面效应值，是输入的土壤物理结构参数，是模型的常数项，是回归系数，是土壤物理结构参数的总数。
34、在一个优选的实施方式中，使用马尔可夫链蒙特卡洛算法模拟相邻子区域对其自身负面效应的反馈影响，计算相邻子区域对土壤风险子区域负面效应的可能性，具体为：
35、获取每个相邻子区域的初始状态，基于该初始状态，计算其后续状态的转移概率，后续状态的转移概率通过马尔可夫链模型确定，其表达式为：；其中，是后续状态的转移概率，是状态转移的函数形式，是马尔可夫链中的当前状态本文档来自技高网...
【技术保护点】
1.一种基于物联网的农作物秸秆还田土壤肥力评估方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于物联网的农作物秸秆还田土壤肥力评估方法，其特征在于，将秸秆还田区域划分为多个子区域，基于物联网分析秸秆还田均匀情况和秸秆处理质量，确定土壤风险子区域，具体为：
3.根据权利要求1所述的一种基于物联网的农作物秸秆还田土壤肥力评估方法，其特征在于，通过对土壤风险子区域的时间序列数据进行分析，采用长短期记忆网络模型建立双重效应的时间序列模型，预测时间维度上负面效应超越正面效应的概率，具体为：
4.根据权利要求3所述的一种基于物联网的农作物秸秆还田土壤肥力评估方法，其特征在于，计算土壤风险子区域在时间维度上负面效应超越正面效应的概率，其表达式为：；其中，是时间维度上负面效应超越正面效应的概率，是时间，是LSTM模型输出的线性组合值，是数学常数自然对数的底；
5.根据权利要求1所述的一种基于物联网的农作物秸秆还田土壤肥力评估方法，其特征在于，通过空间权重函数分析相邻子区域的负面效应数据对土壤风险子区域的影响强度，具体为：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。