基于中智模糊层次分析法与机器学习的半干旱区甜菜土壤质量指数评估及模型比较研究

本研究针对半干旱生态区甜菜种植的土壤质量评估难题，创新性结合中智模糊层次分析法（Neutrosophic Fuzzy-AHP）与机器学习模型（多类逻辑回归/RF/OAA-SVM），通过Sentinel-2A遥感数据验证，发现随机森林（RF）模型在预测线性/非线性土壤质量指数（SQI）中表现最优（MCC达0.99），NDVI植被指数（r2=0.634）与甜菜生长相关性显著，为精准农业决策提供新范式。

　　

随着全球人口激增与耕地资源萎缩，土壤质量退化已成为威胁粮食安全的隐形杀手。在占全球耕地41%的半干旱区，甜菜作为重要糖料作物，其产量与土壤健康紧密挂钩。然而传统土壤评估方法存在主观性强、周期长等缺陷，如何快速精准量化土壤质量指数（Soil Quality Index, SQI）成为农业可持续发展的重要命题。

针对这一挑战，土耳其托卡特省的研究团队在《Expert Systems with Applications》发表了一项突破性研究。该工作首次将中智模糊层次分析法（Neutrosophic Fuzzy-AHP）与三种机器学习模型结合，构建了适用于半干旱区的甜菜SQI评估体系。研究创新性地采用Sentinel-2A卫星数据提取NDVI（归一化植被指数）和RE-OSAVI（红边优化土壤调节植被指数），通过175份土壤样本的16项理化生物指标验证，发现随机森林（Random Forest, RF）模型在预测非线性SQI时准确率高达99%，显著优于支持向量机（One-Against-All SVM, OAA-SVM）和逻辑回归（Multi-class LR）。

关键技术方法包括：1）基于中智模糊集的AHP权重计算，解决传统评估中的不确定性；2）Sentinel-2A遥感影像的NDVI/RE-OSAVI植被指数提取；3）175个采样点的土壤理化生物指标检测；4）三类机器学习模型（RF/OAA-SVM/LR）性能对比，采用MCC（马修斯相关系数）、F1-score等5项指标评估。

【研究结果】
• 土壤特性分析：样本以黏土（52%）和砂质黏土（18.28%）为主，电导率（EC）0.10–1.09 dS/m呈低盐度，pH 7.11–8.83属中性至弱碱性。
• 植被指数验证：NDVI与甜菜非线性SQI相关性最强（r²=0.634, p<0.001），证实其作为遥感监测指标的可靠性。
• 模型性能对比：RF模型在预测线性/非线性SQI时全面领先，MCC分别达0.97和0.99，精度、召回率等指标均超98%，显著优于OAA-SVM和逻辑回归。

【结论与意义】
该研究通过融合中智模糊理论与机器学习，首次建立了半干旱区甜菜SQI的快速评估体系。RF模型的卓越表现（MCC 0.99）表明其在处理土壤多参数非线性关系上的优势，而NDVI的高相关性为卫星遥感监测提供了经济高效的替代方案。这项成果不仅为精准农业管理提供了决策工具，其创新的Neutrosophic Fuzzy-AHP加权方法更为复杂环境系统的评估开辟了新路径。研究团队特别指出，该方法可扩展至其他经济作物的土壤质量监测，对应对全球气候变化下的粮食安全挑战具有重要实践价值。