基于遥感与人工智能技术的中性模糊AHP土壤质量指数模型优化及其在大豆栽培中的应用研究

本研究针对集约农业导致土壤质量下降的严峻挑战，开发了融合中性模糊AHP与遥感技术的土壤质量指数（SQI）预测模型。通过机器学习算法验证，多元线性回归（MLR）在SQITDS/SQIMDS预测中显著优于随机森林回归（RFR），且SQI与Sentinel-2A卫星NDVI数据高度吻合（R2=0.84），为智慧农业提供了可靠的技术支撑。

　　

为应对集约化农业生产导致的土壤质量退化问题，本研究创新性地将中性模糊层次分析法（neutrosophic fuzzy-AHP）与遥感及人工智能技术相结合，构建了针对大豆（Glycine max）种植的土壤质量指数（SQI）预测模型。研究人员从0-20厘米深度采集89份土壤样本，基于28项参数构建全数据集（TDS），涵盖物理、化学（有机质、pH、EC等）、肥力（宏量/微量营养元素）及生物指标（土壤呼吸、代谢系数、微生物生物量碳）。通过主成分分析筛选出最敏感参数组成最小数据集（MDS）。

采用中性模糊AHP与标准评分函数分别计算SQI_TDS和SQI_MDS，并运用多元线性回归（MLR）和随机森林回归（RFR）进行预测。经10折交叉验证，MLR在误差指标（平均绝对误差、均方误差、均方根误差）和决定系数（R²）上均显著优于RFR。研究进一步将SQI值与Sentinel-2A卫星2021年5月的归一化植被指数（NDVI）进行统计学对比，两者均呈现高度一致性（R²=0.84）。该成果实现了机器学习与遥感、地理信息系统的技术融合，为土壤质量评估领域提供了高效的分析框架。