本技術涉及電阻率參數和機器學習，尤其涉及一種基于電阻率參數的土壤有機污染濃度預測方法和系統。

背景技術：

1、在鹽堿化土壤環(huán)境中，有機污染物的精準檢測面臨嚴峻挑戰(zhàn)。由于鹽離子與有機污染物在電化學特性上存在交叉干擾，傳統單一參數檢測方法難以有效區(qū)分兩者，導致污染評估不準確。

2、目前，一種基于近紅外光譜技術的土壤污染檢測方法被提出。該方法通過采集土壤的近紅外光譜數據，提取特征波段的光譜反射率，結合支持向量機算法建立光譜特征與污染物濃度的預測模型，從而實現污染物的定量分析。

3、該方法雖然利用光譜技術實現了非接觸式檢測，但對鹽堿化土壤中高鹽分導致的光譜干擾缺乏有效處理手段，使得有機污染物的特征波段易被掩蓋。同時，該方法難以區(qū)分鹽離子和有機污染物的響應差異，在鹽堿化程度較高的區(qū)域檢測精度明顯下降。

技術實現思路

1、本技術提供一種基于電阻率參數的土壤有機污染濃度預測方法和系統，用以解決現有技術中高鹽堿化土壤中有機污染物檢測的準確性低和空間定位精度差的問題。

2、第一方面，本技術提供一種基于電阻率參數的土壤有機污染濃度預測方法，包括：

3、在鹽堿化土壤環(huán)境下的有機污染檢測場景中，獲取目標區(qū)域土壤的介電常數分布數據、電導率空間分布數據、電阻率參數和極化率參數；

4、基于所述電阻率參數和所述極化率參數，生成雙模態(tài)特征矩陣；

5、將所述雙模態(tài)特征矩陣、所述介電常數分布數據及所述電導率空間分布數據進行多源耦合關聯，生成動態(tài)數據集；

6、結合頻域介電譜分析方式，對所述動態(tài)數據集進行頻段篩選，以提取出預設頻段范圍內有機污染物與鹽離子的極化衰減特征差異；

7、基于所述極化衰減特征差異和所述雙模態(tài)特征矩陣，利用已經訓練好的機器學習模型輸出有機污染物在鹽堿化土壤環(huán)境下的空間濃度分布預測結果。

8、可選地，所述結合頻域介電譜分析方式，對所述動態(tài)數據集進行頻段篩選，以提取出預設頻段范圍內有機污染物與鹽離子的極化衰減特征差異，包括：

9、通過頻域介電譜分析方式將所述動態(tài)數據集中的極化響應信號轉換為頻域分布數據；

10、基于鹽堿化土壤環(huán)境下有機污染物與鹽離子的極化特性差異，確定預設頻段范圍內低頻段與中頻段的交界區(qū)間；

11、在所述交界區(qū)間內，根據所述頻域分布數據，篩選出信號強度隨頻率升高呈現先遞增后陡降的頻點，構成頻點集合；

12、從所述頻點集合中提取有機污染物對應的特征頻段與鹽離子對應的干擾頻段，并計算所述特征頻段與所述干擾頻段之間的信號衰減斜率差值，將所述信號衰減斜率差值作為極化衰減特征差異。

13、可選地，所述通過頻域介電譜分析方式將所述動態(tài)數據集中的極化響應信號轉換為頻域分布數據，包括：

14、從所述動態(tài)數據集中提取出極化響應信號；

15、對所述極化響應信號按照預設分段長度進行截取，生成多段時域信號序列；

16、對每段時域信號序列進行頻域轉換處理，生成與各時域信號序列對應的目標信號強度分布序列；

17、根據所述電導率空間分布數據中的電導率參數與所述極化率參數的比例關系，確定所述目標信號強度分布序列的頻率范圍；

18、對所有時域信號序列對應的目標信號強度分布序列進行疊加處理，生成覆蓋頻段范圍的頻域分布數據。

19、可選地，所述從所述頻點集合中提取有機污染物對應的特征頻段與鹽離子對應的干擾頻段，并計算所述特征頻段與所述干擾頻段之間的信號衰減斜率差值，包括：

20、根據所述頻點集合中信號強度的陡降時序差異，將所述頻點集合中陡降時序位于所述交界區(qū)間內起始區(qū)域的連續(xù)n個頻點劃分為有機污染物特征頻段，并將陡降時序位于所述交界區(qū)間末端區(qū)域的連續(xù)頻點劃分為鹽離子干擾頻段，其中，n大于等于3；

21、在所述有機污染物特征頻段內，選取信號強度從遞增轉為陡降的轉折頻點作為第一基準點，以所述第一基準點為中心向兩側延伸預設數量頻點生成第一分析窗口；

22、在所述鹽離子干擾頻段內，選取信號強度陡降幅度高于預設幅度閾值的頻點作為第二基準點，以所述第二基準點為中心向兩側延伸相同預設數量頻點生成第二分析窗口；

23、分別計算所述第一分析窗口中轉折頻點之后頻點的信號強度的第一平均下降速率和所述第二分析窗口中轉折頻點之后頻點的信號強度的第二平均下降速率；

24、將所述第一平均下降速率和所述第二平均下降速率之間的絕對值差值作為信號衰減斜率差值。

25、可選地，所述對每段時域信號序列進行頻域轉換處理，生成與各時域信號序列對應的目標信號強度分布序列，包括：

26、將每段時域信號序列與預設的窗函數序列進行逐點相乘處理，得到時域信號子序列；

27、對所述時域信號子序列進行頻譜分析處理，生成初始信號強度分布序列；

28、將所述初始信號強度分布序列中低于預設環(huán)境噪聲閾值的頻率單元進行置零處理，生成目標信號強度分布序列。

29、可選地，所述基于所述電阻率參數和所述極化率參數，生成雙模態(tài)特征矩陣，包括：

30、在所述鹽堿化土壤環(huán)境下，對同一空間位置的電阻率參數和所述極化率參數進行同步對齊處理，生成參數對集合；

31、將所述參數對集合中每個參數對中的電阻率參數轉換為第一特征值，極化率參數轉換為第二特征值；

32、將同一空間位置的所述第一特征值和所述第二特征值組合為二維特征向量；

33、將所有空間位置的所述二維特征向量進行排列，構成雙模態(tài)特征矩陣。

34、可選地，所述基于所述極化衰減特征差異和所述雙模態(tài)特征矩陣，利用已經訓練好的機器學習模型輸出有機污染物在鹽堿化土壤環(huán)境下的空間濃度分布預測結果，包括：

35、將所述雙模態(tài)特征矩陣中的每個二維特征向量與對應空間位置的所述極化衰減特征差異進行組合，生成增強特征向量；

36、根據所述電導率空間分布數據中的電導率參數生成的鹽離子濃度梯度，對所述增強特征向量進行動態(tài)加權處理；

37、將加權后的增強特征向量按照預設的空間分布順序輸入至已經訓練好的機器學習模型中，生成每個空間位置的初始污染濃度值；

38、基于所述介電常數分布數據對所述初始污染濃度值進行介電修正處理；

39、將修正后的污染濃度值及對應的空間位置坐標進行關聯，輸出空間濃度分布預測結果。

40、第二方面，本技術提供一種基于電阻率參數的土壤有機污染濃度預測系統，包括：

41、獲取模塊，用于在鹽堿化土壤環(huán)境下的有機污染檢測場景中，獲取目標區(qū)域土壤的介電常數分布數據、電導率空間分布數據、電阻率參數和極化率參數；

42、第一生成模塊，用于基于所述電阻率參數和所述極化率參數，生成雙模態(tài)特征矩陣；

43、第二生成模塊，用于將所述雙模態(tài)特征矩陣、所述介電常數分布數據及所述電導率空間分布數據進行多源耦合關聯，生成動態(tài)數據集；

44、篩選模塊，用于通過頻域介電譜分析對所述動態(tài)數據集進行頻段篩選，以提取出預設頻段范圍內有機污染物與鹽離子的極化衰減特征差異；

45、輸出模塊，用于基于所述極化衰減特征差異和所述雙模態(tài)特征矩陣，利用已經訓練好的機器學習模型輸出有機污染物在鹽堿化土壤環(huán)境下的空間濃度分布預測結果。

46、第三方面，本技術提供一種計算設備，包括處理器和存儲器，所述存儲器中存儲有計算機程序，所述處理器被設置為運行所述計算機程序以執(zhí)行第一方面任一所述的一種基于電阻率參數的土壤有機污染濃度預測方法。

47、第四方面，本技術提供一種計算機存儲介質，其上存儲有計算機程序指令，所述計算機程序指令被處理器執(zhí)行時實現第一方面中任意一項所述的一種基于電阻率參數的土壤有機污染濃度預測方法。

48、本技術中，提供了一種基于電阻率參數的土壤有機污染濃度預測方法，該方法包括：在鹽堿化土壤環(huán)境下的有機污染檢測場景中，獲取目標區(qū)域土壤的介電常數分布數據、電導率空間分布數據、電阻率參數和極化率參數；基于所述電阻率參數和所述極化率參數，生成雙模態(tài)特征矩陣；將所述雙模態(tài)特征矩陣、所述介電常數分布數據及所述電導率空間分布數據進行多源耦合關聯，生成動態(tài)數據集；結合頻域介電譜分析方式，對所述動態(tài)數據集進行頻段篩選，以提取出預設頻段范圍內有機污染物與鹽離子的極化衰減特征差異；基于所述極化衰減特征差異和所述雙模態(tài)特征矩陣，利用已經訓練好的機器學習模型輸出有機污染物在鹽堿化土壤環(huán)境下的空間濃度分布預測結果。

49、本技術提供的技術方案具有以下有益效果：

50、本技術建立全面的土壤電性特征數據庫，為后續(xù)分析提供多維度數據支撐。構建能夠同時反映土壤導電性和極化特性的特征表達，增強特征表征能力。實現多源電性參數的協同分析，提升數據間的互補性和完整性。有效分離有機污染物與鹽離子的特征頻段，抑制鹽堿化背景干擾。實現高精度的有機污染物空間分布可視化預測。

51、進一步地，本技術還通過頻域介電譜分析將極化響應信號轉換為頻域分布數據，基于鹽堿化環(huán)境下有機污染物與鹽離子的極化特性差異確定交界區(qū)間，篩選特定信號變化模式的頻點集合，進而提取特征頻段與干擾頻段并計算其信號衰減斜率差值作為特征差異。

52、并且，該技術方案通過極化響應信號的頻域特征分析，有效區(qū)分了有機污染物與鹽離子的極化特性差異，利用信號衰減斜率的量化比較，提升了在高鹽堿化背景下有機污染物的識別精度和特征提取的可靠性。

53、本技術的這些方面或其他方面在以下實施例的描述中會更加簡明易懂。