1.一种基于土地测量数据的预测模型训练方法，其特征在于，所述方法包括：获取目标区域的土地测量数据集，所述土地测量数据集包括历史土地属性分布数据和实时土地状态记录数据，所述历史土地属性分布数据包含多个地理区块的土壤成分信息及地形特征参数，所述实时土地状态记录数据包含当前环境监测设备采集的地表温度分布及湿度变化轨迹；

对所述历史土地属性分布数据进行空间网格划分，生成具有层级关联关系的属性编码单元，并对所述实时土地状态记录数据进行时间戳对齐处理，得到与所述属性编码单元对应的动态状态序列；

将所述属性编码单元与所述动态状态序列进行跨模态特征融合，生成土地空间特征图谱，其中所述土地空间特征图谱中的每个节点表征对应地理区块在预设时间范围内的属性演化趋势；

提取所述土地空间特征图谱中的异常波动节点，并根据所述异常波动节点对应的土壤成分信息及地表温度分布，确定目标训练样本集；

基于所述目标训练样本集对初始预测模型进行多阶段迭代训练，得到土地状态预测模型，其中，所述土地状态预测模型用于根据输入的地理区块标识输出未来时间段内的土壤退化风险评估结果及植被覆盖变化概率。

2.根据权利要求1所述的基于土地测量数据的预测模型训练方法，其特征在于，所述对所述历史土地属性分布数据进行空间网格划分，生成具有层级关联关系的属性编码单元，包括：根据所述历史土地属性分布数据中的经纬度坐标范围，将目标区域划分为多个等面积的地理网格单元；

针对每个所述地理网格单元，提取其内部包含的土壤酸碱度分布、有机质含量梯度及矿物质浓度变化曲线，生成所述地理网格单元对应的土壤属性向量；

基于相邻地理网格单元之间的土壤属性向量差异度，构建多层级的空间关联网络，其中高层级网络节点表征大范围土壤属性均值，低层级网络节点表征局部土壤属性波动特征；

将所述空间关联网络中每个层级的网络节点与对应地理网格单元进行映射关联，生成所述属性编码单元。

3.根据权利要求2所述的基于土地测量数据的预测模型训练方法，其特征在于，所述将所述属性编码单元与所述动态状态序列进行跨模态特征融合，生成土地空间特征图谱，包括：对所述动态状态序列中的地表温度分布数据进行频域变换，提取不同时间尺度下的温度波动模式；

将所述温度波动模式与对应地理网格单元的土壤属性向量进行时域对齐，生成融合土壤‑温度关联特征的混合特征向量；

根据所述混合特征向量在多层级的空间关联网络中的传递路径，确定各节点之间的特征扩散权重；

基于所述特征扩散权重对所述混合特征向量进行空间插值计算，生成覆盖整个目标区域的连续特征分布图，并将所述连续特征分布图转换为图结构数据以形成所述土地空间特征图谱。

4.根据权利要求3所述的基于土地测量数据的预测模型训练方法，其特征在于，所述提取所述土地空间特征图谱中的异常波动节点，包括：计算所述土地空间特征图谱中每个节点的特征变化速率，并基于相邻节点之间的特征变化速率差异构建异常检测阈值；

识别所述特征变化速率超过所述异常检测阈值的节点，并追溯其在历史土地属性分布数据中的土壤成分突变记录；

将同时满足特征速率异常和土壤成分突变的节点标记为所述异常波动节点，并记录其对应的经纬度坐标及时间戳信息。

5.根据权利要求1所述的基于土地测量数据的预测模型训练方法，其特征在于，所述基于所述目标训练样本集对初始预测模型进行多阶段迭代训练，包括：将所述目标训练样本集划分为训练子集和验证子集，其中所述训练子集包含具有明确土壤退化标签的地理区块数据，所述验证子集包含未标注土壤状态变化的地理区块数据；

在第一训练阶段，使用所述训练子集对所述初始预测模型进行参数初始化，并基于土壤成分信息与地表温度分布的关联关系生成初始预测权重；

在第二训练阶段，将所述验证子集输入至已完成初始化的预测模型中，根据输出的植被覆盖变化概率与实时卫星影像数据进行误差反向传播，调整所述初始预测权重中的动态参数；

在第三训练阶段，将调整后的预测模型部署至边缘计算设备，通过实时接收的环境传感器数据对预测结果进行在线校准，并更新所述土地状态预测模型的最终参数。

6.根据权利要求5所述的基于土地测量数据的预测模型训练方法，其特征在于，所述通过实时接收的环境传感器数据对预测结果进行在线校准，包括：获取当前时间段内目标地理区块的土壤湿度传感器读数及光照强度监测值；

将所述土壤湿度传感器读数与所述土地状态预测模型输出的植被覆盖变化概率进行对比，确定湿度偏差系数；

根据所述光照强度监测值对所述湿度偏差系数进行加权修正，生成环境校准因子；

将所述环境校准因子叠加至所述土地状态预测模型的输出层，以动态调整未来时间段内的土壤退化风险评估结果。

7.根据权利要求1所述的基于土地测量数据的预测模型训练方法，其特征在于，所述方法还包括：当检测到目标地理区块的土壤退化风险评估结果超过预设阈值时，生成土地治理方案推荐列表；

提取所述土地治理方案推荐列表中各方案所需的资源消耗数据及预期效果数据，构建多目标优化决策模型；

根据当前可用资源库存数据及环境承载能力约束条件，从所述多目标优化决策模型中筛选最优土地治理方案并输出至用户终端。

8.根据权利要求7所述的基于土地测量数据的预测模型训练方法，其特征在于，所述生成土地治理方案推荐列表，包括：查询历史土地治理案例库中与当前土壤退化类型匹配的成功案例数据；

分析所述成功案例数据中采用的治理技术路径、材料配比参数及实施周期信息；

结合目标地理区块的地形坡度数据及水源分布数据，对所述治理技术路径进行适应性改造，生成包含优先级排序的多个候选治理方案；

将所述候选治理方案与实时气象预报数据进行匹配度评估，剔除不符合气候条件的方案以形成所述土地治理方案推荐列表。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有机器可执行指令，所述机器可执行指令被计算机执行时实现权利要求1‑8中任意一项所述的基于土地测量数据的预测模型训练方法。

10.一种基于土地测量数据的预测模型训练系统，其特征在于，包括处理器以及计算机可读存储介质，所述计算机可读存储介质中存储有机器可执行指令，所述机器可执行指令被计算机执行时实现权利要求1‑8中任意一项所述的基于土地测量数据的预测模型训练方法。