一种基于深度学习代理模型的玉米生长过程模拟方法
本发明涉及智慧农业,具体为一种基于深度学习代理模型的玉米生长过程模拟方法。
背景技术:
1、现有玉米生长模拟方法主要分为两类,一类是基于机理的作物生长模型,如apsim、dssat等,通过描述光合作用、蒸腾、养分循环等生理生态过程,模拟作物在气象、土壤和管理条件下的生长发育动态,另一类是机器学习方法,如人工神经网络、随机森林、支持向量机等,通过建立气象、土壤、管理及品种特征与生长指标之间的非线性映射关系,实现快速预测,两类方法各有侧重,前者强调过程机理,后者注重数据驱动的高效计算。
2、作物模型方法通常需要在实际玉米生产中对品种参数进行校准标定,该过程耗时较长,当应用尺度由单点扩展至区域时,需针对大量样点重复进行参数率定和模型迭代,导致模拟工作量呈指数级增长,难以满足区域尺度快速模拟需求,机器学习方法纯数据驱动,严重依赖大量高质量田间实测数据,而玉米田间观测成本高、周期长、频次有限,导致小样本下泛化能力不足,且缺乏作物生长机理约束,易出现模拟结果虽接近观测值但生长过程偏离生理规律的问题。
3、在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本发明的目的在于提供一种基于深度学习代理模型的玉米生长过程模拟方法,以解决上述背景技术中提出的问题。
2、为实现上述目的,本发明提供如下技术方案:
3、一种基于深度学习代理模型的玉米生长过程模拟方法,其特征在于,具体步骤包括:
4、s1、获取玉米敏感品种参数及其合理取值范围,进行随机采样生成多组品种参数组合,将各品种参数组合与不同区域的气象条件、土壤条件以及田间管理条件进行组合,构建玉米生长模拟情景,将各模拟情景输入apsim作物模型进行批量模拟,获得由玉米生长机理规则约束的合成数据;
5、s2、基于合成数据对人工智能代理模型进行预训练,所述人工智能代理模型采用gru层、位置编码层、transformer编码器层、自适应池化层、共享特征提取层以及多任务输出头构建,以合成数据中的输入端数据作为模型输入,以合成数据中的输出端数据作为模型输出,通过联合优化监督损失和物理约束损失,训练获得预训练代理模型;
6、s3、获取待模拟区域的玉米田间实测数据,利用玉米田间实测数据对预训练代理模型进行迁移微调,获得校正代理模型;
7、s4、基于校正代理模型对待模拟玉米的品种参数进行优化,在品种参数取值空间内生成候选品种参数组合,将各候选品种参数组合与对应该田块的气象数据、土壤数据及田间管理数据共同拼接为模型输入,批量输入校正代理模型进行前向推理,得到各候选品种参数组合对应的模拟输出,构建联合优化目标函数,搜索使联合优化目标函数最小的品种参数组合,获得优选品种参数;
8、s5、将优选品种参数与区域尺度环境数据输入校正代理模型,进行前向推理,获取区域玉米生长模拟结果;
9、s6、输出区域玉米生长模拟结果。
10、进一步地,s1中,所述敏感品种参数包括出苗到结束幼穗分化的积温、旗叶到开花的积温、开花到成熟的积温、光周期敏感性斜率、潜在粒重、光能利用率、叶片死亡速率斜率、最大籽粒数系数,所述田间管理条件包括低氮、正常、高氮氮肥处理,以及低密度、正常密度、密植种植密度,所述合成数据输入端包括气象数据、土壤数据、田间管理数据、品种参数,所述合成数据输出端包括叶面积指数时间序列、地上部生物量时间序列、生育期时间序列、最终产量。
11、进一步地,所述gru层用于提取玉米生长过程中相邻时间步之间的局部时序特征,所述位置编码层用于为gru提取的特征序列注入时序位置信息,所述transformer编码器层用于建立不同生长时期之间的长距离时序依赖关系,所述自适应池化层用于提取固定维度的全局特征向量,所述共享特征提取层用于提取共享的深层生长特征,所述多任务输出头包括产量头、叶面积指数时序头、地上部生物量时序头、生育期时序头,所述产量头输出最终产量标量,各时序头输出对应生长状态变量的逐日时间序列。
12、进一步地,模型预训练总损失为监督损失与物理约束损失的加权和,所述监督损失为产量、生育期、叶面积指数、地上部生物量四项损失的加权组合,所述产量损失采用均方误差计算。
13、进一步地,所述物理约束损失为叶面积指数衰老期递减约束损失、生育期单调递增约束损失、地上部生物量单调递增约束损失的加权和,所述叶面积指数衰老期递减约束用于惩罚叶面积指数峰值后异常回升的预测结果,所述生育期单调递增约束用于惩罚生育期阶段回退的预测结果,所述地上部生物量单调递增约束用于惩罚生物量负增长的预测结果。
14、进一步地,迁移微调采用分层冻结微调策略,冻结预训练模型中gru层、transformer编码器层、位置编码层及自适应池化层的参数,仅更新共享特征提取层和各任务输出头的参数,微调损失函数与s2中预训练损失函数保持一致。
15、进一步地,所述s4中,所述联合优化目标函数为叶面积指数、地上部生物量、生育期模拟值与实测值均方误差的加权和,通过遍历品种参数取值空间,筛选得到使联合优化目标函数取值最小的优选品种参数。
16、与现有技术相比,本发明的有益效果是:
17、1、本发明利用作物生长模型批量生成具有机理约束的合成数据,对人工智能代理模型进行预训练,从而大幅降低对大规模田间实测数据的依赖,解决田间数据获取成本高、周期长的问题,构建基于叶面积指数、地上部生物量和生育期多表型时序的联合优化目标函数,提高前向推理效率,并实现对品种参数的高效精准率定,解决区域尺度参数率定耗时的问题,训练完成的代理模型可将传统作物生长模型的复杂计算转化为毫秒级的前向推理,在区域尺度应用时无需重复执行完整的作物模型计算,有效减少计算开销,实现生长过程与最终产量的一体化模拟。
18、2、在预训练基础上,引入生物量单调递增、生育期单调递增、叶面积衰老期递减等物理约束,使代理模型输出符合玉米生长生理规律,有效减少生育期顺序异常、生长状态变量不合理等问题,提高模拟结果的过程合理性,通过少量田间实测数据对预训练模型进行分层冻结迁移微调,使代理模型在保留作物模型普适性生长规律的同时,学习真实生产条件下作物模型未能描述的偏差,兼顾机理性与适应性。
1.一种基于深度学习代理模型的玉米生长过程模拟方法,其特征在于,具体步骤包括:
2.根据权利要求1所述的基于深度学习代理模型的玉米生长过程模拟方法,其特征在于,s1中,所述敏感品种参数包括出苗到结束幼穗分化的积温、旗叶到开花的积温、开花到成熟的积温、光周期敏感性斜率、潜在粒重、光能利用率、叶片死亡速率斜率、最大籽粒数系数,所述田间管理条件包括低氮、正常、高氮氮肥处理,以及低密度、正常密度、密植种植密度,所述合成数据输入端包括气象数据、土壤数据、田间管理数据、品种参数,所述合成数据输出端包括叶面积指数时间序列、地上部生物量时间序列、生育期时间序列、最终产量。
3.根据权利要求1所述的基于深度学习代理模型的玉米生长过程模拟方法,其特征在于,所述gru层用于提取玉米生长过程中相邻时间步之间的局部时序特征,所述位置编码层用于为gru提取的特征序列注入时序位置信息,所述transformer编码器层用于建立不同生长时期之间的长距离时序依赖关系,所述自适应池化层用于提取固定维度的全局特征向量,所述共享特征提取层用于提取共享的深层生长特征,所述多任务输出头包括产量头、叶面积指数时序头、地上部生物量时序头、生育期时序头,所述产量头输出最终产量标量,各时序头输出对应生长状态变量的逐日时间序列。
4.根据权利要求1所述的基于深度学习代理模型的玉米生长过程模拟方法,其特征在于,模型预训练总损失为监督损失与物理约束损失的加权和,所述监督损失为产量、生育期、叶面积指数、地上部生物量四项损失的加权组合,所述产量损失采用均方误差计算。
5.根据权利要求1所述的基于深度学习代理模型的玉米生长过程模拟方法,其特征在于,所述物理约束损失为叶面积指数衰老期递减约束损失、生育期单调递增约束损失、地上部生物量单调递增约束损失的加权和,所述叶面积指数衰老期递减约束用于惩罚叶面积指数峰值后异常回升的预测结果,所述生育期单调递增约束用于惩罚生育期阶段回退的预测结果,所述地上部生物量单调递增约束用于惩罚生物量负增长的预测结果。
6.根据权利要求1所述的基于深度学习代理模型的玉米生长过程模拟方法,其特征在于,迁移微调采用分层冻结微调策略,冻结预训练模型中gru层、transformer编码器层、位置编码层及自适应池化层的参数,仅更新共享特征提取层和各任务输出头的参数,微调损失函数与s2中预训练损失函数保持一致。
7.根据权利要求1所述的基于深度学习代理模型的玉米生长过程模拟方法,其特征在于,所述s4中,所述联合优化目标函数为叶面积指数、地上部生物量、生育期模拟值与实测值均方误差的加权和,通过遍历品种参数取值空间,筛选得到使联合优化目标函数取值最小的优选品种参数。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com