基于多目标优化的农业糠醛渣施用方法与流程
本发明属于农业废弃物资源化利用,具体涉及基于多目标优化的农业糠醛渣施用方法。
背景技术:
1、糠醛生产过程以玉米芯、甘蔗渣、稻壳及其他富含半纤维素的生物质材料为原料,通过水解和脱水反应制取糠醛。糠醛生产过程产生的糠醛渣包含纤维素、木质素及未完全分解的有机物质,并含有一定量的氮、磷、钾、钙及其他矿质元素。经过质量检测和必要处理的糠醛渣能够作为有机物料进入农业土壤,从而补充土壤有机质并改变土壤结构。
2、不同生产原料、反应条件、洗涤程度、堆存时间和后处理方式会使不同批次糠醛渣在含水率、酸碱度、电导率、残余游离酸含量、残余糠醛含量、有机质含量、养分含量及重金属含量方面产生差异。固定施用量不能反映糠醛渣批次差异。对于土壤酸碱度、土壤缓冲容量和土壤盐分状态不同的地块,同一批次糠醛渣对应的安全施用量也不相同。
3、公开号为cn102173905b的专利公开一种压砂地西瓜专用生物有机肥及其制造方法和施用方法,施用方案针对特定作物和土壤条件设置固定配方、固定施用量和固定施用位置。公开号为cn109748727a的专利公开一种水稻用多维锌硒有机肥及其制作方法和施用方法,施用方案按照基肥、分蘖肥和穗肥阶段设置施用量。固定配方和固定阶段施用能够满足相应作物场景的基本施肥需求,但不能根据糠醛渣批次性质、目标地块实时状态、作物生长状态及气象变化自动调整糠醛渣施用方案。
4、现有农业施肥决策方法能够根据土壤养分、作物生育阶段、气象条件和目标产量计算肥料需求量,部分农业施肥决策方法能够根据遥感数据、土壤数据或作物长势数据形成变量施肥处方。现有多目标优化方法还能够通过遗传算法在产量、成本和环境指标之间形成非支配解集。
5、但是,直接将通用施肥决策方法用于糠醛渣施用仍存在以下问题。
6、糠醛渣不是组成稳定的标准化化学肥料。糠醛渣批次性质会影响土壤酸碱度、土壤盐分、有机质补充量和污染物输入风险。未将糠醛渣批次属性作为优化输入时,优化模型无法建立候选施用量与土壤安全状态之间的对应关系。
7、土壤有机质提升率、土壤孔隙度改善率、有效态重金属含量降低率和养分淋溶减少率均属于施用后状态指标。施用方案制定发生在实际施用之前。未建立候选施用方案对应的状态预测过程时,优化模型不能在施用前获得不同候选施用方案的可比较目标值。农业物料施用具有不可逆性。一次施入土壤的糠醛渣不能通过下一次优化撤回。周期性重新计算施用方案时,如果不区分生育周期总施用量、实际累计施用量和本轮追加施用量,重新计算容易重复输出全周期施用量。作业机械的计划施用量与实际施用量之间还可能存在误差。仅根据土壤状态偏差更新预测模型,会把机械执行误差错误地归入土壤响应模型,降低后续施用方案的准确性。
技术实现思路
1、本发明的目的在于提供基于多目标优化的农业糠醛渣施用方法,以解决不同糠醛渣批次和不同目标地块条件下固定施用量不能反映安全施用范围、施用前无法直接取得施用后评价指标以及周期性优化可能导致累计施用量超过安全上限的技术问题。
2、为解决上述技术问题,本发明所采用的技术方案是:
3、基于多目标优化的农业糠醛渣施用方法,包括数据获取与预处理、施用响应预测与目标计算、动态偏好权重生成、多目标优化求解以及施用执行与反馈更新五个连续步骤。
4、数据获取与预处理步骤获取目标地块的土壤状态数据、目标作物的作物状态数据、目标地块所在区域的气象数据、目标地块的历史施用响应数据、待施用糠醛渣的糠醛渣批次属性数据以及作业机械参数。
5、土壤状态数据包括土壤在线监测数据和土壤取样分析数据。土壤在线监测数据包括土壤含水量、土壤温度、土壤酸碱度和土壤电导率。土壤取样分析数据包括土壤有机质含量、土壤全氮含量、土壤有效磷含量、土壤速效钾含量、土壤孔隙度、土壤团聚体稳定性、土壤缓冲容量、土壤重金属总量和土壤有效态重金属含量。
6、作物状态数据包括作物种类、作物品种、作物生育阶段、叶面积指数、归一化植被指数、叶绿素指数、株高、冠层体积、生物量估计值和历史单位面积产量。
7、气象数据包括气温、空气湿度、降水量、日照时数、风速、蒸散量以及未来预设时段的气象预报数据。
8、糠醛渣批次属性数据包括糠醛渣含水率、糠醛渣酸碱度、糠醛渣电导率、糠醛渣有机质含量、糠醛渣总氮含量、糠醛渣总磷含量、糠醛渣总钾含量、糠醛渣碳氮比、糠醛渣残余游离酸含量、糠醛渣残余糠醛含量、糠醛渣重金属含量和糠醛渣处理状态。
9、作业机械参数包括额定装载容量、作业幅宽、最小稳定施用量、最大稳定施用量、施用量标定系数、最小转向半径和可执行施用方式。
10、对多源数据执行时间对齐、异常数据处理、缺失数据处理和量纲统一处理后形成目标地块状态向量。目标地块状态向量表示为:
11、
12、其中,表示第个决策时刻的目标地块状态向量;表示第个决策时刻的土壤状态子向量;表示第个决策时刻的作物状态子向量;表示第个决策时刻的气象状态子向量;表示第个决策时刻的糠醛渣批次属性子向量;表示第个决策时刻的作业机械参数子向量。
13、不同采样频率的数据按照决策时刻执行对齐。连续在线监测数据采用时间窗平均值、中位值、最大值、最小值和变化速率形成时间窗特征。低频土壤取样分析数据在相邻两个取样时刻之间保持最近一次有效分析结果,并通过施用响应预测模型更新对应状态估计值。
14、作为本发明的一个优选技术方案,异常数据处理包括量程检查、变化速率检查、连续不变检查和多源一致性检查。量程检查用于判断监测值是否落入设备有效测量范围。变化速率检查用于判断相邻监测值的变化量是否超过根据历史数据分位值确定的变化速率上限。连续不变检查用于识别传感器输出长时间保持同一数值的故障状态。多源一致性检查用于比较土壤含水量、降水量、灌溉记录及作物蒸散量之间的关系。
15、作为本发明的一个优选技术方案,缺失数据处理按照缺失持续时间选择处理方式。缺失持续时间小于一个数据对齐周期时采用线性插值。缺失持续时间大于或等于一个数据对齐周期且小于预设最长填补时长时,采用相同作物生育阶段和相近气象条件下的历史中位值填补。缺失持续时间达到预设最长填补时长时,对应数据项标记为无效,并禁止依赖对应数据项的施用方案自动执行。
16、量纲统一采用基于训练数据统计量的标准化方法:
17、
18、其中,表示第个决策时刻第个数据项的标准化值;表示第个决策时刻第个数据项的原始值;表示训练数据中第个数据项的均值;表示训练数据中第个数据项的标准差。
19、当小于预设最小标准差时,第个数据项不参与标准化模型训练,以防止除数过小造成数值放大。
20、作为本发明的一个优选技术方案,候选施用方案包括糠醛渣施用量、施用时机和施用方式。候选施用方案表示为:
21、
22、其中,表示第个决策时刻的第个候选施用方案;表示第个候选施用方案对应的候选施用量;表示第个候选施用方案对应的候选施用时机;表示第个候选施用方案对应的候选施用方式。
23、候选施用方式至少包括撒施、条施和穴施。撒施对应将糠醛渣分布于施用管理分区表面并通过翻耕与表层土壤混合。条施对应沿作物种植行或预定种植行形成连续施用带。穴施对应在离散目标位置形成局部施用点。施用方式编码仅用于优化计算,输出至作业机械时转换为对应施用部件工作模式。
24、施用响应预测模型根据目标地块状态向量和候选施用方案预测预设预测时域末端的状态。预测状态向量表示为:
25、
26、其中,表示第个决策时刻第个候选施用方案对应的预测状态向量;表示施用响应预测模型;表示第个决策时刻的目标地块状态向量;表示第个决策时刻的第个候选施用方案。
27、预测状态向量包括预测单位面积作物产量、预测土壤有机质含量、预测土壤孔隙度、预测土壤团聚体稳定性、预测土壤酸碱度、预测土壤电导率、预测有效态重金属含量和预测养分淋溶量。
28、施用响应预测模型包括多个输出目标相互独立的回归子模型。每一个回归子模型可以采用正则化多项式回归模型、梯度提升回归模型、随机森林回归模型或多个回归模型组成的集成模型。训练样本包括施用前目标地块状态向量、实际施用方案、实际气象过程以及预设预测时域末端的实测状态标签。
29、作为本发明的一个优选技术方案,对于第个输出目标,采用梯度提升回归模型时,预测结果表示为:
30、
31、其中,表示第个输出目标的预测值;表示训练样本中第个输出目标的初始均值;表示第个输出目标对应的弱学习器数量;表示第个输出目标对应的学习率;表示第个输出目标对应的第个回归树;表示由目标地块状态向量和候选施用方案组成的模型输入向量。
32、施用响应预测模型的训练目标表示为:
33、
34、其中,表示施用响应预测模型的训练损失;表示训练样本数量;表示输出目标数量;表示第个输出目标的训练权重;表示第个训练样本的第个实测状态标签;表示第个训练样本的第个预测状态;表示正则化系数;表示第个回归子模型的复杂度惩罚项。
35、训练样本按照地块和作物生育周期进行分组,避免同一地块同一生育周期的数据同时进入训练集和测试集。训练集用于拟合模型参数,验证集用于确定模型深度、学习率、弱学习器数量和正则化系数,测试集用于计算预测误差。预测误差超过对应输出目标的允许误差时,对应输出目标不进入自动优化流程,并输出补充取样或模型重新训练标识。
36、作物产量目标值根据预测单位面积作物产量计算。土壤改良效果目标值根据预测土壤有机质变化、预测土壤孔隙度变化和预测土壤团聚体稳定性计算。环境效益目标值根据预测有效态重金属含量变化和预测养分淋溶量变化计算。经济效益目标值根据糠醛渣获取成本、运输成本、处理成本、作业成本、监测成本及预测产量收益计算。
37、为统一目标方向,将四个目标转换为最小化目标向量:
38、
39、其中,表示第个决策时刻第个候选施用方案对应的多目标向量;表示作物产量目标值;表示土壤改良效果目标值;表示环境效益目标值;表示经济成本目标值;负号用于把最大化目标转换为最小化目标。
40、作物产量目标值表示为:
41、
42、其中,表示作物产量目标值;表示第个候选施用方案对应的预测单位面积作物产量;表示历史有效样本中的单位面积作物产量下边界;表示历史有效样本中的单位面积作物产量上边界。
43、土壤改良效果目标值表示为:
44、
45、其中,表示土壤改良效果目标值;表示土壤有机质变化指标的内部权重;表示第个候选施用方案对应的无量纲土壤有机质变化指标;表示土壤孔隙度变化指标的内部权重;表示第个候选施用方案对应的无量纲土壤孔隙度变化指标;表示土壤团聚体稳定性指标的内部权重;表示第个候选施用方案对应的无量纲土壤团聚体稳定性指标;。
46、土壤有机质变化指标表示为:
47、
48、其中,表示无量纲土壤有机质变化指标;表示第个候选施用方案对应的预测土壤有机质含量;表示第个决策时刻的土壤有机质含量;表示根据目标作物、目标土壤类型和历史高产地块确定的土壤有机质目标值;表示把计算结果限制在零至一范围内的截断函数。
49、作为本发明的一个优选技术方案,土壤孔隙度变化指标和土壤团聚体稳定性指标采用与土壤有机质变化指标相同的目标区间归一化方式计算,从而避免不同量纲指标直接相加。
50、环境效益目标值表示为:
51、
52、其中,表示环境效益目标值;表示有效态重金属变化指标的内部权重;表示第个候选施用方案对应的无量纲有效态重金属变化指标;表示养分淋溶变化指标的内部权重;表示第个候选施用方案对应的无量纲养分淋溶变化指标;。
53、未设置有效态重金属监测项目的目标地块,环境效益目标值使用养分淋溶量、土壤电导率和养分利用效率计算。设置温室气体通量监测设备并具有足够历史样本时,能够增加温室气体排放指标。未形成对应监测和预测模型时,不把温室气体排放指标作为必选目标。
54、经济成本目标值表示为:
55、
56、其中,表示经济成本目标值;表示糠醛渣获取成本;表示运输成本;表示中和、腐熟或复配处理成本;表示机械作业成本;表示检测和监测成本;表示根据预测产量变化和预设产品价格计算的产量收益。
57、作为本发明的一个优选技术方案,经济成本目标只用于施用方案技术参数的机器计算,不改变土壤安全约束的优先级。任何违反土壤酸碱度约束、土壤污染风险约束或作业机械约束的候选施用方案均不因经济成本较低而进入帕累托最优解集。
58、糠醛渣批次安全施用上限按照多个单项允许施用量确定:
59、
60、其中,表示第个决策时刻的糠醛渣批次安全施用上限;表示根据土壤酸碱度和土壤缓冲容量确定的允许施用量;表示根据土壤电导率上限确定的允许施用量;表示根据糠醛渣重金属输入量和农用地风险管控要求确定的允许施用量;表示根据氮素投入上限确定的允许施用量;表示根据磷素投入上限确定的允许施用量;表示根据作业机械容量和单次作业面积确定的允许施用量。
61、各单项允许施用量的取值来源包括适用的农用地土壤污染风险管控要求、肥料中有毒有害物质限量要求、目标作物农艺参数、目标地块历史响应数据和作业机械额定参数。法律法规和强制性标准对应的限值优先于历史数据和经验参数。
62、作为本发明的一个优选技术方案,动态偏好权重根据作物生育阶段建立。阶段性偏好权重表示为:
63、
64、其中,表示第个决策时刻的阶段性偏好权重;表示作物产量目标的阶段性偏好权重;表示土壤改良效果目标的阶段性偏好权重;表示环境效益目标的阶段性偏好权重;表示经济效益目标的阶段性偏好权重;四个阶段性偏好权重之和为一。
65、动态偏好权重修正表示为:
66、
67、其中,表示第个决策时刻第个目标的动态偏好权重;表示根据土壤含水量和气象条件确定的第个目标权重修正量;表示第个决策时刻第个目标的权重修正量;表示第个决策时刻第个目标的阶段性偏好权重,表示第个决策时刻第个目标的阶段性偏好权重。
68、动态偏好权重用于帕累托最优解集的偏好选择,不用于把四个目标函数预先合成为单一目标函数。非支配排序遗传算法始终分别比较四个目标,从而保留不同目标之间的非支配关系。
69、作为本发明的一个优选技术方案,非支配排序遗传算法的个体编码包括候选施用量、候选施用时机和候选施用方式。对于设置滴灌协同控制的实施例,个体编码还能够包括灌溉量和灌溉时间。新增决策变量只用于对应实施例,不改变糠醛渣施用量、施用时机和施用方式三个基本决策变量。
70、非支配排序遗传算法包括种群初始化、约束校验、目标函数计算、快速非支配排序、拥挤度计算、选择、交叉、变异及终止判断。种群规模、最大迭代次数、交叉概率和变异概率根据决策变量数量及验证集求解结果确定。
71、作为本发明的一个优选技术方案,对于同一非支配层级中的个体,拥挤度距离表示为:
72、
73、其中,表示按照第个目标排序后第个个体的拥挤度距离累计值;表示第个目标下与第个个体相邻的后一个体目标值;表示第个目标下与第个个体相邻的前一个体目标值;表示当前非支配层级内第个目标的最大值;表示当前非支配层级内第个目标的最小值。
74、算法终止条件包括达到预设最大迭代次数,或者连续预设代数内帕累托前沿的超体积变化率低于预设变化阈值。算法终止后输出帕累托最优解集。
75、层次分析判断矩阵根据动态偏好权重构建。判断矩阵表示为:
76、
77、其中,表示第个决策时刻的层次分析判断矩阵;表示第个目标相对于第个目标的重要度比值;;表示第个目标的动态偏好权重;表示第个目标的动态偏好权重。
78、根据动态偏好权重比值形成的判断矩阵具有互反关系。仍对判断矩阵执行一致性检验,以识别输入权重错误或矩阵构建错误。判断矩阵一致性比例大于预设一致性阈值时,不执行目标施用方案输出。
79、作为本发明的一个优选技术方案,对帕累托最优解集中每一个非支配解的目标值执行零至一归一化后计算综合评分:
80、
81、其中,表示第个决策时刻第个非支配解的综合评分;表示第个决策时刻第个非支配解在第个目标上的归一化收益值;表示第个决策时刻第个目标的动态偏好权重。
82、实际累计施用量表示为:
83、
84、其中,表示第个决策时刻之前当前作物生育周期内的实际累计施用量;表示第次施用操作对应的实际施用量;表示已经执行的施用操作序号。
85、本轮追加施用量表示为:
86、
87、其中,表示第个决策时刻的本轮追加施用量;表示目标施用方案给出的计划追加施用量;表示第个决策时刻的糠醛渣批次安全施用上限;表示当前作物生育周期内的实际累计施用量。
88、作为本发明的一个优选技术方案,作业机械执行施用后记录实际施用量、施用位置、施用时间、作业速度和施用部件工作状态。计划施用量与实际施用量之间的差值形成施用执行误差:
89、
90、其中,表示第次施用操作的施用执行误差;表示第次施用操作的实际施用量;表示第次施用操作的本轮追加施用量。
91、将实际施用量重新输入施用响应预测模型,获得校正预测状态。校正预测状态与施用后实测状态之间的差值形成模型预测误差:
92、
93、其中,表示第次施用操作对应的模型预测误差向量;表示第次施用操作后下一监测时刻的实测状态向量;表示把实际施用量输入施用响应预测模型获得的校正预测状态向量。
94、施用执行误差用于更新作业机械的施用量标定系数。模型预测误差用于更新施用响应预测模型。两类误差分开处理,避免把机械出料波动造成的状态偏差归入施用响应预测模型。
95、与现有技术相比,本发明具有以下有益效果:
96、本发明通过糠醛渣批次属性数据建立候选施用量的安全施用范围,使不同批次糠醛渣的酸碱度、电导率、残余游离酸含量、养分含量及重金属含量能够进入施用量约束,能够排除不满足目标地块土壤安全范围的候选施用方案。通过施用响应预测模型建立候选施用方案与预测作物状态、预测土壤状态及预测环境状态之间的对应关系,使土壤有机质变化、土壤孔隙度变化、有效态重金属变化和养分淋溶变化能够在实际施用前用于多目标比较。采用非支配排序遗传算法保留作物产量、土壤改良效果、环境效益和经济效益之间的多目标权衡关系,并根据作物生育阶段、土壤含水量和气象条件生成动态偏好权重,从帕累托最优解集中选择符合当前地块状态的目标施用方案。
97、本发明根据实际累计施用量计算本轮追加施用量,使周期性重新优化不会重复输出当前作物生育周期的全量施用量,能够限制实际累计施用量不超过糠醛渣批次安全施用上限。本发明分别计算施用执行误差和模型预测误差,施用执行误差用于修正作业机械参数,模型预测误差用于更新施用响应预测模型,能够减少两类误差相互混淆造成的错误参数更新。
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