基于多目标优化农田磷素损失阻控技术智能决策集成方法

摘要: 本发明涉及农田磷素阻控,特别是涉及一种基于多目标优化农田磷素损失阻控技术智能决策集成方法。背景技术:1、农田磷素流失是导致水体富营养化的主要农业面源污染源之一,...
基于多目标优化农田磷素损失阻控技术智能决策集成方法

本发明涉及农田磷素阻控,特别是涉及一种基于多目标优化农田磷素损失阻控技术智能决策集成方法。

背景技术:

1、农田磷素流失是导致水体富营养化的主要农业面源污染源之一,对流域水质安全及生态平衡构成严重威胁。传统的农田磷素管理方法,往往依赖于经验性的施肥推荐或单一技术措施(如减少施磷量、推广免耕等),缺乏对“土壤-作物-水环境”这一复杂系统中磷素迁移转化全过程的系统考量。

2、现有技术存在以下不足:第一,影响磷素流失的环境参数(如土壤理化性质、气象条件)与农事操作信息(如施肥、耕作)往往是多源、异构的,且难以在时间和空间尺度上有效对齐,导致数据驱动决策的基础不牢。第二,磷素流失的预测模型要么基于物理机理(如apex、epic模型),虽然物理意义明确但参数繁多、计算复杂;要么纯数据驱动,虽然拟合能力强但缺乏物理一致性,容易在边界条件下产生不合理预测。第三,现有的技术决策方法多为单目标优化(如仅追求磷流失最小化),未能有效平衡磷素阻控、作物产量维持与经济效益最大化等多重相互冲突的目标,导致推荐的措施方案在实际生产中难以落地。第四,技术措施的筛选与组合缺乏系统性的工具库和量化编码方法,决策过程高度依赖个人经验,难以实现自动化、智能化的方案生成与推荐。

3、因此,亟需一种能够整合多源异构数据、精准预测磷素流失风险、并能在多目标冲突下智能生成最优技术措施组合的决策集成方法,以实现农田磷素的高效、精准、可持续管理。

技术实现思路

1、本发明的目的是提供一种基于多目标优化农田磷素损失阻控技术智能决策集成方法,旨在解决上述问题中的一种或多种。

2、本发明提供了一种基于多目标优化农田磷素损失阻控技术智能决策集成方法,包括:

3、获取农田的环境参数和农事信息,对所述环境参数和农事信息进行预处理,得到对齐后的多源异构特征向量,所述多源异构特征向量包括环境参数向量和农事信息向量;

4、将所述多源异构特征向量输入预先训练的磷素损失预测模型,得到磷素流失负荷预测值,并基于所述磷素流失负荷预测值确定磷素流失风险等级;

5、构建农田磷素源头减控技术措施库,并对各技术措施进行离散化编码,形成决策变量向量;

6、构建多目标优化模型,将所述磷素流失负荷预测值和决策变量向量输入多目标优化模型,以磷素流失最小化、作物产量维持、经济效益最大化为优化目标进行求解,得到最优解集;

7、基于所述最优解集对应的目标函数值确定每一最优解集的综合评分,基于所述综合评分对所述最优解集进行排序,确定推荐方案,并根据所述推荐方案进行农事指导操作。

8、优选的,对所述环境参数和农事信息进行预处理时,所述预处理包括数据清洗、归一化处理、缺失值填充和空间时序对齐处理;

9、所述环境参数包括土壤磷素含量、土壤ph值、土壤质地、土壤有机质含量、土壤铁铝氧化物含量和气象数据;

10、所述农事信息包括作物类型、农业措施和历史施肥记录。

11、优选的,所述磷素损失预测模型包括基于物理机理的过程驱动子模型、基于机器学习的数据驱动代理子模型和模型融合机制;

12、所述过程驱动子模型采用apex模型或epic模型,用于模拟磷素在土壤-水体界面的迁移转化全过程;所述数据驱动代理子模型采用随机森林与长短期记忆神经网络的混合模型架构;所述模型融合机制采用贝叶斯模型平均方法或堆叠泛化方法,将过程驱动子模型的物理一致性与机器学习子模型的数据拟合能力进行加权融合。

13、优选的,基于所述磷素流失负荷预测值确定磷素流失风险等级,包括:

14、所述磷素流失负荷预测值包括径流颗粒态磷负荷、径流溶解态磷负荷、淋溶磷负荷和磷总负荷;

15、根据所述磷总负荷确定磷素流失风险等级,具体为:

16、预先设定第一磷总负荷、第二磷总负荷和第三磷总负荷,所述第一磷总负荷、第二磷总负荷和第三磷总负荷依次增大;

17、若所述磷总负荷小于所述第一磷总负荷,则设定所述磷素流失风险等级为低风险等级;

18、若所述磷总负荷大于或等于所述第一磷总负荷,且所述磷总负荷小于所述第二磷总负荷,则设定所述磷素流失风险等级为中风险等级;

19、若所述磷总负荷大于或等于所述第二磷总负荷,且所述磷总负荷小于所述第三磷总负荷,则设定所述磷素流失风险等级为高风险等级;

20、若所述磷总负荷大于或等于所述第三磷总负荷,则设定所述磷素流失风险等级为极高风险等级。

21、优选的,构建农田磷素源头减控技术措施库,并对各技术措施进行离散化编码,形成决策变量向量,包括:

22、所述农田磷素源头减控技术措施库包括若干技术类别,每一技术类别对应有若干技术措施;

23、对每一技术措施赋予离散化编码值,所述编码值采用二进制编码或整数编码,其中二进制编码用于表示对应的技术措施采用或不采用,整数编码用于表示对应的措施所采用的不同级别或强度;

24、将所有技术措施的编码值按照预设的固定顺序排列,组合形成决策变量向量。

25、优选的,所述技术类别包括施肥调控类、耕作管理类、土壤改良类和径流拦截类;

26、所述施肥调控类对应的技术措施包括:依磷施肥策略、磷肥形态优化和磷肥施用方式;

27、所述耕作管理类对应的技术措施包括:覆盖作物种植、少免耕、等高种植与横坡耕作;

28、所述土壤改良类对应的技术措施包括:利用生物炭或fgd石膏或氧化铁纳米材料增强土壤磷素固持能力、调酸增效;

29、所述径流拦截类对应的技术措施包括:植被缓冲带、生态沟渠和人工湿地。

30、优选的,所述多目标优化模型的约束条件为产量约束、成本约束和磷肥施用量约束。

31、优选的,基于所述最优解集对应的目标函数值确定每一最优解集的综合评分,包括:

32、所述最优解集中的每个解对应一个技术措施组合方案,并附有对应技术措施组合方案在多个优化目标上的目标函数值;

33、对所述最优解集中的每个解执行强制性约束过滤,剔除违反预设强制性约束条件的解,得到可行解子集;

34、确定用户的决策偏好参数,采用层次分析法确定各优化目标的权重系数;所述权重系数根据用户需求或政策导向动态调整。

35、对所述可行解子集中的每个解进行多维度加权综合评分,确定每一最优解集的综合评分。

36、优选的,基于所述综合评分对所述最优解集进行排序,确定推荐方案,包括:

37、根据所述综合评分对所述可行解子集进行降序排序,并将排位第一位的可行解子集设定为推荐方案,将排位第二位至第五位的可行解子集设定为备选方案,并将推荐方案与备选方案输出供用户选择;

38、若用户手动选择备选方案时,则将对应的备选方案设定为推荐方案,并记录用户选择行为。

39、优选的,所述方法还包括:采集执行推荐方案后的农田环境参数和磷素流失监测数据,进行生态验证与模型迭代优化,并将验证结果反馈至磷素损失预测模型和多目标优化模型,进行闭环迭代循环。

40、与现有技术相比,本发明的有益效果在于,本发明通过“对多源异构环境参数与农事信息进行预处理形成对齐后的特征向量”,有效解决了数据来源多样、格式不一、时空不匹配的问题。数据清洗、归一化、缺失值填充及空间时序对齐等操作,显著提升了输入数据的质量和一致性,为后续模型的高精度预测奠定了坚实基础。特别是引入了土壤铁铝氧化物含量等关键理化参数,增强了对磷素固持与释放机制的刻画能力。

41、通过采用“过程驱动子模型与数据驱动代理子模型融合的磷素损失预测模型”,兼具了物理机理模型的鲁棒性和可解释性,以及机器学习模型的高精度拟合能力。贝叶斯模型平均或堆叠泛化的融合机制,使得模型在数据丰富区域能发挥机器学习优势,在数据稀疏区域又能受物理规律约束,从而整体上大幅提升了磷素流失负荷(尤其是径流颗粒态/溶解态磷、淋溶磷及总磷)的预测准确性。结合明确的分级阈值,能够科学、量化地输出磷素流失风险等级,为决策者提供清晰的风险认知。

42、通过构建“农田磷素源头减控技术措施库”并对各技术措施进行“离散化编码形成决策变量向量”,首次将施肥调控、耕作管理、土壤改良、径流拦截等四大类、多种具体技术措施转化为二进制或整数编码,实现了定性措施的定量化表征。这使得复杂的农艺措施组合问题,转化为标准的多目标优化数学问题,为后续智能求解铺平了道路。

43、通过构建以“磷素流失最小化、作物产量维持、经济效益最大化”为优化目标的多目标优化模型,并引入产量、成本、施肥量等实际约束,本发明能够同时搜寻、权衡多个相互冲突的目标。与单目标优化或传统经验方法相比,求解得到的最优解集不是单一方案,而是多个在帕累托边界上互为最优的平衡方案。这赋予了决策者根据自身侧重点(如更注重环保或更注重经济)灵活选择的空间,显著提升了技术方案在实际生产中的接受度和可行性。

44、通过“基于目标函数值对最优解集进行综合评分、排序并确定推荐方案”,实现了从数学解集到实用农事方案的智能转化。采用层次分析法确定权重,并结合强制性约束过滤,使得综合评分能够客观反映用户偏好和实际可行性。最终输出排序第一的推荐方案及第二至第五的备选方案,并可记录用户的选择行为,不仅提供了即时决策支持,还为后续的个性化推荐优化积累了用户反馈数据。