一种农田秸秆还田决策优化方法、系统及电子设备

本发明属于农业资源利用与人工智能交叉，具体涉及一种农田秸秆还田决策优化方法，还涉及一种农田秸秆还田决策优化系统和设备。

背景技术：

1、秸秆是主要的农作物副产物，含有丰富的有机质、氮磷钾和微量元素，可以替代一部分化学氮肥施用于农田，改善土壤性质并提高资源利用效率。然而，实践表明，不合理的还田策略则会引发氮素固持、病虫害增加、影响幼苗生长等一系列问题，反而可能造成减产与环境风险。因此，实现秸秆的精准、高效还田，是我国农业绿色转型面临的关键挑战。

2、当前，秸秆还田技术领域的发展主要体现为两个方面：在单点技术方面，已有大量研究与专利聚焦于还田作业的具体环节。例如旨在减排增效的轮作种植设计（详见公开号为cn120898694a的中国专利申请公开文本）以及还田机械装置的创新（详见公开号为cn120615502a的中国专利申请公开文本）。在智能化决策层面，例如玉米秸秆还田施肥方法及系统（详见公开号为cn120782587a的中国专利申请公开文本）、基于秸秆图像处理的秸秆还田率模型搭建方法（详见公开号为cn120431500a的中国专利申请公开文本），推动了秸秆还田环节的智能化。

3、在传统的大田试验研究中，已有大量工作围绕秸秆还田量与还田方式对产量、温室气体排放、氨挥发的影响开展了田间尺度的探索。然而，由于不同气候条件和土壤性质的影响，加之各管理措施之间的交互作用，配适于特定区域的优化秸秆还田模式难以直接推广至全国尺度。尽管如此，大田试验所积累的大量原位观测数据为后续集成数据、构建智能模型提供了坚实基础。

4、在农业系统技术集成领域，依赖经验公式的作物生长模型难以精确捕捉气候、土壤、管理等多元因子间复杂的交互作用。另外，尽管人工智能已应用于秸秆还田模型构建与效果预测，但大多为单任务预测模型，通常仅用于预测产量或者单一污染物排放，无法联合捕捉产量与污染物之间、以及不同污染物之间的关系，从而限制了在协同产量提升和减少排放方面提供精准优化技术模式的能力。

5、随着农业精细管理需求不断提高，现有的秸秆还田技术模式已无法满足精细化、成套化、多目标协同化的发展需要。如何在全国宏观尺度上，为不同气候-土壤-作物体系精准制定耦合秸秆还田量、还田方式、水肥管理以及耕作栽培技术的综合技术方案，以实现“增产”与“减排”多目标协同最大潜力，仍是亟待突破的关键挑战之一。

6、本部分提供了与本技术相关的背景信息，这些背景信息不一定是现有技术。

技术实现思路

1、本技术的一个目的是解决或至少减轻上述问题的一部分或者全部。为此，本技术的一个目的在于提供一种农田秸秆还田决策优化方法，通过多任务深度学习模型预测秸秆还田对产量、氨挥发和温室气体排放的协同影响，以实现农作物种植系统产量提升、氨挥发减排、温室气体减排的协同。

2、第一方面，本发明提供了一种农田秸秆还田决策优化方法，包括：

3、获取农田作物的多源数据，并进行预处理得到标准化数据集；

4、基于标准化数据集训练多任务深度学习模型，预测给定农田管理措施下的目标数据，目标数据至少包括作物产量、氨挥发损失量和全球增温潜势；多任务深度学习模型包括：一个共享特征编码器，用于接收预处理后的输入特征并提取共享特征表示；多个任务特定适配器，用于基于共享特征表示生成对应目标的任务敏感特征；多个预测输出层，每个预测输出层连接一个任务特定适配器，用于输出对应目标的预测值；

5、针对目标区域划分为多个空间单元，分别在每个空间单元内基于多任务深度学习模型模拟不同农田管理情景下的目标数据预测值，形成各空间单元的情景结果数据库；

6、针对每一空间单元的情景结果数据库，采用多目标优化算法进行筛选，得到表征目标数据之间最佳权衡关系的农田秸秆还田决策方案。

7、在一些实施例中，多源数据包括气候数据、土壤数据、管理措施数据及目标数据；其中，

8、气候数据包括作物生育期内的平均温度和累计降水量；

9、土壤数据包括土壤ph值、有机碳含量、全氮含量、容重和黏粒含量；

10、管理措施数据包括化学氮肥施用量、秸秆氮素替代比例、氮肥类型、水分管理方式、耕作方式、秸秆还田量及秸秆还田方式；

11、目标数据包括作物产量、氨挥发损失量及全球增温潜势。

12、在一些实施例中，预处理包括：

13、对类型数据进行整数编码；

14、对数值型数据进行z-score标准化处理；

15、对存在部分目标变量缺失的数据，生成掩码矩阵以标识有效数据位置。

16、在一些实施例中，训练多任务深度学习模型时，采用基于任务方差的动态权重分配机制计算总损失，总损失为各任务损失根据其方差的倒数进行加权后的平均值；在计算各任务损失时，结合掩码矩阵忽略缺失数据对应的损失项。

17、在一些实施例中，农田管理情景通过以下方式构建：

18、定义由分类管理变量形成的多个农田管理措施的技术包；

19、对连续管理变量设置取值区间及步长，生成多个取值点；

20、将每一技术包与所有连续管理变量的取值点进行组合，形成不同农田管理情景。

21、在一些实施例中，多目标优化算法为第三代非支配排序遗传算法nsga-iii；筛选过程包括：

22、对每一农田管理情景的作物产量、氨挥发损失量及全球增温潜势预测值进行归一化处理；

23、生成在三维目标空间中均匀分布的参考点；

24、基于非支配排序对情景进行分层；

25、根据情景与所述参考点的关联关系进行均衡选择，迭代筛选出所述农田秸秆还田决策。

26、在一些实施例中，所述方法还包括：基于选定的农田秸秆还田决策方案，生成优化管理措施的空间分布图。

27、在一些实施例中，方法还包括：基于选定的农田秸秆还田决策方案与基准方案的预测结果对比，生成增产及减排潜力评估报告；所述基准方案为农户采取其他秸秆还田策略及相应的氮肥与耕作等配套管理措施。

28、第二方面，本技术还提供了一种农田秸秆还田决策优化系统，包括：

29、数据获取模块，获取农田作物的多源数据，并进行预处理得到标准化数据集；

30、模型预测模块，基于标准化数据集训练多任务深度学习模型，预测给定农田管理措施下的目标数据，目标数据至少包括作物产量、氨挥发损失量和全球增温潜势；多任务深度学习模型包括：一个共享特征编码器，用于接收预处理后的输入特征并提取共享特征表示；多个任务特定适配器，用于基于共享特征表示生成对应目标的任务敏感特征；多个预测输出层，每个预测输出层连接一个任务特定适配器，用于输出对应目标的预测值；

31、单元预测模块，针对目标区域划分为多个空间单元，分别在每个空间单元内基于多任务深度学习模型模拟不同农田管理情景下的目标数据预测值，形成各空间单元的情景结果数据库；

32、决策筛选模块，针对每一空间单元的情景结果数据库，采用多目标优化算法进行筛选，得到表征目标数据之间最佳权衡关系的农田秸秆还田决策方案。

33、第三方面，本技术还提供了一种电子设备，电子设备包括处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如上述的农田秸秆还田决策优化方法。

34、第四方面，本技术还提供了一种计算机可读存储介质，存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如上述的农田秸秆还田决策优化方法。

35、本发明带来的有益效果是：

36、1）通过多任务深度学习模型，本发明能统一精准预测秸秆还田对产量、氨挥发和温室气体排放的协同影响与权衡，克服了单目标模型顾此失彼的缺陷，实现水稻、小麦、玉米三大主粮作物种植系统产量提升、氨挥发减排、温室气体减排的协同，为“增产减排”协同优化提供科学依据。

37、2）基于全国栅格化模拟与智能优化算法，可为不同区域自动筛选出一套分布均衡的最优技术方案集，推动农业管理从“粗放通用”向“空间精准定制”跨越。

38、3）形成预测-优化-可视化全流程管理，用户可通过交互界面直观理解目标间权衡方案，显著降低使用门槛，促进绿色农业技术转化应用。