一种基于机器学习的农田土壤动态评估与智能调控方法与流程

本发明属于机器学习及土壤动态评估与控制，具体涉及一种基于机器学习的农田土壤动态评估与智能调控方法。

背景技术：

1、现有农田土壤动态评估通常以按时间连续形成的土壤状态数据作为分析基础，将含水状态、养分状态及其他能够反映土壤变化的数据按采样时序排列，并结合既有灌溉、施肥等调控记录建立训练样本。较接近的实现方式通常采用滑动时间窗口截取连续状态片段，把前一时间段的土壤状态作为模型输入，把后一时间段的实测状态作为监督目标，通过机器学习模型学习相邻时间窗口之间的状态映射关系。在运行阶段，系统将最新土壤状态输入训练完成的模型，得到下一时段或多个后续时段的状态预测结果，再将预测结果与目标土壤状态区间进行比较，当预测状态偏离目标区间时，根据偏离方向和偏离幅度确定对应的调控量。部分方案还会把历史调控记录与土壤状态共同输入模型，使模型能够利用以往调控后的状态变化数据修正后续预测，并通过持续补充新样本对模型参数进行更新，使评估结果随数据积累逐步适应具体农田的状态变化过程。

2、在将历史调控记录纳入机器学习模型时，现有实现通常把土壤状态特征和调控量特征直接拼接为统一输入，或者把调控量作为附加时序变量参与状态预测，使模型根据训练样本中出现过的当前状态、既往调控、后续状态组合学习条件映射关系。对于需要生成智能调控策略的场景，系统往往针对若干候选灌溉量或施肥量重复调用预测模型，分别得到候选调控条件下的后续土壤状态，再选取预测结果接近目标区间的候选调控量。为降低短期误差，部分方案会根据调控实施后的实测状态与模型预测状态之间的差值进行在线更新，将新产生的调控样本重新加入训练集，或者直接根据近期样本调整模型参数。这类处理方式能够利用调控历史参与预测，但模型内部通常没有对土壤自然连续变化与人工干预引起的响应变化进行独立约束，两类变化共同通过同一状态映射关系被吸收到模型参数中。

3、训练样本中的土壤自然演变过程与历史人工调控响应处于混合状态，机器学习模型在缺乏干预来源约束时容易把由灌溉、施肥等操作造成的状态恢复、延迟变化或持续变化学习为土壤自身的自然演变规律。当相似土壤状态再次出现而当前调控条件与历史样本不一致时，模型可能沿用已经混入人工干预影响的状态转移关系进行预测，使无新增调控条件下的基准变化趋势发生偏移，并进一步影响候选调控量对应的后续状态判断。由于预测误差直接进入调控选择过程，某次错误归因形成的偏差还可能在后续反馈更新中继续作为新训练样本被吸收，使自然变化规律与干预响应规律的混淆逐步固化，最终造成模型难以区分土壤自身将如何变化与施加调控后将如何变化，使动态评估结果和调控决策之间缺乏稳定的一致性。

技术实现思路

1、本发明的目的在于提供一种基于机器学习的农田土壤动态评估与智能调控方法，可以解决上述背景技术中的问题。

2、为实现上述目的，本发明采取的技术方案为：

3、一种基于机器学习的农田土壤动态评估与智能调控方法，包括：获取统一时间基准的土壤状态序列及对应历史调控记录；

4、基于所述土壤状态序列和所述历史调控记录训练干预解耦机器学习模型，分别生成自然演变表征和干预响应表征，并以替换调控输入时所述自然演变表征保持一致、所述干预响应表征随调控输入变化作为训练约束；

5、基于所述自然演变表征生成无新增调控的基准状态轨迹，将多个候选调控量分别与所述干预响应表征耦合生成反事实状态轨迹；

6、依据所述基准状态轨迹、所述反事实状态轨迹及目标土壤状态区间确定调控策略；

7、获取调控后的实测状态，计算所述实测状态与对应反事实状态轨迹的响应残差，并依据所述响应残差更新所述干预响应表征对应的模型参数。

8、优选的，所述土壤状态序列和所述历史调控记录的训练样本按照调控发生时刻划分为调控前状态窗口、调控输入窗口和调控后响应窗口；

9、对具有相近调控前状态表征的不同样本建立配对关系，并在配对样本之间交换调控输入窗口，保留各自调控前状态窗口不变；

10、将交换前后的样本共同输入所述干预解耦机器学习模型，分别计算所述自然演变表征的一致性损失、所述干预响应表征与调控输入之间的条件关联损失以及调控后状态重构损失，并以三类损失的联合目标训练所述干预解耦机器学习模型。

11、优选的，所述干预解耦机器学习模型包括共享时序编码器、自然演变编码支路、干预响应编码支路和状态解码器；

12、所述共享时序编码器提取调控前状态窗口的公共时序特征，所述自然演变编码支路仅接收公共时序特征，所述干预响应编码支路接收公共时序特征与历史调控记录的联合编码；

13、将两个编码支路输出的隐变量输入状态解码器重构调控后状态，并对自然演变隐变量与干预响应隐变量施加交叉预测抑制约束，限制任一隐变量单独恢复另一隐变量对应的输入信息。

14、优选的，所述反事实状态轨迹的生成包括：以同一时刻的自然演变表征作为公共初始隐状态，将各候选调控量分别编码为候选干预向量，并逐一与所述公共初始隐状态输入所述状态解码器进行多时步递推；

15、在每一递推时步，将前一时步预测状态重新编码为后续自然演变输入，同时保持当前候选干预向量沿对应调控作用时段参与状态解码；

16、对各反事实状态轨迹分别记录进入目标土壤状态区间的时序位置、越过目标区间边界的轨迹片段以及调控结束后的继续偏移片段，并据此形成候选调控量的轨迹评价序列。

17、优选的，所述配对关系通过调控前状态窗口的时序嵌入构建，先对各时序嵌入计算状态变化方向编码和变化速率编码，再在两类编码均保持相容的样本之间建立候选配对；

18、对所述候选配对执行调控输入交换后，将交换所得样本的预测响应与原样本的实际响应分别映射至统一响应空间，并根据两者对调控输入变化的方向一致性筛除不具备可交换性的配对；

19、仅保留通过筛选的配对样本参与所述一致性损失、所述条件关联损失和所述调控后状态重构损失的联合训练。

20、优选的，所述交叉预测抑制约束通过双向对抗重构建立，设置第一辅助预测器根据所述自然演变隐变量预测历史调控记录，设置第二辅助预测器根据所述干预响应隐变量预测调控前状态窗口中的非调控连续变化特征；

21、训练所述第一辅助预测器和所述第二辅助预测器降低各自预测误差，同时反向更新所述自然演变编码支路和所述干预响应编码支路以增大对应辅助预测误差；

22、所述状态解码器仍以两个编码支路的联合隐变量重构调控后状态，并与双向对抗重构共同参与参数更新。

23、优选的，所述轨迹评价序列进一步按照同一候选调控量在连续递推时步中的状态偏移方向构建分段轨迹标记，将首次进入所述目标土壤状态区间之前的轨迹片段、位于所述目标土壤状态区间内的轨迹片段以及离开所述目标土壤状态区间后的轨迹片段分别编码；

24、对不同候选调控量的分段轨迹标记执行序列比较，优先保留具有目标区间内连续片段且不存在调控结束后反向越界片段的候选调控量，并在保留结果中按照距目标区间中心的累计状态距离确定调控策略。

25、优选的，所述响应残差的模型参数更新包括：根据所述状态解码器分别对所述自然演变隐变量和所述干预响应隐变量计算局部输出敏感度，将响应残差投影至两类局部输出敏感度形成的响应子空间；

26、提取与所述干预响应隐变量对应的残差分量，并以残差分量构建干预响应编码支路及其与所述状态解码器连接参数的更新目标；

27、对与所述自然演变隐变量对应的参数设置冻结标记，在完成干预响应编码支路更新后，以更新后的模型重新生成同一调控记录对应的反事实状态轨迹。

28、优选的，对通过可交换性筛选的配对样本附加表征一致性校验，分别将原始样本与交换调控输入后的样本输入完成双向对抗重构的干预解耦机器学习模型；

29、计算两者自然演变隐变量之间的相似度序列以及所述干预响应隐变量相对于调控输入变化的响应差分序列，并将同时满足所述自然演变隐变量保持同类聚集、干预响应差分与调控输入差分保持对应关系的配对样本写入稳定训练样本集；

30、模型更新时从所述稳定训练样本集和新增配对样本中联合抽取训练批次。

31、优选的，在依据所述分段轨迹标记确定调控策略后，为调控策略保存对应的候选干预向量、预测反事实状态轨迹及各递推时步的干预响应局部输出敏感度；

32、调控后的实测状态到达对应递推时步时，按照保存的局部输出敏感度对响应残差进行时步对齐投影，并累计形成与所述候选干预向量关联的残差序列；

33、依据所述残差序列更新所述干预响应编码支路后，重新生成所述候选干预向量对应的反事实状态轨迹，并将新旧轨迹的分段轨迹标记共同写入后续候选调控量的序列比较数据。

34、与现有技术相比，本发明的有益效果在于：

35、1.通过将统一时间基准下的土壤状态序列与历史调控记录共同用于干预解耦训练，并在模型内部形成自然演变表征和干预响应表征，可以把无新增调控条件下的状态变化与人工调控引起的响应变化分别约束在不同表征空间中。对具有相近调控前状态的训练样本交换调控输入时，保持自然演变表征的一致性，同时要求干预响应表征随调控输入变化，使模型在训练阶段减少两类状态来源的相互混入。在动态评估阶段，以自然演变表征生成基准状态轨迹，再将多个候选调控量分别与干预响应表征耦合生成反事实状态轨迹，使同一初始土壤状态下的自然变化基准与不同调控响应能够在统一时序条件下进行比较。由此可降低历史人工调控对自然趋势预测的干扰，减少基准状态轨迹发生方向性偏移，并降低由错误状态归因传递至候选调控选择过程的概率，使预测状态与后续实测状态保持更稳定的对应关系。

36、2.在候选调控策略生成过程中，将各候选调控量对应的反事实状态轨迹按照进入目标土壤状态区间、位于目标区间以及离开目标区间后的连续轨迹片段进行比较，可以排除短时进入目标区间但在后续时段继续越界的调控方案，使调控选择依据由单个时点的预测偏差扩展为连续状态轨迹。调控实施后，再根据实测状态与对应反事实状态轨迹之间的响应残差，对干预响应表征相关参数进行更新，并对自然演变表征相关参数保持冻结或隔离，可减少单次调控误差对既有自然状态规律的扰动。结合局部输出敏感度对响应残差进行投影后，能够把与人工干预响应相关的误差分量用于后续模型修正，使反馈更新的作用范围与误差来源保持对应，降低模型在线更新过程中自然演变表征发生漂移的程度，并减少连续评估周期内由模型参数相互污染形成的调控量反复变化。