一种基于深度强化学习的困难立地植被恢复智能决策方法与流程

摘要: 本发明属于生态修复智能决策,具体地说是一种基于深度强化学习的困难立地植被恢复智能决策方法。背景技术:1、生态修复工程对困难立地植被恢复的长效稳定性要求日益提高,...
一种基于深度强化学习的困难立地植被恢复智能决策方法与流程

本发明属于生态修复智能决策,具体地说是一种基于深度强化学习的困难立地植被恢复智能决策方法。

背景技术:

1、生态修复工程对困难立地植被恢复的长效稳定性要求日益提高,困难立地植被恢复技术被大量应用于中低山—中山石质山区、水土流失区域与退化生态系统治理,现有技术主要基于区域气候、坡度、土壤条件及植物适生性筛选物种,制定相应植物群落配置方案,开展植被重建。

2、然而,在中低山—中山石质山区中,由于岩体裸露、土层浅薄及水分储存空间有限,植物群落在恢复过程中受到有限水分资源和根际空间资源的共同约束,使不同植物之间的水分获取能力、根系扩展范围及资源竞争关系随季节变化和恢复阶段推进持续发生改变,初期具有较好生态互补性的植物组合,在长期演替过程中可能因优势植物扩张、根系资源占据及水分竞争增强,使目标恢复植物生长受到抑制,导致原有植物配置方案逐渐偏离预期恢复效果。

3、现有技术通常根据恢复初始阶段的立地条件确定固定化植物配置策略,或者依据阶段性监测结果进行人工调整,但由于植物群落演替过程具有动态变化特征,现有方法难以充分反映不同恢复阶段植物间资源竞争关系的变化,导致恢复方案难以及时适应植物群落演替过程中的变化,容易出现局部植被退化、群落稳定性降低及恢复资源利用效率不足的问题。

技术实现思路

1、为了弥补现有技术的不足,解决背景技术中所提出的至少一个技术问题。

2、本发明解决其技术问题所采用的技术方案是:采集样地内岩体裂隙分布、土壤有效持水深度及目标植物细根在裂隙面的穿透时间序列,利用土壤水分特征曲线与根系吸水效率函数,构建以裂隙储水量和根与岩界面水势差为变量的水分竞争状态矩阵,并对各物种的物候期进行相位对齐,形成种间水分关系随时间变化的动态资源图谱;

3、在动态资源图谱中,按照恢复年限提取目标恢复物种细根生物量垂向分布序列,计算与共生物种根系的深度重叠系数,并将单位根长吸水速率和根系空间扩张惯性系数作为修正因子,对重叠系数进行加权计算,输出竞争态势偏离指数;

4、将竞争态势偏离指数输入强化学习智能体作为状态变量,根据物种组成调整动作后的偏离指数变化及根系生长序列更新竞争状态,并在检测到吸水路径受限及细根生物量持续下降时,基于根际空间占用变化和水分获取变化计算空间释放需求参数,确定水分窗口阈值;

5、针对竞争劣势物种,依据水分窗口阈值和胁迫响应延迟参数计算水分补偿量,将水分补偿量作为强化学习奖励修正项,结合种间水分互惠系数约束更新物种调控权重,形成群落结构调控参数;

6、将群落结构调控参数解析为优势物种疏伐量、目标物种补植量及根系诱导调节量,执行对应群落调整操作,采集调整后的细根分布与土壤水分数据,更新动态资源图谱中的根系重叠参数和水分竞争参数,并将更新后的动态资源图谱反馈至强化学习智能体,生成下一轮群落结构调控参数。

7、本发明的有益效果如下:通过融合岩体裂隙空间结构、土壤水分保持特征以及植物根系动态响应过程,构建了面向困难立地条件的动态水分资源竞争表征机制,实现了由传统基于静态立地条件的植被配置方式向基于植物—环境交互反馈的动态智能决策方式转变。通过建立包含裂隙储水量、根—岩界面水势差及物种间水分关系变化的动态资源图谱,能够更加准确地刻画困难立地中有限水分资源的时空分布特征以及不同恢复阶段植物根系之间的资源竞争关系,提高了对复杂生态环境下植物生存状态和群落演替趋势的识别能力;通过引入细根垂向分布、根系深度重叠程度、单位根长吸水效率以及空间扩张惯性等多维参数,对种间竞争态势进行动态量化,避免了仅依据植物地上部分生长状态进行判断导致的调控滞后问题,使植被恢复过程中的潜在水分胁迫和竞争失衡状态能够被提前识别;通过利用强化学习智能体根据群落调整行为与竞争状态变化进行持续迭代优化,使物种配置策略能够随恢复年限、根系扩展过程及水分供需变化进行自适应调整,提高了恢复方案对不同困难立地环境的适应能力;通过将水分窗口阈值、胁迫响应延迟特征以及种间水分互惠关系引入奖励修正机制,实现了对竞争优势物种扩张、竞争劣势物种恢复以及群落资源分配关系的协同调控,降低了因局部资源过度竞争导致的植被退化风险;同时,通过将决策结果转化为优势物种疏伐、目标物种补植及根系诱导调节等可执行调控参数,并利用调整后的监测数据反向更新动态资源图谱,形成了“环境感知—竞争评估—策略优化—群落调控—反馈更新”的闭环控制过程,从而提升了困难立地植被恢复过程中的精准化、动态化和长期稳定性,有利于提高有限水资源条件下植物群落建立效率和生态恢复效果。

1.一种基于深度强化学习的困难立地植被恢复智能决策方法,其特征在于:包括以下步骤:

2.根据权利要求1所述的一种基于深度强化学习的困难立地植被恢复智能决策方法,其特征在于,形成种间水分关系随时间变化的动态资源图谱的过程为:

3.根据权利要求1所述的一种基于深度强化学习的困难立地植被恢复智能决策方法,其特征在于,计算与共生物种根系的深度重叠系数的过程为:

4.根据权利要求1所述的一种基于深度强化学习的困难立地植被恢复智能决策方法,其特征在于,输出竞争态势偏离指数的过程为:

5.根据权利要求1所述的一种基于深度强化学习的困难立地植被恢复智能决策方法,其特征在于,根据物种组成调整动作后的偏离指数变化及根系生长序列更新竞争状态的过程为:

6.根据权利要求1所述的一种基于深度强化学习的困难立地植被恢复智能决策方法,其特征在于,确定水分窗口阈值的过程为:

7.根据权利要求1所述的一种基于深度强化学习的困难立地植被恢复智能决策方法,其特征在于,形成群落结构调控参数的过程为:

8.根据权利要求1所述的一种基于深度强化学习的困难立地植被恢复智能决策方法,其特征在于,执行对应群落调整操作的过程为:

9.根据权利要求1所述的一种基于深度强化学习的困难立地植被恢复智能决策方法,其特征在于,生成下一轮群落结构调控参数的过程为: