基于深度强化学习的坡耕地水肥流失仿真预测系统

摘要: 本发明涉及生态环境与农业工程,具体为一种基于深度强化学习的坡耕地水肥流失仿真预测系统。背景技术:1、坡耕地是农业生产的重要资源,但在自然降雨作用下,其极易发生严...
基于深度强化学习的坡耕地水肥流失仿真预测系统

本发明涉及生态环境与农业工程,具体为一种基于深度强化学习的坡耕地水肥流失仿真预测系统。

背景技术:

1、坡耕地是农业生产的重要资源,但在自然降雨作用下,其极易发生严重的水土及养分流失,进而导致土壤退化和农业面源污染。因此,对坡面环境下的水肥流失过程进行准确的仿真预测,对于制定水土保持措施和精准施肥策略具有重要意义。

2、现有的水肥流失仿真技术通常采用基于固定网格划分的空间物理过程模型。这些方法主要通过构建静态的地形拓扑网络,结合宏观的水文动力学方程或传统经验公式,对地表径流和土壤侵蚀量进行演化计算,以此来实现对整个降雨周期内流失情况的估算预测。

3、地表径流的汇聚方向及水流动能高度依赖于底层的地形特征。然而,在真实的连续降雨场景中,持续的水流冲刷会导致地表土壤不断发生剥离或局部泥沙沉积,使得坡面的微观地形处于剧烈的动态变化之中。这种局部微地形的起伏改变会直接诱发真实自然界中水流路径的偏转与重组,例如侵蚀导致的微小细沟发育会使得原本分散的径流迅速重新汇聚。一旦沿用前述固定的空间网格模型,仿真计算中的水流走向将被强制锁定在降雨前的初始状态,完全无法响应侵蚀过程带来的微观地形演变,从而导致仿真中后期的水流动能分布与实际物理过程产生严重脱节,使得高度依赖水流冲刷力计算的土壤剥离量以及附着于其上的养分流失总量产生累计误差。

技术实现思路

1、针对现有技术存在的不足,本发明提供一种基于深度强化学习的坡耕地水肥流失仿真预测系统。

2、为了实现上述目的,本发明的技术方案如下:

3、一种基于深度强化学习的坡耕地水肥流失仿真预测系统,包括:

4、数据获取模块,用于获取目标区域的三维点云高程数据、土壤抗冲刷指数数据、降雨时间序列数据及初始养分分布数据;

5、初始图构建模块,用于根据三维点云高程数据和初始养分分布数据构建包含多个节点数据以及连接相邻节点数据的边数据的初始图结构数据,所述节点数据包含高程数据、水深数据和肥料浓度数据,所述边数据包含流向数据;

6、时间步迭代模块,用于将初始图结构数据作为当前图结构数据,针对降雨时间序列数据按时间步循环执行以下步骤:

7、获取当前时间步的降雨量数据并叠加至当前图结构数据中各个节点数据的水深数据中,并基于边数据中的流向数据对相邻的节点数据进行特征聚合,输出环境状态数据;

8、将环境状态数据与土壤抗冲刷指数数据输入深度强化学习模型,输出对应各个节点数据的地表形变动作数据,并根据地表形变动作数据更新当前图结构数据中各个节点数据的高程数据和肥料浓度数据;

9、基于更新后的高程数据计算相邻的节点数据间的高程形变梯度,并在高程形变梯度满足预设条件时重构当前图结构数据中的边数据,得到新的图结构数据,并将新的图结构数据作为下一时间步的当前图结构数据;

10、结果预测模块,用于在降雨时间序列数据遍历完毕后,基于最终的当前图结构数据与初始图结构数据中包含的肥料浓度数据的差异,生成水肥流失预测结果数据。

11、一种基于深度强化学习的坡耕地水肥流失仿真预测方法,包括以下步骤:

12、获取目标区域的三维点云高程数据、土壤抗冲刷指数数据、降雨时间序列数据及初始养分分布数据;

13、根据三维点云高程数据和初始养分分布数据构建包含多个节点数据以及连接相邻节点数据的边数据的初始图结构数据,所述节点数据包含高程数据、水深数据和肥料浓度数据,所述边数据包含流向数据;

14、将初始图结构数据作为当前图结构数据,针对降雨时间序列数据按时间步循环执行以下步骤:

15、获取当前时间步的降雨量数据并叠加至当前图结构数据中各个节点数据的水深数据中,并基于边数据中的流向数据对相邻的节点数据进行特征聚合,输出环境状态数据;

16、将环境状态数据与土壤抗冲刷指数数据输入深度强化学习模型,输出对应各个节点数据的地表形变动作数据,并根据地表形变动作数据更新当前图结构数据中各个节点数据的高程数据和肥料浓度数据;

17、基于更新后的高程数据计算相邻的节点数据间的高程形变梯度,并在高程形变梯度满足预设条件时重构当前图结构数据中的边数据,得到新的图结构数据,并将新的图结构数据作为下一时间步的当前图结构数据;

18、在降雨时间序列数据遍历完毕后,基于最终的当前图结构数据与初始图结构数据中包含的肥料浓度数据的差异,生成水肥流失预测结果数据。

19、与现有技术相比,本发明的有益效果为:

20、本发明通过将目标区域划分为包含节点数据和边数据的图结构数据。在降雨时间步的迭代中,系统能够基于更新后的高程数据实时计算相邻节点的高程形变梯度;当高程形变梯度满足预设条件时,系统能够动态重构图的边数据,从而模拟了真实自然界中“水流冲刷-到局部地形改变-水流路径重组-细沟发育”的动态拓扑演变过程,使模型能够响应侵蚀过程带来的微观地形演变,从而有效避免仿真中后期的水流动能分布与实际物理过程产生严重脱节,使得高度依赖水流冲刷力计算的土壤剥离量以及附着于其上的养分流失总量产生累计误差,提高预测结果的准确性。

1.一种基于深度强化学习的坡耕地水肥流失仿真预测系统,其特征在于,包括:

2.根据权利要求1所述的基于深度强化学习的坡耕地水肥流失仿真预测系统,其特征在于:基于边数据中的流向数据对相邻的节点数据进行特征聚合,输出环境状态数据,具体包括:

3.根据权利要求1所述的基于深度强化学习的坡耕地水肥流失仿真预测系统,其特征在于:将环境状态数据与土壤抗冲刷指数数据输入深度强化学习模型,输出对应各个节点数据的地表形变动作数据,具体包括:

4.根据权利要求3所述的基于深度强化学习的坡耕地水肥流失仿真预测系统,其特征在于:根据地表形变动作数据更新当前图结构数据中各个节点数据的高程数据和肥料浓度数据,具体包括:

5.根据权利要求1所述的基于深度强化学习的坡耕地水肥流失仿真预测系统,其特征在于:基于更新后的高程数据计算相邻的节点数据间的高程形变梯度,并在高程形变梯度满足预设条件时重构当前图结构数据中的边数据,得到新的图结构数据,具体包括:

6.根据权利要求5所述的基于深度强化学习的坡耕地水肥流失仿真预测系统,其特征在于:所述预设细沟阈值是通过以下步骤动态获取的:

7.根据权利要求6所述的基于深度强化学习的坡耕地水肥流失仿真预测系统,其特征在于:所述土壤侵蚀力学模型的具体计算公式如下:

8.根据权利要求1所述的基于深度强化学习的坡耕地水肥流失仿真预测系统,其特征在于:根据三维点云高程数据和初始养分分布数据构建包含多个节点数据以及连接相邻节点数据的边数据的初始图结构数据,具体包括:

9.根据权利要求1所述的基于深度强化学习的坡耕地水肥流失仿真预测系统,其特征在于:基于最终的当前图结构数据与初始图结构数据中包含的肥料浓度数据的差异,生成水肥流失预测结果数据,具体包括:

10.一种基于深度强化学习的坡耕地水肥流失仿真预测方法,其特征在于,包括以下步骤: