不确定条件下作物生育期模型品种参数自动校正框架制造技术

本发明专利技术公开了一种不确定条件下作物生育期模型品种参数自动校正框架，针对在不确定条件下，相似性度量算法以及自适应差分进化算法与作物生育期模型耦合过程中一些关键环节。该框架解决选取多年份温光属性特征差异度大的数据集代表当地的气候条件，作为模型品种参数校正的样本数据集，即筛选出能够约束所有参数的关键物候期变量作为适应度函数中目标变量，当变量实测数据缺失时利用栽培知识推算其缺失值；确定具有自适应特征差分的进化算法来校正模型品种参数；最后对“异参同效”的估计参数结果，采用改进K‑means聚类算法选择出一组鲁棒性较好的代表性品种参数，使得模拟误差最小并具有较好稳定性，便于用于实际生产实践。

【技术实现步骤摘要】
不确定条件下作物生育期模型品种参数自动校正框架
本专利技术属于数字作物
，是序列数据相似性分析算法、自适应差分进化算法与作物阶段发育模型的交叉领域。提出了一种可用于多参数、非线性、不连续、多峰值的作物生育期模型品种参数的校正样本集自动选择以及参数自动校正的综合方法。
技术介绍
物候期预测为作物生长模型预测提供统一时间尺度的衡量标准，是分析气候变化对作物生长发育时间影响的重要工具。生育期模型模拟结果受到基因和温光环境等多因素的影响，模型的本地化应用存在着不确定性，主要表现在数据不确定性、模型结构不确定性以及模型参数不确定性三个方面。模型参数不确定性是指受到不同自然环境条件、不同栽培管理方式以及作物品种多样性的影响，参数值无法直接测量且有多种可能的组合。虽然在以往的研究实践中，作物建模专家明确了模型参数的取值范围，但是在实际应用中，还需要结合先验知识进一步确定出物候期模型品种参数的最优解。这项工作费时费力，人工操作往往会忽略最优解。因此，在不确定条件下对模型参数实现自动校准是提高作物模型在本地应用适应性与精度的重要技术手段。作物模型参数校准主要有基于统计推断理论的方法和基于最优化理论的方法。基于统计推断理论的方法主流是贝叶斯统计估算，如马尔科夫蒙特卡罗方法(MarkovChainMonteCarlo，MCMC)、普适似然不确定估计法(GeneralLikelihoodUncertaintyEstimation，GLUE)等，已被广泛应用于WOFOST、RZWQM2、STICS等模型的参数优化。该类方法的优点是可以对模拟结果进行不确定性分析和量化，给出模型参数的后验概率分布，缺少最优解的直接推荐；基于最优化理论是指通过优化算法在模型参数空间分布上实现自动搜索，并按照一定的寻优规则识别较优或最优的参数集合。常用方法包括最小二乘法等传统优化方法以及遗传算法(GeneticAlgorithm，GA)、粒子群优化算法(ParticleSwarmOptimization，PSO)，差分进化算法(DifferentialEvolution，DE)等进化算法。以改进的非线性最小二乘法为基础的PEST(ParameterEstimation)参数自动优化工具，在作物模型和水文模型参数优化研究中得到了广泛的应用。但在参数太多或模型结构太复杂时往往无法收敛到最优值。作物生育期模型具有非线性、非凸以及参数之间相关等特点，模型参数优化问题可以转化为有约束的多模态函数优化问题，利用全局优化方法如进化算法(GA、DE、PSO)可以提供近似全局最优解。Soundharajan和Sudheer等利用标准GA对ORYZA2000模型参数实现了自动校准，校准后的参数能够适用正常灌溉和水分胁迫下的模拟。庄嘉祥等提出了一种改进型协同进化GA算法，个体优势遗传算法(IndividualAdvantagesGeneticAlgorithm，IAGA)，突出了精英个体的引导能力，应用到RiceGrow和ORYZA2000物候期模型的参数校准中，提高了模型应用的精确程度。等比较了差分进化算法(DE)、协方差矩阵适应进化策略(CovarianceMatrixAdaptationEvolutionStrategy，CMA-ES)，粒子群优化(PSO)和人工蜂群算法(ArtificialBeeColony，ABC)应用于SUCROS生长模型的参数估计效果，发现应用DE算法的结果误差最小。综上，进化算法作为一类智能的全局最优化算法，具有自组织、自学习等特性，可以在一定迭代次数内找到最优解或近似最优解，在作物模型参数校准领域已经有了广泛应用。作物模型的结构包括多组常微分方程，具有非线性、不连续、多峰值特点，进化算法的应用效果通常取决于对特定类型问题的适应能力，因此针对作物模型特点选择合适的进化算法尤为重要。与此同时，进化算法自身参数对算法性能有较大影响，这些参数选择往往靠经验得出，增加了优化算法在模型参数校准过程中的不确定性。此外，已有研究发现，利用不同的校正集样本数据来校正数据驱动的模型参数后，模型的模拟结果不同。例如：梁秀英等在《基于机器视觉的玉米性状参数与近红外光谱的玉米组分含量检测方法研究》(2013年)中用不同的数据集选择方法来划分玉米籽粒样本集，结果证明不同样本划分方法对PLS模型的预测结果有影响。庄嘉祥等在《基于个体优势遗传算法的水稻生育期模型参数优化》(2013年)中对RiceGrow和ORYZA2000生育期模型参数估算的研究中发现，在已有的不同年份的实测数据中，当选择隔年的数据来校正模型参数时，相比于其他校正数据集选择方案，模型能够取得较好的模拟结果；因此，选择具有代表性的校正集样本数据亦是提高模型预测性能的关键技术之一。综上所述，在不确定环境下进化算法在应用到作物模型参数校正过程中目前普遍存在的问题是：(1)如何选择校正数据集，充分挖掘已有数据信息来一定程度上避免数据不确定性。(2)如何选择目标变量，使得能够约束所有的待调参数。进化算法在随机搜索的过程中，仅注重目标变量的拟合情况，而参数校正时数据集不完备，仅选取部分物候期作为目标变量，生育期模型各个物候期受各因子约束的程度不同，所选择的目标物候期无法很好的约束所有的待调参数。(3)进化算法参数校正的能力通常取决于特定类型的问题，不同进化算法解决问题的有效性也有具有不确定性。RiceGrow生育期模型表现出不连续、多峰值、非线性、多极值等复杂特性，在采用一些进化算法进行参数校正时，极易陷入局部最优解。因此，针对具体的模型选择合适的算法尤为重要。(4)模型校正结果会出现“异参同效”问题，即模型参数具有不确定性。如何从多组解集中选择一组鲁棒性好的代表性参数对作物模型应用于实际生产中具有重要意义。
技术实现思路
本专利技术针对在不确定条件下，相似性度量算法以及自适应差分进化算法与作物生育期模型耦合过程中一些关键环节，包括如何选择校正样本的数据集，如何确定进化算法适应度函数中的目标变量，针对模型特点选择合适的进化算法，针对“异参同效”如何选择一组有代表性的参数四个问题提出作物生育期模型品种参数自动校正框架，该框架解决选取多年份温光属性特征差异度大的数据集代表当地的气候条件，作为模型品种参数校正的样本数据集，即筛选出能够约束所有参数的关键物候期变量作为适应度函数中目标变量，当变量实测数据缺失时利用栽培知识推算其缺失值；确定具有自适应特征差分的进化算法来校正模型品种参数；最后对“异参同效”的估计参数结果，采用改进K-means聚类算法选择出一组鲁棒性较好的代表性品种参数，使得模拟误差最小并具有较好稳定性，便于用于实际生产实践。技术方案：本专利技术公开了一种不确定条件下作物生育期模型品种参数自动校正框架，其主要包括以下步骤：1)历史气象数据准备及选择温光条件相似性年份的气象数据样本校正数据集；2)通过参数敏感性分析确定待调参数，并确定参数范围；3)通过约束性分析确定关键物候期，并进行缺失物候期实测数据范围估算；4)设置自适应控制参数改进差分进化算法参数初始范围；5)生成初始种群；6)构造适应度函数；7)构造差分矢量以对目标矢量进行变异操作获得变异矢量同时构造自适应缩放因子Fi；8)将第j个变量的目标矢量本文档来自技高网...

【技术保护点】
1.一种不确定条件下作物生育期模型品种参数自动校正框架，其特征在于其主要包括以下步骤：1)历史气象数据准备及选择温光条件相似性年份的气象数据样本校正数据集；2)通过参数敏感性分析确定待调参数，并确定参数范围；3)通过约束性分析确定关键物候期，并进行缺失物候期实测数据范围估算；4)设置自适应控制参数改进差分进化算法参数初始范围；5)生成初始种群；6)构造适应度函数；7)构造差分矢量以对目标矢量

【技术特征摘要】
1.一种不确定条件下作物生育期模型品种参数自动校正框架，其特征在于其主要包括以下步骤：1)历史气象数据准备及选择温光条件相似性年份的气象数据样本校正数据集；2)通过参数敏感性分析确定待调参数，并确定参数范围；3)通过约束性分析确定关键物候期，并进行缺失物候期实测数据范围估算；4)设置自适应控制参数改进差分进化算法参数初始范围；5)生成初始种群；6)构造适应度函数；7)构造差分矢量以对目标矢量进行变异操作获得变异矢量同时构造自适应缩放因子Fi；8)将第j个变量的目标矢量与变异矢量进行交叉操作，获得试验个体其中自适应交叉概率因子CRi由自适应缩放因子Fi确定；9)对目标矢量和试验个体进行选择操作，获得子代矢量10)重复步骤5至步骤9，直至算法运行代数达到算法终止条件；11)重复步骤4至步骤10，直至达到算法重复次数；12)将步骤11)获得的参数组进行分析获得分类类别数目，进而用K-means算法聚类得到聚类中心作为该品种的代表性品种参数。2.根据权利要求1所述的参数自动校正框架，其特征在于步骤1)中，作物生育期模型品种参数优化需准备的数据包括气象数据、不同品种在出苗、拔节、抽穗、成熟物候时期的历史实测数据以及相应的播期、播种深度实测数据，其中，采取DTW-SPXY组合算法获得对作物生育期模型品种参数优化有影响的温光条件气象数据，具体步骤为：步骤1.1温光条件气象数据预处理选取全年气象数据作为样本集，将其中的每日最高温、最低温进行相加除二，转换为每日平均气温构造年份-日均温表；将气象数据中的日日照时数提出，构造年份-日日照时数表；步骤1.2DTW距离计算对步骤1.1中建立的年份-日均温表、年份-日日照时数表，分别计算年与年之间的DTW距离，形成年份间气温相似性度量矩阵表和年份间日照时数相似性度量矩阵表；步骤1.3SPXY年份选择对步骤1.2中的年份间气温相似性度量矩阵表和年份间日照时数相似性度量矩阵表各项分别除以自身矩阵中的最大项，而后将两张表按照气温表各项乘以0.7，日照表各项乘以0.3后相加，合并为一张表，最后使用KS法选择具有代表性的年份，所述代表性的年份所对应的气象数据作为品种参数优化的数据。3.根据权利要求1所述的参数自动校正框架，其特征在于步骤2)中，使用RiceGrow软件筛选出作物生育期模型敏感性大的品种参数作为待校正参数，根据品种参数的物理特性和经验确定模型品种参数初始范围。4.根据权利要求1所述的参数自动校正框架，其特征在于步骤3)中确定对模型品种参数具有关键约束性的物候期，包括：步骤3.1定义模型品种参数集合P＝{x1,x2,…,xn}，模型模拟物候期集合W＝{Y1,Y2,…,Yn}；采用以下方法确定作物模型模拟物候期对品种参数的约束能力：通过公式(3)衡量物候期Yi与品种参数xi的约束关系以及正反比关系；若Zi≠0，则Yi约束xi；若Zi＝0，则Yi不约束xi，xi与Yi不相关；若Zi>0时，xi与Yi成正相关；若Zi<0时，xi与Yi成负相关：；式中：Xi表示品种参数初始值，X′i表示品种参数改变后的值，Yi表示物候期i日期，Yi+1表示物候期i+1的日期，Y′i表示改变后Xi后物候期i的日期，Y′i+1表示改变后Xi后物候期i+1的日期，Zi表示品种参数i的敏感度；步骤3.2定义关键物候期集合K＝{k1，k2，…，kn}，采用以下规则确定作物模型参数优化的关键物候期，若物候期Yi满足以下两个条件之一时认为该物候期为关键物候期，将该物候期Yi加入关键物候期集合K中：(1)若某一Xi仅被唯一的Ki约束时，则Ki为关键物候期；(2)若Xi被Kj至Kk发育阶段中的物候期约束时，则选取Kj和Kk的两个物候期作为关键物候期；步骤3.3估算关键物候期k1基础日期首先判断实测物候期数据是否完全包含关键物候期集合K中全部元素的实测数据，若包含，则跳过该步骤；若缺失某一关键物候期k1的实测数据，则根据公式(4)推理估算该关键约束性物候期k1的物候日期Dj；式中：Dj表示待估算的物候日期，Di表示已知物候期的日期，dij表示物候期i与物候期j的持续天数，i，j表示物候期索引，i>j表示物候期j在物候期i之前，其中，dij的值由文献资料或栽培经验获取；步骤3.4构造关键物候期实测数据的允许误差范围构造关键目标物候期估算数据的运行误差范围[Dj-E,Dj+E]，E为相差范围。5.根据权利要求1所述的参数自动校正框架，其特征在于步骤6)中适应度函数的构造，主要由目标函数和惩罚函数两部分构成，包括：步骤6.1利用模型模拟值和实际观测值之间的根均方差RMSE...

【专利技术属性】
技术研发人员：姜海燕，赵空暖，钱峥远，李玉硕，汤亮，
申请(专利权)人：南京农业大学，
类型：发明
国别省市：江苏,32