【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。