领域知识引导的作物模型参数智能优化框架研究

发布时间：2018-06-25 13:20

本文选题：作物生长模型 + 遗传算法　；参考：《南京农业大学》2015年硕士论文

【摘要】：作物模型是以作物生长发育机理为基础,对作物生理过程与环境和技术的关系加以理论概括和量化分析的数学模型,已经在农作物估产、农田管理决策等领域广泛应用。作物模型在应用过程中需要针对不同环境条件重新优化其品种参数。遗传算法作为一种高效的启发式搜索技术,已在作物生长模型参数优化问题中得到了良好的应用。但存在以下问题:由于作物模型本身结构复杂、实测数据误差、参数智能优化过程环节众多,给作物模型参数智能优化带来了很大的不确定性;由于遗传算法的随机搜索机制,会导致优化过程中出现目标拟合较好但不符合生理学特性的优化结果;随着模型的广泛应用,模型不确定性评价、参数智能优化等工作需要借助计算机软件工具进行快速实现,但目前的软件工具功能单一,难以面向通用的作物模型领域广泛应用。针对上述问题,论文主要贡献包括:(1)分析基于协同进化遗传算法的水稻生长模型参数优化框架(BGA-CMPOF)的不确定性。BGA-CMPOF中的不确定性来源包括:实测数据误差、适应度函数设计、参数优化策略、优化算法性能等环节,本文设计了评价BGA-CMPOF框架不确定性的策略,从目标变量选择、适应度权重设置、分阶段参数优化策略以及不同优化算法等角度,分析了 BGA-CMPOF在RiceGrow水稻生长模型参数优化中的不确定性。以汕优63在徐州等地的实测数据进行试验,结果表明:1)BGA-CMPOF框架可有效优化RiceGrow模型品种参数,各参数优化的相对误差在7%以内;2)选取LAI、各器官(茎、叶、穗)生物量作为目标变量的效果较好,穗生物量、总生物量、LAI的NRMSE分别减小了 0.32%、1.52%和 1.73%,RMSE 分别减小了 8kg/ha、123.1 kg/ha、0.08;MAD分别减小了 5.44 kg/ha、105.1 kg/ha、0.07;3)分阶段参数优化策略对于BGA-CMPOF而言效果不明显,各目标NRMSE的差距1%;4)MECA算法比IAGA算法的优化精度略高,但耗时较长,不利于模型参数的快速优化。(2)提出基于领域知识引导遗传算法的作物生育期模型参数优化方法。建立作物模型参数智能优化领域知识库,通过约束模型初始参数范围、确定调参关键物候期、扩展物候期实测值、提炼方向算子等环节,对基于遗传算法的作物模型参数优化框架进行约束和引导。本文以WheatGrow小麦生育期模型为应用对象,针对济南13号小麦品种在徐州、济宁、潍坊、临沂等地的实测数据的参数优化试验结果表明:1)四个地点的初步试验验证结果的RMSE分别达到了:1.51d、2.05d、0.72d和1.08d,R2均0.99,MAD分别为1.1d、1.6d、0.55d和0.8d,模拟效果较好,但部分参数存在不符合生物学特性的参数值;2)通过约束参数PVT的初始范围[30,40],加入品种参数范围约束后,各地点的调参结果的各项指标均有小幅增加,RMSE分别为 1.67d、2.12d、1.09d和 1.58d,R2均0.99,MAD 分别为 1.4d、1.6d、0.8d和 1.3d,但PVT的参数值均符合济南13号半冬性的品种特性;3)扩展关键物候期的实测值后,四地的验证结果RMSE分别为1.24d、1.56d、1.22d和1.48d,R2分别为0.997、0.993、0.997和0.991,MAD分别为1d、1.2d、1.8d和1.2d,并且品种参数IE符合生物学特性,结果表明,扩展调参物候期数据进行参数优化,在保证优化效果的同时,能够起到约束品种参数的作用。4)加入方向算子后,IAGA算法的收敛代数分别减少了 8代和3代,方向算子能够加快算法的收敛速度。(3)研制作物模型参数优化及不确定性分析工具(CMPOAT)采用构件化软件中基于框架的软件开发方法,开发基于动态组装框架的作物模型自动调参及不确定性分析工具,能够根据用户需求,实现作物模型、进化算法、数据处理等业务的动态组装。系统实现了:数据管理与分析、作物模型分析、调参计算、专家知识库管理、组件库管理等功能。以WheatGrow模型和IAGA算法为对象的应用案例表明,CMPOAT能够分析作物模型不确定性并进行模型参数优化,为作物模型的分析和应用提供了有力的软件工具。
[Abstract]:Based on the mechanism of crop growth and development , the relationship between crop physiological process and environment and technology is summarized and the mathematical model of quantitative analysis has been widely used in crop estimation and farmland management decision . The RMSE reduced 8kg / ha , 123.1 kg / ha , 0.08 ; MAD respectively decreased 5.44 kg / ha , 105.1 kg / ha , 0.07 ; 3 ) The optimization strategy of staged parameters was not obvious for BGA - CMPOF , the difference of each target NRMSE was 1 % ; 4 ) The optimization accuracy of each target NRMSE was slightly higher than that of IAGA algorithm , but time - consuming is long , which is not beneficial to the rapid optimization of model parameters . ( 2 ) Based on the field knowledge - guided genetic algorithm , the parameter optimization method of crop growth period model was proposed . The results showed that the RMSE of four sites was 1.d , 2.12d , 0.55d and 1.3d respectively . The results showed that the RMSE was 1.d , 2.12d , 0.55d and 1.3d respectively . The results showed that the RMSE was 1.4d , 1.6d , 1.8d and 1.3d respectively . ( 3 ) Development of crop model parameter optimization and uncertainty analysis tool ( CMPOAT ) The dynamic assembly of crop model , evolutionary algorithm , data processing and other functions based on dynamic assembly framework is developed by using the framework - based software development method in componentization software . The system is realized : data management and analysis , crop model analysis , parameter adjustment calculation , expert knowledge base management , component library management , etc . The application case of Wheattired model and IAGA algorithm is used to optimize the model parameters , and provide powerful software tools for the analysis and application of crop model .
【学位授予单位】：南京农业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：S126;TP18

【参考文献】