本文選題：作物生長(zhǎng)模型 + 遺傳算法　； 參考：《南京農(nóng)業(yè)大學(xué)》2015年碩士論文

【摘要】：作物模型是以作物生長(zhǎng)發(fā)育機(jī)理為基礎(chǔ),對(duì)作物生理過(guò)程與環(huán)境和技術(shù)的關(guān)系加以理論概括和量化分析的數(shù)學(xué)模型,已經(jīng)在農(nóng)作物估產(chǎn)、農(nóng)田管理決策等領(lǐng)域廣泛應(yīng)用。作物模型在應(yīng)用過(guò)程中需要針對(duì)不同環(huán)境條件重新優(yōu)化其品種參數(shù)。遺傳算法作為一種高效的啟發(fā)式搜索技術(shù),已在作物生長(zhǎng)模型參數(shù)優(yōu)化問(wèn)題中得到了良好的應(yīng)用。但存在以下問(wèn)題:由于作物模型本身結(jié)構(gòu)復(fù)雜、實(shí)測(cè)數(shù)據(jù)誤差、參數(shù)智能優(yōu)化過(guò)程環(huán)節(jié)眾多,給作物模型參數(shù)智能優(yōu)化帶來(lái)了很大的不確定性;由于遺傳算法的隨機(jī)搜索機(jī)制,會(huì)導(dǎo)致優(yōu)化過(guò)程中出現(xiàn)目標(biāo)擬合較好但不符合生理學(xué)特性的優(yōu)化結(jié)果;隨著模型的廣泛應(yīng)用,模型不確定性評(píng)價(jià)、參數(shù)智能優(yōu)化等工作需要借助計(jì)算機(jī)軟件工具進(jìn)行快速實(shí)現(xiàn),但目前的軟件工具功能單一,難以面向通用的作物模型領(lǐng)域廣泛應(yīng)用。針對(duì)上述問(wèn)題,論文主要貢獻(xiàn)包括:(1)分析基于協(xié)同進(jìn)化遺傳算法的水稻生長(zhǎng)模型參數(shù)優(yōu)化框架(BGA-CMPOF)的不確定性。BGA-CMPOF中的不確定性來(lái)源包括:實(shí)測(cè)數(shù)據(jù)誤差、適應(yīng)度函數(shù)設(shè)計(jì)、參數(shù)優(yōu)化策略、優(yōu)化算法性能等環(huán)節(jié),本文設(shè)計(jì)了評(píng)價(jià)BGA-CMPOF框架不確定性的策略,從目標(biāo)變量選擇、適應(yīng)度權(quán)重設(shè)置、分階段參數(shù)優(yōu)化策略以及不同優(yōu)化算法等角度,分析了 BGA-CMPOF在RiceGrow水稻生長(zhǎng)模型參數(shù)優(yōu)化中的不確定性。以汕優(yōu)63在徐州等地的實(shí)測(cè)數(shù)據(jù)進(jìn)行試驗(yàn),結(jié)果表明:1)BGA-CMPOF框架可有效優(yōu)化RiceGrow模型品種參數(shù),各參數(shù)優(yōu)化的相對(duì)誤差在7%以內(nèi);2)選取LAI、各器官(莖、葉、穗)生物量作為目標(biāo)變量的效果較好,穗生物量、總生物量、LAI的NRMSE分別減小了 0.32%、1.52%和 1.73%,RMSE 分別減小了 8kg/ha、123.1 kg/ha、0.08;MAD分別減小了 5.44 kg/ha、105.1 kg/ha、0.07;3)分階段參數(shù)優(yōu)化策略對(duì)于BGA-CMPOF而言效果不明顯,各目標(biāo)NRMSE的差距1%;4)MECA算法比IAGA算法的優(yōu)化精度略高,但耗時(shí)較長(zhǎng),不利于模型參數(shù)的快速優(yōu)化。(2)提出基于領(lǐng)域知識(shí)引導(dǎo)遺傳算法的作物生育期模型參數(shù)優(yōu)化方法。建立作物模型參數(shù)智能優(yōu)化領(lǐng)域知識(shí)庫(kù),通過(guò)約束模型初始參數(shù)范圍、確定調(diào)參關(guān)鍵物候期、擴(kuò)展物候期實(shí)測(cè)值、提煉方向算子等環(huán)節(jié),對(duì)基于遺傳算法的作物模型參數(shù)優(yōu)化框架進(jìn)行約束和引導(dǎo)。本文以WheatGrow小麥生育期模型為應(yīng)用對(duì)象,針對(duì)濟(jì)南13號(hào)小麥品種在徐州、濟(jì)寧、濰坊、臨沂等地的實(shí)測(cè)數(shù)據(jù)的參數(shù)優(yōu)化試驗(yàn)結(jié)果表明:1)四個(gè)地點(diǎn)的初步試驗(yàn)驗(yàn)證結(jié)果的RMSE分別達(dá)到了:1.51d、2.05d、0.72d和1.08d,R2均0.99,MAD分別為1.1d、1.6d、0.55d和0.8d,模擬效果較好,但部分參數(shù)存在不符合生物學(xué)特性的參數(shù)值;2)通過(guò)約束參數(shù)PVT的初始范圍[30,40],加入品種參數(shù)范圍約束后,各地點(diǎn)的調(diào)參結(jié)果的各項(xiàng)指標(biāo)均有小幅增加,RMSE分別為 1.67d、2.12d、1.09d和 1.58d,R2均0.99,MAD 分別為 1.4d、1.6d、0.8d和 1.3d,但PVT的參數(shù)值均符合濟(jì)南13號(hào)半冬性的品種特性;3)擴(kuò)展關(guān)鍵物候期的實(shí)測(cè)值后,四地的驗(yàn)證結(jié)果RMSE分別為1.24d、1.56d、1.22d和1.48d,R2分別為0.997、0.993、0.997和0.991,MAD分別為1d、1.2d、1.8d和1.2d,并且品種參數(shù)IE符合生物學(xué)特性,結(jié)果表明,擴(kuò)展調(diào)參物候期數(shù)據(jù)進(jìn)行參數(shù)優(yōu)化,在保證優(yōu)化效果的同時(shí),能夠起到約束品種參數(shù)的作用。4)加入方向算子后,IAGA算法的收斂代數(shù)分別減少了 8代和3代,方向算子能夠加快算法的收斂速度。(3)研制作物模型參數(shù)優(yōu)化及不確定性分析工具(CMPOAT)采用構(gòu)件化軟件中基于框架的軟件開發(fā)方法,開發(fā)基于動(dòng)態(tài)組裝框架的作物模型自動(dòng)調(diào)參及不確定性分析工具,能夠根據(jù)用戶需求,實(shí)現(xiàn)作物模型、進(jìn)化算法、數(shù)據(jù)處理等業(yè)務(wù)的動(dòng)態(tài)組裝。系統(tǒng)實(shí)現(xiàn)了:數(shù)據(jù)管理與分析、作物模型分析、調(diào)參計(jì)算、專家知識(shí)庫(kù)管理、組件庫(kù)管理等功能。以WheatGrow模型和IAGA算法為對(duì)象的應(yīng)用案例表明,CMPOAT能夠分析作物模型不確定性并進(jìn)行模型參數(shù)優(yōu)化,為作物模型的分析和應(yīng)用提供了有力的軟件工具。
[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 .
【學(xué)位授予單位】：南京農(nóng)業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：S126;TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孫美;張曉琳;馮紹元;霍再林;;基于PEST的RZWQM2模型參數(shù)優(yōu)化與驗(yàn)證[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2014年11期

2 宋明丹;馮浩;李正鵬;高建恩;;基于Morris和EFAST的CERES-Wheat模型敏感性分析[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2014年10期

3 花海燕;林述溫;沈振輝;;復(fù)雜構(gòu)件結(jié)構(gòu)智能優(yōu)化約束表達(dá)與處理新方法[J];中國(guó)機(jī)械工程;2014年08期

4 王禮恒;董艷輝;李國(guó)敏;張騰;;基于PEST的地下水?dāng)?shù)值模擬參數(shù)優(yōu)化的應(yīng)用[J];工程勘察;2014年03期

5 任長(zhǎng)江;白丹;周蓓蓓;梁偉;周文;程鵬;;基于遺傳算法的非飽和溶質(zhì)運(yùn)移參數(shù)優(yōu)化[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2013年09期

6 楊習(xí)清;謝軍紅;;基于混合PSO算法的西北干旱區(qū)作物灌溉制度優(yōu)化設(shè)計(jì)[J];節(jié)水灌溉;2013年08期

7 孫琳麗;馬玉平;景元書;俄有浩;鄒艷東;邢開瑜;;基于約束性分析的數(shù)據(jù)與作物模型同化方法[J];應(yīng)用氣象學(xué)報(bào);2013年03期

8 花海燕;林述溫;;優(yōu)化過(guò)程知識(shí)引導(dǎo)的挖掘機(jī)動(dòng)臂結(jié)構(gòu)優(yōu)化設(shè)計(jì)新策略[J];中國(guó)工程機(jī)械學(xué)報(bào);2013年03期

9 莊嘉祥;姜海燕;劉蕾蕾;王芳芳;湯亮;朱艷;曹衛(wèi)星;;基于個(gè)體優(yōu)勢(shì)遺傳算法的水稻生育期模型參數(shù)優(yōu)化[J];中國(guó)農(nóng)業(yè)科學(xué);2013年11期

10 劉鋼;老松楊;侯綠林;譚東風(fēng);;知識(shí)引導(dǎo)的智能優(yōu)化算法在航路規(guī)劃中的應(yīng)用[J];湖南大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年01期

相關(guān)博士學(xué)位論文 前4條

1 姜志偉;區(qū)域冬小麥估產(chǎn)的遙感數(shù)據(jù)同化技術(shù)研究[D];中國(guó)農(nóng)業(yè)科學(xué)院;2012年

2 劉蕾蕾;氣候變化、品種更新和管理措施對(duì)我國(guó)水稻生育期及產(chǎn)量影響的研究[D];南京農(nóng)業(yè)大學(xué);2012年

3 席琳;形式化方法在構(gòu)件組裝實(shí)時(shí)系統(tǒng)中的應(yīng)用研究[D];鄭州大學(xué);2012年

4 熊偉;未來(lái)氣候變化情景下中國(guó)主要糧食作物生產(chǎn)模擬[D];中國(guó)農(nóng)業(yè)大學(xué);2004年

，

本文編號(hào)：2066084