论文部分内容阅读
水、肥是农业生产中的两个非常重要的方面,两者具有协同效应,增水能够增加肥料的增产效应,增肥能够增加灌水的增产效应。现阶段大田作物的施肥灌溉制度仍以粗放型、经验型为主,不仅浪费大量水资源,而且化肥的大量施用会造成农业生产成本的增加,污染土壤和水体,破坏生态环境,危害人类身体健康。因此合理优化水肥耦合的灌溉制度已成为关键性问题。在农业生产中,水、肥既相互制约又相互协调促进,只有合理匹配水肥因子,才能起到以肥调水、以水促肥,并充分发挥水肥双因子的耦合增产作用。因此,研究水肥耦合效应,对提高水分和肥料利用效率,避免生态环境的破坏和恶化,提高农业生产的综合效益,保障农业可持续发展有着重要的意义。鉴于此本文建立了考虑水肥耦合效应的灌溉制度多目标优化模型,主要研究内容包含以下两个方面:首先应用现代化设计方法建立灌水-施肥-产量之间的关系。利用支持向量机在解决小样本、非线性及高维模式识别的函数拟合问题中的特有优势,建立灌水-施肥-产量间的回归机模型。模型中的C、σ是决定其回归精度的关键性参数,而且都是人为事先设定的,无规律可寻。基于此,本文采用粒子群优化算法(PSO)对支持向量机(SVM)模型中的关键参数进行优化,避免由于参数选取的不当而造成的“过学习”或“欠学习”的现象。另一方面,近年来BP神经网络因其自学习和自适应能力强、泛化能力强等优点被广泛应用,故本文同时建立基于BP神经网络的水肥生产函数模型。并对所建立的模型进行对比分析,确定最优水肥生产函数模型。其次为确定合理的水肥耦合灌溉制度,本文采用改进分组非支配排序的多目标遗传算法(GNSGA-II)建立了基于PSO-SVM水肥-产量关系的多目标优化模型,并以灌水量和施肥量为决策变量进行同步优化,以期达到作物全生育期内灌溉水量最小、施肥总量最少、作物产量最大的优化目标。合理确定灌水量和施肥量,使得水肥的田间管理得以精细化控制。同时考虑到现代农业生产状况,以单位面积农作物的经济效益最大为目标,并兼顾环境效益进行施肥量和灌水量的同步优化,其优化的方法和结果可为现代化的农业生产提供参考依据。本文根据水肥-产量间的关系分别建立了PSO-SVM和BP神经网络水肥-产量预测模型,同时建立了基于PSO-SVM水肥-产量关系的多目标优化模型,旨在确定合理的水肥耦合灌溉制度。并将所建立的模型应用于实例,得到以下结论:(1)应用粒子群算法(PSO)对支持向量机的关键参数进行了优化,有效地避免了SVM中参数选择的不足,保证了SVM的学习、预测能力,提高了预测精度。(2)基于PSO-SVM的水肥-产量关系模型在预测精度、参数选择方面明显优于BP神经网络模型,并且具有较好的鲁棒性。(3)应用改进的多目标遗传算法(GNSGA-II)建立了基于PSO-SVM水肥-产量关系的多目标优化模型,以灌水量和施肥量为决策变量,产量和经济效益为目标进行的同步优化,得出了部分非劣解,供决策者参考使用。该优化模型可为田间水肥精细化管理提供参考依据。