[发明专利]大田灌溉施肥制度动态决策方法及装置

说明书

本发明提供一种大田灌溉施肥制度动态决策方法及装置，该方法包括：获取待决策作物生育期的环境特征，特征包括气象特征和土壤特征；将环境特征输入训练好的强化学习网络模型，输出最大水肥利用效率所对应的水肥策略；其中，强化学习网络模型，根据水肥策略扩展数据集训练得到；水肥策略扩展数据集，为基于贝叶斯优化算法，对水肥策略数据集的水肥利用效率，进行水肥策略特征寻优确定最大水肥利用效率后得到；水肥策略数据集，为基于不同水肥策略种植后，得到的包括环境特征、水肥策略特征和水肥利用效率对应关系的数据集。该方法可提升最佳水肥策略的置信度，以得到最大水肥利用效率对应的水肥策略，提高最终决策得到水肥策略的真实水肥利用效率。

技术领域

本发明涉及作物种植领域，尤其涉及一种大田灌溉施肥制度动态决策方法及装置。

背景技术

在大田种植过程中，水和肥是决定农作物产量与品质的关键因素。然而，在实际生产中，通常依据当地种植管理者的经验实施水肥管理策略。例如，对水肥制度的制定通常是通过多年长期的种植试验，结合作物生长和产量，摸索出一套结合生育期的简单灌溉施肥制度，包括灌水次数，灌水量，施肥次数、施肥量等。

然而，在大田种植的条件下，水肥条件受天气的影响极为显著，例如降水是土壤含水量的重要来源，而丰水年和枯水年的降水量差异可达50％，这就使得少数年份的实验结果，难以对数十年尺度的种植过程具有明显代表性和适用性。此外，作物需水需肥量还受到种植品种、种植密度、农艺管理措施等影响，可想而知，采用一套经验参数进行灌溉施肥的准确性会受到影响，而考虑上述不同因素开展试验研究，建立全面的施肥灌溉制度工程量巨大。

仅对特定地区、作物和时间开展试验，难以覆盖地区、作物、气象差异。现有研究中，水肥制度通常来自多年实际种植试验，考虑到作物生长所需的时间、品种、农艺措施差异等，需要开展不同类型、不同周期的海量试验，而完成完整的种植过程需持续1-3年时间，耗时久体量小，数据积累难覆盖弱。此外，不同区域的小气候变化差异显著，需要在不同类型的气候条件下才能取得典型的水肥消耗特征。这使得现有的研究在有限的条件下，只能着重针对部分地区的少数主要种植作物进行研究，难以覆盖广袤农用耕地和丰富的作物品种。

发明内容

针对现有技术存在的问题，本发明提供一种大田灌溉施肥制度动态决策方法及装置。

本发明提供一种大田灌溉施肥制度动态决策方法，包括：获取待决策作物生育期的环境特征，所述环境特征包括气象特征和土壤特征；将所述环境特征，输入训练好的强化学习网络模型，输出最大水肥利用效率所对应的水肥策略；其中，所述强化学习网络模型，根据水肥策略扩展数据集训练得到；所述水肥策略扩展数据集，为基于贝叶斯优化算法，对水肥策略数据集的水肥利用效率，进行水肥策略特征寻优确定最大水肥利用效率后得到；所述水肥策略数据集，为不同气象条件和不同土壤环境下，基于不同水肥策略种植后，得到的包括环境特征、水肥策略特征和水肥利用效率对应关系的数据集。

根据本发明一个实施例的大田灌溉施肥制度动态决策方法，所述将所述环境特征，输入训练好的强化学习网络模型，输出最大水肥利用效率所对应的水肥策略之前，还包括：获取作物种在不同气象条件和不同土壤条件下，按照确定的水肥策略种植后的历史气象数据、土壤数据得到环境特征，结合水肥策略特征以及计算得到的水肥利用效率，构建所述水肥策略数据集；以水肥利用效率为优化目标，根据贝叶斯算法确定代理模型，并基于树形结构概率密度估计算法进行调整，得到最终代理模型；基于预期改进算法确定采样函数，对所述水肥策略数据集中每条环境特征对应的水肥策略进行多次迭代采样，且每次迭代选择使目标函数值增加的下一评估点进行水肥策略和水肥利用效率的更新，得到具有最大水肥利用效率和对应水肥策略特征的所述水肥策略扩展数据集。

根据本发明一个实施例的大田灌溉施肥制度动态决策方法，所述将所述环境特征，输入训练好的强化学习网络模型，输出最大水肥利用效率所对应的水肥策略之前，还包括：根据水肥策略扩展数据集，基于策略学习方法DDPG对所述强化学习网络模型进行训练。