1随着信息技术的迅速发展，作物模型已经得到越来越广泛地应用，随之而来的模型参数校正问题常常限制了模型的应用。自动优化法因其使用简单，适用于多参数情况而得到了广泛应用。本文选择了参数自适应差分、个体优势遗传、粒子群等五种进化算法进行应用，解决调参精度不足以及调参结果出现“异参同效”的问题，在ORYZA2000和RiceGrow水稻生育期模型上进行了不同地点、不同品种的比较实验。发现基础差分进化、参数自适应差分进化算法在调参精度上明显优于另外三种算法，平均RMSE值小0.5d左右。此外，本文针对调参实验结果，设计了直接平均法、归一化/不归一化的K-Means聚类法、归一化的K值优化的K-Means聚类等五种“异参同效”处理方法。实验发现K值优化的K-Means聚类处理后的品种参数，具有较好的模型精度与鲁棒性，平均RMSE值要小0.3d左右。最后，设计并实现了水稻模型参数智能校准工具，实现了参数校正、异参同效处理、情景模拟、气象分析预测等功能。
目录
引言
1.绪论
1.1 研究背景
农业生产与气候息息相关，即使在科学技术相对发达的今天，气候的剧烈变化会对农业生产带来巨大影响，进而威胁世界粮食安全。因此，及时准确的预测水稻产量等农情信息，对制定国家和区域的粮食政策，指导和调控宏观的种植业产业结构，提高相关企业和农民的经营管理水平，进一步发挥农业生产潜力等均具有重要意义。
随着信息技术的迅速发展，农业也开始逐步地与信息技术相融合形成了 “智慧农业”。智慧农业的主要目标是利用数字驱动的农业生产管理体系，在农业生产过程中对作物进行监测，对农业生产中的现象、过程进行模拟，达到合理利用资源、降低生产成本、改善生态环境、提高农作物产量和质量的目的[1]，而作物模型是“智慧农业”应用的基石。
作物模型是利用计算机技术对作物生长发育过程及作物与环境的动态关系进行分析和定量的描述，从而预测作物的阶段发育、形态发生、干物质积累分配及产量等生产要素，通过综合知识的表达，来洞察作物生长过程[2]。根据实际情况，选择合适的模型；通过信息化手段获取更为优化的参数，可以为农业生产提供更好的模拟与预测[3]。
对于水稻来说，物候信息不仅反映当时的天气条件，还反映过去时间段内气象条件影响下的生物量 *51今日免费论文网|www.jxszl.com +Q: &351916072& 
累积情况，在预告农事活动，引种，农作物估产的研究中都有广泛的应用价值[4]。因此，如何合理利用水稻物候期模型预测水稻物候期时间，就显得尤为重要。
应用水稻物候期模型时有个重要的问题——几乎所有的模型都很难具有普适性，在不同区域应用时都需要对模型的参数进行校准[5]，水稻物候期模型也不例外。特别是水稻模型的品种参数，需要根据种植地点，种植品种的不同而改变。模型的标定（calibration）和验证（validation）等准备工作是水稻物候期模型应用的前提。当参数取值不准确时可能会导致模型的预测结果不可靠甚至错误[6]。但是水稻物候期模型参数众多，这些参数不能通过田间观测直接获得。因此通过准确的方法获得模型品种参数是进行水稻模型应用、提高模型预测准确度的前提[7]。
1.2 作物模型参数校准研究现状
目前应用较多的模型参数率定方法有人工试错法、自动优化法[8]等 。其中人工试错法缺乏客观性并需要足够的经验，工作量较大[3]。同时随着大数据时代的来临，水稻模型本身在不断向精细化、复杂化方向发展。未来研究区域会扩展，输入模型参量会增加，这将会大大增大人工试错法的工作量，使之难以适应。故本研究选择自动优化法进行研究。
自动优化法又有基于统计理论的参数校正方法和基于最优化理论的作物模型参数校正方法。但是基于统计理论的参数校正方法过多的依赖于模型参数的先验知识，给出的往往是模型参数的后验概率分布，缺少最优解的直接推荐[9]。
基于最优化理论的参数校正方法，较贝叶斯系列便于实现和理解。目前常用的方法有最小二乘法等传统优化算法以及遗传算法（Genetic Algorithm,GA）、差分进化算法（Differential Evolution，DE）、粒子群优化算法（Particle Swarm Optimization， PSO）或者它们之间相互组合的混合算法等启发式优化算法。但最小二乘法等传统优化算法具有估计大量模型参数（>10）时，会导致不准确的估计参数值的问题[48]，故本研究考虑使用进化类参数校正方法。
启发式的智能优化算法，具有易于并行、自学习与自适应等特征，拥有高效的优化性能，被广泛的应用于模型参数校正问题[10]。如费璐璐就在2004[11]尝试将改进的进化算法——种群竞争消亡算法应用于温室黄瓜生长模型，获得了温室黄瓜生长模型参数估计的更高的精确度和稳定性。同年，庄嘉祥等[10]改进了GA，提出个体优势遗传算法（Individual Advantages Genetic Algorithm,IAGA）,突出了精英个体的引导能力，属于改进型协同进化算法类型，并应用到水稻物候期模型的参数校正中，提高了模型校正的精确程度。2018年赵空暖设计了水稻生长模型参数校正框架改进与应用系统，并在其中比较了GA、DE、SACPMDE和PSO四种进化算法对水稻模型参数校正的能力。发现自适应差分进化算法对水稻物候期模型的参数校正有更强适用性，基于自适应差分进化算法的作物模型参数校正框架能有效提高模型参数校正准确度[12]。Zúñiga等于2014年在SUCROS 生长模型上比较了差分进化算法、协方差矩阵适应进化策略、粒子群算法和人工蜂群算法的参数校准能力，发现应用 DE 算法的结果误差最小[13]。已有[1113]研究证明了差分进化和改进差进化算法在模型参数校正领域的有效性。因此，本研究将进化算法的选择重点放在了DE系列算法上。
1.3差分算法研究现状:
差分进化算法 (Differential Evolution ,DE) 是 Rainer 和 Kenneth[14]于 1995 年共同提出的一种采用浮点矢量编码, 在连续空间中进行随机、并行、全局搜索的优化算法。DE 原理简单, 受控参数少,易于理解和实现, 是当前最有效的随机优化算法之一。对于其的优化主要集中在三个方面：
控制参数的优化
DE 算法的控制参数主要有种群规模 NP、缩放因子F以及交叉概率CR。对于标准DE算法，这些参数是由算法的使用者针对算法使用情景给出的，且在迭代过程中并不改变。但是如果选择不当，标准DE算法可能会出现算法搜索停滞或者算法早熟收敛等问题。
在DE算法的三个控制参数中，种群规模(NP)主要影响种群的多样性以及收敛速度它的取值范围一般在[5(D，10(D]之间（D为每个个体的维度）增大 NP 可以提高种群的多样性，使得DE算法越能收敛于最优解，但是会增加算法运行的时间复杂度;减小 NP 可以提高收敛速度，但易陷入局部最优，即早熟收敛。当NP＜20时，还容易发生停滞现象, 停滞现象并不是早熟现象(收敛于局部最优解)，而是一种停止状态，停滞现象发生后算法不能收敛和继续向最优解方向搜索寻优，但种群继续保持着多样性以及非收敛状态[15]。

原文链接：http://www.jxszl.com/jsj/wljs/563989.html