考慮水肥耦合的冬小麥灌溉制度多目標(biāo)優(yōu)化.pdf

1、水、肥是農(nóng)業(yè)生產(chǎn)中的兩個非常重要的方面，兩者具有協(xié)同效應(yīng)，增水能夠增加肥料的增產(chǎn)效應(yīng)，增肥能夠增加灌水的增產(chǎn)效應(yīng)?，F(xiàn)階段大田作物的施肥灌溉制度仍以粗放型、經(jīng)驗型為主，不僅浪費大量水資源，而且化肥的大量施用會造成農(nóng)業(yè)生產(chǎn)成本的增加，污染土壤和水體，破壞生態(tài)環(huán)境，危害人類身體健康。因此合理優(yōu)化水肥耦合的灌溉制度已成為關(guān)鍵性問題。在農(nóng)業(yè)生產(chǎn)中，水、肥既相互制約又相互協(xié)調(diào)促進(jìn)，只有合理匹配水肥因子，才能起到以肥調(diào)水、以水促肥，并充分發(fā)揮水肥雙因

2、子的耦合增產(chǎn)作用。因此，研究水肥耦合效應(yīng)，對提高水分和肥料利用效率，避免生態(tài)環(huán)境的破壞和惡化，提高農(nóng)業(yè)生產(chǎn)的綜合效益，保障農(nóng)業(yè)可持續(xù)發(fā)展有著重要的意義。鑒于此本文建立了考慮水肥耦合效應(yīng)的灌溉制度多目標(biāo)優(yōu)化模型，主要研究內(nèi)容包含以下兩個方面:
　　首先應(yīng)用現(xiàn)代化設(shè)計方法建立灌水-施肥-產(chǎn)量之間的關(guān)系。利用支持向量機在解決小樣本、非線性及高維模式識別的函數(shù)擬合問題中的特有優(yōu)勢，建立灌水-施肥-產(chǎn)量間的回歸機模型。模型中的C、σ是決定其

3、回歸精度的關(guān)鍵性參數(shù)，而且都是人為事先設(shè)定的，無規(guī)律可尋?；诖?，本文采用粒子群優(yōu)化算法(PSO)對支持向量機（SVM）模型中的關(guān)鍵參數(shù)進(jìn)行優(yōu)化，避免由于參數(shù)選取的不當(dāng)而造成的“過學(xué)習(xí)”或“欠學(xué)習(xí)”的現(xiàn)象。另一方面，近年來BP神經(jīng)網(wǎng)絡(luò)因其自學(xué)習(xí)和自適應(yīng)能力強、泛化能力強等優(yōu)點被廣泛應(yīng)用，故本文同時建立基于BP神經(jīng)網(wǎng)絡(luò)的水肥生產(chǎn)函數(shù)模型。并對所建立的模型進(jìn)行對比分析，確定最優(yōu)水肥生產(chǎn)函數(shù)模型。
　　其次為確定合理的水肥耦合灌溉制度，

4、本文采用改進(jìn)分組非支配排序的多目標(biāo)遺傳算法(GNSGA-Ⅱ)建立了基于PSO-SVM水肥-產(chǎn)量關(guān)系的多目標(biāo)優(yōu)化模型，并以灌水量和施肥量為決策變量進(jìn)行同步優(yōu)化，以期達(dá)到作物全生育期內(nèi)灌溉水量最小、施肥總量最少、作物產(chǎn)量最大的優(yōu)化目標(biāo)。合理確定灌水量和施肥量，使得水肥的田間管理得以精細(xì)化控制。同時考慮到現(xiàn)代農(nóng)業(yè)生產(chǎn)狀況，以單位面積農(nóng)作物的經(jīng)濟效益最大為目標(biāo)，并兼顧環(huán)境效益進(jìn)行施肥量和灌水量的同步優(yōu)化，其優(yōu)化的方法和結(jié)果可為現(xiàn)代化的農(nóng)業(yè)生產(chǎn)提

5、供參考依據(jù)。
　　本文根據(jù)水肥-產(chǎn)量間的關(guān)系分別建立了PSO-SVM和BP神經(jīng)網(wǎng)絡(luò)水肥-產(chǎn)量預(yù)測模型，同時建立了基于PSO-SVM水肥-產(chǎn)量關(guān)系的多目標(biāo)優(yōu)化模型，旨在確定合理的水肥耦合灌溉制度。并將所建立的模型應(yīng)用于實例，得到以下結(jié)論:
　　(1)應(yīng)用粒子群算法(PSO)對支持向量機的關(guān)鍵參數(shù)進(jìn)行了優(yōu)化，有效地避免了SVM中參數(shù)選擇的不足，保證了SVM的學(xué)習(xí)、預(yù)測能力，提高了預(yù)測精度。
　　(2)基于PSO-SVM的水