[發明專利]農田土壤反應動力學過程模型建模方法

有效

• 申請號: 201910334893.6
• 申請日: 2019-04-24
• 公開（公告）號: CN110309481B
• 公開（公告）日: 2023-05-02
• 發明（設計）人: 鄧力源;史良勝;李曉萌;張宇婷;孫延鑫;查元源;鄧悅
• 申請（專利權）人: 武漢大學
• 主分類號: G06F17/11
• 分類號: G06F17/11;G06F17/16;G06F17/18;G06N20/00;G06Q50/02;G01N33/24
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 唐萬榮;程力

1.一種農田土壤反應動力學過程模型建模方法，其特征在于：采用水動力學模型和化學反應動力學模型的耦合模型描述農田土壤反應動力學過程，預測溶質濃度分布，通過迭代集合卡爾曼濾波技術修正耦合模型參數，將基于高斯過程回歸的機器學習算法順序性集成到數據同化框架中，用以估計耦合模型結構誤差，為數據同化提供更為合理的先驗值，從而減輕參數補償效應，提高耦合模型的預測能力；

包括步驟，

S1、耦合模型初始化—通過數學方法擾動生成耦合模型預測的狀態變量的樣本集合S_k＝(P_k^T，u_k^T)^T，設定初始同化步k＝0作為數據同化的起點，其中P_k為參數矢量，u_k為狀態變量且狀態變量為溶質濃度；

S2、耦合模型預測—在預測過程中，利用參數樣本集合驅動耦合模型，求解每個樣本的控制方程，所有樣本相互獨立地向前推進至有觀測時刻，得到狀態向量在第k個同化步的預測值，其中上標f代表“預測”，指代第i個樣本成員，N_e表示樣本數；

S3、耦合模型更新—利用集合卡爾曼濾波同化觀測信息，僅更新耦合模型參數，得到更新后的參數樣本集合利用更新后的參數均值從零時刻起重新驅動耦合模型至當前時刻，構造狀態向量，其中a代表“更新”；

S4、構建高斯過程回歸模型，預測耦合模型結構誤差—在重新構造狀態向量的基礎上，利用高斯過程回歸模型預測耦合模型結構誤差項，得到修正后的狀態向量預測值，作為耦合模型當前時刻最優濃度估值和下一時刻初始狀態，其中高斯過程回歸模型的訓練數據集來自于從零時刻至當前時刻的全部耦合模型輸出值和其相應的屬性變量；

S5、更新模型初始值—k＝k+1，判斷當前時刻kN_time，若是，則退出循環，否則返回S2，進入下一個同化周期，其中N_time代表結束時刻。

2.如權利要求1所述的農田土壤反應動力學過程模型建模方法，其特征在于：在S1中，耦合模型初始化是先判斷農田土壤反應動力學模型中存在的不確定性的物理量的統計特征，再通過數學方法抽樣生成符合高斯分布的初始樣本集合。

3.如權利要求1所述的農田土壤反應動力學過程模型建模方法，其特征在于：在S3中，在有觀測時刻，僅更新耦合模型參數，先利用參數樣本均值代替所有樣本從0時刻重新運行確定性耦合模型至當前k時刻，得到從0時刻至當前k時刻所有時刻的溶質濃度集合均值，從而得到更新后的參數樣本集合

4.如權利要求3所述的農田土壤反應動力學過程模型建模方法，其特征在于：S4的具體步驟為：1)構造高斯過程回歸模型歷史數據訓練集，以模型殘差，即真實觀測值與觀測模擬值之間的差值，作為訓練數據的輸出項，以與模型殘差相關的屬性信息作為訓練數據的輸入項；2)利用多元高斯分布構建耦合模型結構誤差的先驗分布；3)建立訓練集和測試集之間的聯合高斯分布，利用訓練數據更新先驗分布，計算后驗概率，求出在當前k時刻各節點的溶質濃度誤差預測值的后驗分布。

5.如權利要求4所述的農田土壤反應動力學過程模型建模方法，其特征在于：構造的高斯過程回歸模型是動態變化的：隨著同化步數的增加，可用的觀測值數量增多，訓練數據集數量也在增加，可實時更新誤差模型，不斷增強其訓練性能，在每個有觀測時刻，高斯過程回歸模型都將重新構建。

6.如權利要求4所述的農田土壤反應動力學過程模型建模方法，其特征在于：在S5中，將S4中預測的當前k時刻各節點的溶質濃度誤差預測均值添加到S?3中重新構造的溶質溶度集合均值上，作為耦合模型在當前時刻的最優估計值輸出，同時也作為數據同化下一時刻的最優初始值，進入下一循環周期。