[發(fā)明專利]農(nóng)田土壤反應(yīng)動力學(xué)過程模型建模方法

有效

• 申請?zhí)枺?/td>: 201910334893.6
• 申請日: 2019-04-24
• 公開（公告）號: CN110309481B
• 公開（公告）日: 2023-05-02
• 發(fā)明（設(shè)計(jì)）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(quán)）人: 武漢大學(xué)
• 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

本發(fā)明公開了一種農(nóng)田土壤反應(yīng)動力學(xué)過程模型建模方法，采用水動力學(xué)模型和化學(xué)反應(yīng)動力學(xué)模型的耦合模型描述農(nóng)田土壤反應(yīng)動力學(xué)過程，預(yù)測溶質(zhì)濃度分布，通過迭代集合卡爾曼濾波技術(shù)修正耦合模型參數(shù)，將基于高斯過程回歸的機(jī)器學(xué)習(xí)算法順序性集成到數(shù)據(jù)同化框架中，用以估計(jì)耦合模型結(jié)構(gòu)誤差，為數(shù)據(jù)同化提供更為合理的先驗(yàn)值，從而減輕參數(shù)補(bǔ)償效應(yīng)，提高耦合模型的預(yù)測能力。本方法解決了農(nóng)田土壤反應(yīng)動力學(xué)數(shù)據(jù)同化計(jì)算中難以解決且不容忽視的模型結(jié)構(gòu)誤差，不需要對模型誤差的先驗(yàn)分布做出任何實(shí)質(zhì)性假設(shè)，避免了同化過程中參數(shù)過度擬合。

技術(shù)領(lǐng)域

本發(fā)明屬于農(nóng)田水土環(huán)境領(lǐng)域，具體涉及一種農(nóng)田土壤反應(yīng)動力學(xué)過程模型建模方法。

背景技術(shù)

理解農(nóng)田土壤反應(yīng)動力學(xué)過程對揭示真實(shí)的農(nóng)田水土環(huán)境演變規(guī)律至關(guān)重要，對此研究者們已經(jīng)開發(fā)了多種水文-地球生物化學(xué)過程機(jī)理模型。但由于過程的復(fù)雜性以及發(fā)生環(huán)境(土壤類型、地層結(jié)構(gòu)，生物因子以及參數(shù)等)的復(fù)雜性，人們對農(nóng)田土壤反應(yīng)動力學(xué)過程的理解非常有限，因而所搭建的過程機(jī)理模型不可避免地存在多種不確定性來源，限制了模型結(jié)果的可信度和實(shí)用性。如何量化并減小模型預(yù)測的不確定性進(jìn)而提高模型預(yù)測精度是當(dāng)前領(lǐng)域的研究熱點(diǎn)，也是一個極具挑戰(zhàn)性的問題。

作為一種有效的參數(shù)反演及模型優(yōu)化工具，數(shù)據(jù)同化方法可綜合考慮初始條件、模型參數(shù)、輸入和模型結(jié)構(gòu)等多種誤差來源，并根據(jù)動態(tài)的觀測數(shù)據(jù)實(shí)時地更新模型參數(shù)和變量以降低各種來源的不確定性。其中，以集合卡爾曼濾波(Ensemble?Kalman?Filter，EnKF)為代表的順序性數(shù)據(jù)同化算法因其計(jì)算成本低，適應(yīng)能力強(qiáng)等優(yōu)點(diǎn)得到廣泛應(yīng)用，然而，由于無法對模型結(jié)構(gòu)誤差給出合理的描述，在實(shí)際的數(shù)據(jù)同化計(jì)算中往往忽略模型結(jié)構(gòu)誤差，認(rèn)為模型本身正確，而將模型偏差歸因于參數(shù)(以及輸入)的不確定性，或者簡單地將結(jié)構(gòu)誤差視為模型輸出變量上的零均值高斯誤差添加項(xiàng)，這種忽略或低估模型結(jié)構(gòu)不確定性的方式會導(dǎo)致模型產(chǎn)生系統(tǒng)性偏差和過度自信的模型預(yù)測。

為識別和量化模型結(jié)構(gòu)誤差，研究者們進(jìn)行了大量嘗試，提出了諸如放大背景誤差協(xié)方差矩陣和多模型方法等等，但是這些方法受限于其昂貴的計(jì)算成本和對候選模型質(zhì)量及數(shù)量的依賴性。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種農(nóng)田土壤反應(yīng)動力學(xué)過程模型建模方法，本方法解決了農(nóng)田土壤反應(yīng)動力學(xué)數(shù)據(jù)同化計(jì)算中難以解決且不容忽視的模型結(jié)構(gòu)誤差，不需要對模型誤差的先驗(yàn)分布做出任何實(shí)質(zhì)性假設(shè)，避免了同化過程中參數(shù)過度擬合。

本發(fā)明的所采用的技術(shù)方案是：

一種農(nóng)田土壤反應(yīng)動力學(xué)過程模型建模方法，采用水動力學(xué)模型和化學(xué)反應(yīng)動力學(xué)模型的耦合模型描述農(nóng)田土壤反應(yīng)動力學(xué)過程，預(yù)測溶質(zhì)濃度分布，通過迭代集合卡爾曼濾波技術(shù)修正耦合模型參數(shù)，將基于高斯過程回歸的機(jī)器學(xué)習(xí)算法順序性集成到數(shù)據(jù)同化框架中，用以估計(jì)耦合模型結(jié)構(gòu)誤差，為數(shù)據(jù)同化提供更為合理的先驗(yàn)值，從而減輕參數(shù)補(bǔ)償效應(yīng)，提高耦合模型的預(yù)測能力。

具體的，包括步驟：

S1、耦合模型初始化—通過數(shù)學(xué)方法擾動生成耦合模型預(yù)測的狀態(tài)變量的樣本集合S_k＝(P_k^T，u_k^T)^T，設(shè)定初始同化步k＝0作為數(shù)據(jù)同化的起點(diǎn)，其中P_k為參數(shù)矢量，u_k為狀態(tài)變量且狀態(tài)變量為溶質(zhì)濃度；

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

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(shù)，得到更新后的參數(shù)樣本集合利用更新后的參數(shù)均值從零時刻起重新驅(qū)動耦合模型至當(dāng)前時刻，構(gòu)造狀態(tài)向量，其中a代表“更新”；