将交互式决策机制融入进化多目标农业优化中
《Computers and Electronics in Agriculture》:Integrating interactive decision making into evolutionary multiobjective agricultural optimization
【字体:
大
中
小
】
时间:2025年12月25日
来源:Computers and Electronics in Agriculture 10.3
编辑推荐:
伊恩·克罗普|A. 波扬·内贾德哈谢米|普拉卡什·K·贾|以利亚·斯皮纳|格雷戈里奥·托斯卡诺·普利多美国俄亥俄州北俄亥俄大学电气与计算机工程及计算机科学系摘要人类需要提高农业产量,以养活日益庞大且往往生活富裕的人口。目前,工业化农业能够满足这些需求,但却是以牺牲水资源的数量和质
伊恩·克罗普|A. 波扬·内贾德哈谢米|普拉卡什·K·贾|以利亚·斯皮纳|格雷戈里奥·托斯卡诺·普利多美国俄亥俄州北俄亥俄大学电气与计算机工程及计算机科学系摘要人类需要提高农业产量,以养活日益庞大且往往生活富裕的人口。目前,工业化农业能够满足这些需求,但却是以牺牲水资源的数量和质量为代价的。现有研究已成功运用进化多目标优化算法来优化大规模灌溉计划,在保持产量的同时显著减少了用水量。然而,农民与优化软件之间的信任缺失阻碍了这类工具的普及,而且优化运算的速度也慢得不可行。在本研究中,我们采用了逐步交互式进化多目标优化算法,将人类决策机制融入优化过程,从而提升算法的可靠性并加快运算速度。为此,我们实现了改进版的PI-NSGA-II算法,用于灌溉管理。接着,我们对比了NSGA-II(非交互式进化多目标优化算法)与PI-NSGA-II在900种不同灌溉优化场景下的表现。在所有场景中,PI-NSGA-II的整体性能与NSGA-II相当,但运算速度更快,函数评估次数仅为后者的一半。通过这种方式,我们实现了:(1)成功将交互性引入农业优化问题;(2)将函数评估次数减少一半。这使得两种算法的运行时间平均提升了23%。换句话说,PI-EMO-VF使得进化多目标优化在农业领域的应用比现有的最先进技术更具可靠性和效率。本研究表明,未来开发出优化决策支持工具是可行的,这类工具能够帮助农民做出既高效又能维护农业生态系统的决策。引言由于人口增长、气候变化以及资源限制,全球农业系统在满足食物和营养需求方面面临着越来越大的挑战(Rosegrant等人,2024年)。气候变化带来的干扰以及波动的食品价格进一步加剧了这些压力。然而,传统农业实践往往存在资源利用不合理和运营效率低下的问题,无法可持续地满足不断增长的需求(Rehman和Farooq,2023年)。由于农业生产系统极易受到非生物和生物因素的影响,因此迫切需要可持续的、基于数据的、高效利用资源的管理策略。农业中的可持续资源优化涉及多种资源使用方式之间的经济权衡、相关环境危害或益处,以及提升生产力的方法(Klapwijk等人,2014年)。精准农业与信息技术的结合已经显著提升了农业生产力(Mulla,2013年;Lindblom等人,2017年;Finger等人,2019年)。为应对农业系统中的复杂变化,需要借助数据驱动的优化技术,在资源有限的条件下提高投入效率(Koshariya等人,2024年)。传统上,优化农业管理实践依赖于田间试验,但这些试验往往受时空变化和成本限制的制约。不过,计算建模、数据分析以及优化算法的进步为开发高效且可扩展的资源管理策略提供了新的途径(Kropp等人,2019年;Jha等人,2021年;Jha等人,2022年)。作物模拟模型已被广泛用于评估管理措施对农场及区域层面作物生长和产量的影响。在优化农业系统时,最大的挑战之一就是天气模式的不确定性。气象条件的变化会显著影响作物生长状况,这使得设计出普遍适用的最佳管理措施变得十分困难。解决这一问题的一个有效方法是将优化技术与数据挖掘相结合,从大量模拟的天气和管理场景数据中提取有用的信息。由于资源限制,传统的农学研究往往缺乏进行此类全面优化所需的时间和空间尺度。不过,将作物模型与优化技术相结合,就可以生成大量的数据集,进而为管理创新提供依据(Kropp等人,2019年;Saravi等人,2021年)。实施优化后的农业管理措施能带来诸多好处,包括提高生产力、提升资源利用效率、增强气候适应能力、带来经济收益以及保护环境(Getahun等人,2024年)。然而,由于水、养分和环境条件之间存在着复杂的相互作用,这些农业优化问题尤其难以解决。诸如梯度下降和线性规划之类的传统优化方法虽然能高效解决简单问题,但却难以处理许多农业系统所具有的非线性、多模态和非凸特性(Maier等人,2014年)。鉴于这些挑战,进化优化算法(也称为遗传算法)作为一种有前景的替代方案应运而生,它能为复杂的现实世界农业问题提供近乎最优或最优的解决方案。进化算法已被成功应用于优化作物管理措施,证明了其在提升资源利用效率和产量方面的有效性(Kropp等人,2019年)。此外,农业系统通常还包含多目标优化问题。与单目标优化不同,多目标优化问题涉及各种相互冲突的目标之间的权衡,比如在最小化灌溉投入的同时最大化产量(Deb,2009年)。由于农业优化问题既复杂又涉及多目标,因此一类名为进化多目标优化算法的算法非常适用于农业领域。正因如此,这类算法在农业研究领域得到了广泛应用(Kropp等人,2022b年;Kropp等人,2019年;Sarker和Ray,2009年;Whittaker等人,2017年;Darshana等人,2012年)。尽管在田间农业优化研究方面已取得了一些令人满意的成果,但现有方法仍存在两个主要缺陷。首先,传统的进化算法,尤其是那些用于农业领域的算法,由于需要考虑目标之间的所有可能权衡,因此需要很长时间才能找到解决方案。考虑到用户最终只需从所有可行方案中选择其中一个,这样的计算成本实在过高(Meignan等人,2015年)。本研究的多次测试表明,使用Kropp等人(2019年)的方法进行田间农业优化,即便在64核CPU的工作站上也需要数周时间。如果要将这些方法应用于面向实际农民的实时决策支持工具中,就必须降低如此高的计算成本。例如,一个需要数小时才能给出建议的决策支持网站,显然不如几分钟或几秒就能出结果的网站受欢迎。此外,人们还担心农民是否会接受基于进化优化算法的决策支持工具所提供的管理建议。事实证明,由建模和优化工具构成的决策支持工具在农民中的普及率较低。Antle等人发现,可信度(即可靠性)是小规模和大规模农民采用农业系统模型时的关键障碍(Antle等人,2017年)。Rose等人的研究结果也支持了这一观点,他们发现在接受调查的700名英格兰和威尔士农民中,只有49%的人使用了决策支持工具(Rose等人,2016年)。而且,除了决策支持工具之外,尤其是发展中国家的农民,也迟迟不愿采用能够提升产量差距的新技术(Curry等人,2021年;Pawera等人,2024年)。现有文献指出,有两个关键因素阻碍了农业决策支持工具的普及:(1)农民在工具设计和使用过程中的参与程度(即包容性)(M?ssinger等人,2022年;Pawera等人,2024年;Rose等人,2017年);(2)工具的可信度(Antle等人,2017年;Maier等人,2023年)。在部署决策支持工具时,包括建模和优化在内的多个因素已被证明能够提升其可靠性和可信度,这些因素包括透明度(Belton等人,2008年)、可解释性(Lundberg和Lee,2017年;Shavarani等人,2023年)、可阐释性以及Allen等人(2019年)的研究成果。交互式优化算法将在“相关研究”部分详细介绍,我们认为这类算法可以通过提高参与度和可信度,从而缩短运算时间并提升农民对田间灌溉管理的接受度。与传统进化多目标优化算法仅在优化过程最后才向农业决策者展示最优解(即“黑箱”操作)不同,交互式方法会在整个优化过程中不断征求决策者的反馈。我们推测,这不仅能够提高优化的计算效率,还能让农民更积极地参与到优化管理措施的制定过程中,进而提升其接受度。据我们所知,目前关于农业优化和交互式优化的研究还存在空白。首先,交互式优化尚未被应用于大规模农业优化领域,因为现有的应用仅集中在农业土地使用优化方面(Kaim等人,2018年)。其次,这些研究仅使用了基于标量化的交互式优化方法,而没有采用基于值函数的交互式优化方法(Kaim等人,2018年)。为填补这一空白,本研究旨在应用基于值函数的交互式方法(PI-NSGA-II,Deb等人,2010年)来优化田间玉米灌溉管理系统。具体而言,我们假设将交互式方法纳入大规模灌溉优化过程中,能够:1. 提高计算效率;2. 增强农业优化的交互性和可靠性。通过努力实现这些目标,我们期望在未来能够开发出真正的田间灌溉管理决策支持工具,这类工具不仅能减少玉米生产的用水量,还能提高农民的接受度。为了验证这一假设,我们首先将构建一个基于PI-NSGA-II的优化平台。该平台将用于优化密歇根州卡斯县的玉米灌溉,以在减少用水量的同时最大化产量。之后,我们将比较这种交互式方法与事后多目标优化算法(即非交互式NSGA-II)的性能。接着,我们将在30年的气象数据以及30种不同的随机优化种子条件下,对PI-NSGA-II和NSGA-II进行压力测试。通过这900种场景的分析,我们将判断在更快的运算速度下,仅需较少函数评估次数的PI-NSGA-II是否能与NSGA-II取得相近的优化效果。章节节选多目标优化多目标优化问题的特点是存在多个相互冲突的目标,单一解决方案无法同时满足所有目标(Meignan等人,2015年)。农业问题正是多目标优化领域的典型研究案例。为更详细地阐述多目标优化的核心概念,试想一位农民正在试图确定在整个生长季节内应为玉米作物施加多少灌溉水量。某一固定的季节总用水量可以被视为该问题的一个解决方案。在美国中西部,方法论概述首先,我们将介绍我们的研究方法。该方法基于Kropp等人(2019年)提出的大规模灌溉优化框架。Kropp等人运用进化多目标优化算法来优化灌溉方案,其目标是减少用水量、降低渗漏、减少氮肥施用量,并最大化作物产量。为此,他们采用了由Deb和Jain在2013年开发的NSGA-III进化多目标优化算法,通过调整灌溉和氮肥施用计划来达到上述目标。PI-NSGA-II的性能PI-NSGA-II的运行性能与NSGA-II大致相当,但函数评估次数仅为后者的一半。图2展示了PI-NSGA-II和NSGA-II在典型年份中的运行情况(完整图表见补充材料中的图S7–36)。在所有三种决策者偏好范围内,最终得到的PI-NSGA-II最优解大致处于30次NSGA-II运行所得最优解和最差解的范围内(见图2、S7–S36)。此外,那些位于该范围之外的解……结论本研究假设,交互式进化多目标优化算法可应用于农业领域,从而在提高优化运算速度的同时,打造更为可靠的优化平台。通过900种场景(30年×30种随机种子×3种决策者偏好),我们充分证明了PI-NSGA-II在灌溉管理方面产生的解决方案实际上与NSGA-II的效果相当。不仅如此,我们仅通过一半的函数评估次数就获得了这些解决方案。CRediT作者贡献说明伊恩·克罗普:写作——审阅与编辑,写作——初稿撰写,软件开发,项目管理,方法论研究,形式分析,概念构思。A. 波扬·内贾德哈谢米:写作——审阅与编辑,资金筹集,概念构思。普拉卡什·K·贾:写作——初稿撰写,结果验证,数据整理。以利亚·斯皮纳:写作——初稿撰写,软件开发,形式分析。格雷戈里奥·托斯卡诺·普利多:验证、方法论。利益冲突声明作者声明自己不存在任何可能影响本文所述工作的已知财务利益或个人关系。致谢本研究得到了美国农业部国家食品与农业研究所Hatch 1095项目1019654的支持。作者们要感谢安库尔·辛哈博士提供了用于PI-EMO-VF价值函数优化的MATLAB代码。在开发PI-NSGA-II Python模块的过程中,他的支持起到了重要作用。我们还要感谢卡罗尔·克罗普在润色手稿语言方面的帮助。作者们还承认俄亥俄州在这一研究中的贡献。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号