本发明涉及农田养分管理领域，具体来说，尤其涉及基于作物相对产量差优化氮肥用量的方法。
背景技术：
1、水稻、小麦和玉米是中国主要的粮食作物，产量占据中国粮食总产量的比例较高，随着人口的增长，粮食产量需要显著提升，由于耕地面积受限，提升总产量主要依赖于单产的提高。但是，当前这些作物的生产潜力并没有得到完全发挥，潜在产量和实际产量之间存在显著差距，近年来，有些区域粮食作物的单产增长速度甚至呈现放缓或下降趋势。
2、氮肥对提高水稻、小麦和玉米产量起着关键作用，尤其是水稻对氮素的需求更为突出。当前中国在氮肥的施用上存在一定的盲目性，这不仅影响了作物产量的提升，还可能导致氮肥利用效率下降和环境问题。
3、为了在实现粮食增产的同时避免资源浪费和环境污染，科研工作者研发了一系列优化施肥的技术。例如，土壤地力指标法、目标产量方法和提高冬小麦氮肥利用效率的氮肥施用方法等。但是，在上述背景技术中，要么仅考虑土壤指标进行施肥推荐，忽略作物产量；或者基于作物的绝对产量计算肥料的增产效应和增产潜力，以此来指导施肥，忽略了气候、品种等多种因素的影响，因此在实际生产中无法达到精准指导农民施肥的目的。由于缺乏有效的地力管理和优化施肥策略，过量使用化肥（特别是氮肥）可能导致土壤酸化、面源污染和温室气体排放等环境问题。
4、针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
1、为了克服以上问题，本发明提出基于作物相对产量差优化氮肥用量的方法，可精准量化不同地力水平下的最优施氮量，解决农业生产中资源浪费和农作物产量的不稳定的问题。
2、为此，本发明采用的具体技术方案如下：
3、基于作物相对产量差优化氮肥用量的方法，该优化氮肥用量方法包括以下步骤：
4、s1、利用农业农村部耕地土壤质量监测数据，收集近15-30年全国主要农业区内施肥与对照（无肥）的作物产量数据；
5、s2、用相对产量（施肥与对照的产量之差）表征施肥的增产效应；
6、s3、计算近15-30年不同区域的最高相对产量、平均相对产量和相对产量差；
7、s4、根据无肥区的产量水平划分土壤地力的等级；
8、s5、定量分析不同地力等级下农作物相对产量差与氮肥用量的关系；
9、s6、根据不同区域内相对产量差的影响因素分析及其对氮肥用量的响应趋势，确定不同区域的不同地力水平的氮肥用量平衡点；
10、s7、根据不同区域不同地力水平的氮肥用量平衡点制定施肥方案。
11、可选地，根据无肥区的产量水平划分土壤地力的等级包括以下步骤：
12、s41、获取相同区域内施肥区与无肥区的产量数据；
13、s42、对施肥区与无肥区的产量数据进行预处理；
14、s43、根据历史的产量数据，预设土壤地力等级的阈值；
15、s44、利用肘部法则确定产量数据的最佳聚类数量，并根据最佳聚类数量，使用k均值聚类算法对产量数据进行聚类，形成不同的数据群集；
16、s45、根据聚类的结果和预设的地力等级阈值，将不同的数据群集划分为不同的地力等级。
17、可选地，利用肘部法则确定产量数据的最佳聚类数量，并根据最佳聚类数量，使用k均值聚类算法对产量数据进行聚类，形成不同的数据群集包括以下步骤：
18、s441、计算不同产量数据中聚类数量下的聚类内误差平方和；
19、s442、制定不同聚类数量下聚类内误差平方和的曲线图；
20、s443、在曲线图中找到肘部点，确定最佳聚类数量；
21、s444、根据最佳聚类数量，运行k均值聚类算法进行聚类；
22、s445、根据聚类的结果和预设的地力等级阈值，将不同的数据群集划分为不同的地力等级。
23、可选地，计算不同产量数据中聚类数量下的聚类内误差平方和的公式为：
24、；
25、式中，表示产量数据中聚类的数量；
26、表示第个聚类中点的集合；
27、表示群集中的一个点；
28、表示第个聚类的中心；
29、表示聚类内误差平方和；
30、表示范数的平方。
31、可选地，根据最佳聚类数量，运行k均值聚类算法进行聚类包括以下步骤：
32、s4441、随机选择k个农作物产量记录作为初始质心；
33、s4442、将每个农作物产量记录分配到最近质心所在的聚类中；
34、s4443、对于每个聚类，重新计算所有农作物产量记录的平均值，并确定新的质心位置；
35、s4444、重复执行s4442-s4443的步骤，直到达到预设的迭代次数；
36、s4445、当质心为之稳定后，形成最终的农作物产量数据聚类结果。
37、可选地，定量分析不同地力等级下农作物相对产量差与氮肥用量的关系包括以下步骤：
38、s51、获取土壤地力等级的数据及农作物的氮肥用量信息；
39、s52、使用随机森林算法识别影响产量差的特征数据，并通过lda算法对特征数据进行降维处理；
40、s53、根据降维处理后的特征数据构建随机森林模型；
41、s54、从土壤地力等级的数据及农作物的氮肥用量信息中随机抽取的样本训练随机森林模型；
42、s55、通过交叉验证方法评估随机森林模型的性能，并对随机森林模型的参数进行优化；
43、s56、使用优化后随机森林模型对测试集进行预测，确定施肥用量和土壤因素对相对产量差的贡献；
44、s57、分析模型预测结果，获取不同土壤地力等级和氮肥用量对产量差的影响。
45、可选地，使用随机森林算法识别影响产量差的特征数据，并通过lda算法对特征数据进行降维处理包括以下步骤：
46、s521、将数据集按土壤地力等级和氮肥用量组合分为多个类别，每个类别代表一个土壤地力等级和氮肥用量组合；
47、s522、使用随机森林算法分析多个类别，识别符合要求的特征数据；
48、s523、使用lda算法对符合预设要求的特征数据进行降维处理；
49、s524、在每个类别中，计算降维处理后每个类别中数据点的样本方差、类内方差和类间方差；
50、s525、根据样本方差、类内方差和类间方差，通过拉格朗日乘数法优化lda算法中的参数，将数据点投影到新的维度空间，实现特征数据的降维处理。
51、可选地，根据样本方差、类内方差和类间方差，通过拉格朗日乘数法优化lda算法中的参数，将数据点投影到新的维度空间，实现特征数据的降维处理包括以下步骤：
52、s5251、获取样本方差、类内方差和类间方差，并设定目标函数和约束条件；
53、s5252、构建拉格朗日函数，结合目标函数和约束条件，计算拉格朗日函数的导数，得到最佳的特征向量；
54、s5253、利用最佳的特征向量，将原始数据投影到新的维度空间；
55、s5254、验证优化后的维度空间是否满足预期要求；
56、s5255、若不满足，则重复执行s5252-s5253的步骤。
57、可选地，根据不同区域内相对产量差的影响因素分析及其对氮肥用量的响应趋势，确定不同区域的不同地力水平的氮肥用量平衡点包括以下步骤：
58、s61、获取不同区域中农作物产量数据的变化趋势与产量差及相同区域内施肥用量和土壤因素对相对产量差的贡献；
59、s62、分析不同区域农作物产量数据的变化趋势与产量差；
60、s63、使用神经网络模型分析施肥用量和土壤因素对产量差的贡献；
61、s64、利用交叉验证法对神经网络模型进行参数调优；
62、s65、利用优化后的神经网络模型，结合地力水平和农作物产量数据，计算氮肥用量平衡点；
63、s66、根据出氮肥用量平衡点评估氮肥用量、土壤地力对产量的影响。
64、可选地，利用优化后的神经网络模型，结合地力水平和农作物产量数据，计算氮肥用量平衡点包括以下步骤：
65、s651、将不同区域农作物产量数据的变化趋势与产量差的分析结果与施肥用量和土壤因素对产量差的贡献的分析结果输入优化后的神经网络模型；
66、s652、根据优化后的神经网络模型输出不同氮肥用量对产量的影响；
67、s653、在产量与氮肥用量的关系图中，找到符合要求的氮肥用量平衡点。
68、相较于现有技术，本技术具有以下有益效果：
69、1、本发明通过借鉴产量差这一概念，以相对产量（施肥区与无肥区产量之差）代替绝对产量表征施肥的增产效应，用相对产量差表征施肥的增产潜力。可以更准确地评估肥料的增产潜力。
70、2、本发明根据无肥区产量划分低、中、高基础地力水平，量化不同基础地力水平下作物相对产量差与氮肥用量的关系，得到氮肥用量转折点，更精准、有针对性地为氮肥的合理施用并实现作物的高产稳产提供理论依据。本发明通过分析不同区域的产量数据和变化趋势，可以更全面地理解每个区域的地力水平，从而为土壤管理和改良提供了详细依据，利用神经网络模型分析施肥用量和土壤因素对产量差的贡献，能够精确地确定施肥对产量的实际影响，从而帮助制定更有效的施肥策略，交叉验证法对神经网络模型进行参数调优确保了模型的准确性和可靠性，这对于精确预测和决策制定至关重要，结合地力水平和农作物产量数据计算氮肥用量平衡点，有助于确定最佳的施肥量，以达到最高的产量效益。
71、3、本发明通过优化施肥用量，不仅提高产量，还有助于减少环境污染，促进农业可持续发展，通过优化氮肥用量，能够在降低成本的同时提高作物产量，从而提高农业生产的经济效益。
1.基于作物相对产量差优化氮肥用量的方法，其特征在于，该优化氮肥用量的方法包括以下步骤：
2.根据权利要求1所述的基于作物相对产量差优化氮肥用量的方法，其特征在于，所述根据无肥区的产量水平划分土壤地力的等级包括以下步骤：
3.根据权利要求2所述的基于作物相对产量差优化氮肥用量的方法，其特征在于，所述利用肘部法则确定产量数据的最佳聚类数量，并根据最佳聚类数量，使用k均值聚类算法对产量数据进行聚类，形成不同的数据群集包括以下步骤：
4.根据权利要求3所述的基于作物相对产量差优化氮肥用量的方法，其特征在于，所述计算不同产量数据中聚类数量下的聚类内误差平方和的公式为：
5.根据权利要求4所述的基于作物相对产量差优化氮肥用量的方法，其特征在于，所述根据最佳聚类数量，运行k均值聚类算法进行聚类包括以下步骤：
6.根据权利要求1所述的基于作物相对产量差优化氮肥用量的方法，其特征在于，所述定量分析不同地力等级下农作物相对产量差与氮肥用量的关系包括以下步骤：
7.根据权利要求6所述的基于作物相对产量差优化氮肥用量的方法，其特征在于，所述使用随机森林算法识别影响产量差的特征数据，并通过lda算法对特征数据进行降维处理包括以下步骤：
8.根据权利要求7所述的基于作物相对产量差优化氮肥用量的方法，其特征在于，所述根据样本方差、类内方差和类间方差，通过拉格朗日乘数法优化lda算法中的参数，将数据点投影到新的维度空间，实现特征数据的降维处理包括以下步骤：
9.根据权利要求1所述的基于作物相对产量差优化氮肥用量的方法，其特征在于，所根据不同区域内相对产量差的影响因素分析及其对氮肥用量的响应趋势，确定不同区域的不同地力水平的氮肥用量平衡点包括以下步骤：
10.根据权利要求9所述的基于作物相对产量差优化氮肥用量的方法，其特征在于，所述利用优化后的神经网络模型，结合地力水平和农作物产量数据，计算氮肥用量平衡点包括以下步骤：
