基于人工智能的数字辅助系统，用于提升稻麦轮作中采用秸秆还田技术进行沟灌水稻种植时的碳封存效果

《Engineering Applications of Artificial Intelligence》：Artificial intelligence-driven digital shadow and assistant for enhancing carbon sequestration in furrow-irrigated rice under straw return practices within rice-wheat rotations

本研究提出AI驱动的数字影子系统，整合模糊逻辑控制、模块化人工神经网络、Hydrus模型和GPT模型，通过AS-PSO算法优化土壤湿度和径流控制，在南京 Babaiqiao 实验田验证，实现CO2排放和径流有效管理，提供可操作农艺建议。

　　

埃德温·O·阿米西（Edwin O. Amisi）| 李音妍（Yinian Li）| 严晓园（Yan Xiaoyuan）| 何瑞银（Ruiyin He）| 丁启硕（Qishuo Ding）| 阿尤什·尼鲁拉（Aayush Niroula）| 刘浩东（Liu Haodong）| 刘宇涛（Liu Yutao）

南京农业大学工程学院，中国南京 210031

摘要

将稻草返还与直接播种水稻（DSR）、沟垄系统和可降解薄膜覆盖相结合，为减少甲烷排放提供了一种有前景的替代方案。然而，减少DSR系统中二氧化碳（CO₂）排放和径流的策略仍不明确。此外，一个挑战在于开发能够将数据、模拟和研究成果转化为可操作的农民指导的技术，特别是通过适应性反馈机制来增强碳封存工作。为了解决这些限制，本研究提出了一个由人工智能（AI）驱动的数字影子系统和农民助手。该AI框架整合了模糊逻辑控制器（FLCs）、模块化人工神经网络（ANN）集成、Hydrus二维和三维（2D/3D）模型以及生成预训练Transformer（GPT）模型。2023年和2024年夏季，在中国南京的白庙桥进行了田间案例研究。自适应混合模拟退火-粒子群优化（AS-PSO）算法提高了FLCs的性能（Ackley值为2.0 × 10^?4，Griewank值为2.5 × 10^?4），在控制土壤湿度和径流方面表现出色。ANN集成改进了地表流变量的预测，决定系数（R²）分别为0.87和0.94，平均绝对误差（MAE）分别为0.11和0.036厘米。Hydrus 2D/3D模型模拟的土壤湿度R²为0.91，平均相对误差（MRE）为7.20%。根据李克特量表评分，GPT模型的整体性能为93.62 ± 1.05%。总体而言，AI框架为农民提供了可操作的、特定于地点的见解，并为研究人员提供了反馈，有助于有效控制CO₂排放和径流风险。

引言

由于不可持续的农业实践导致温室气体（GHG）水平升高，如二氧化碳（CO₂），全球气候变化已成为一个关键问题（Bhatti等人，2024年；IPCC，2020年；IPCC，2018年；WMO，2021年）。随着对耕地和粮食生产需求的增加，农业面临着越来越大的挑战，包括CO₂、铵（NH₄-N）、一氧化二氮（N₂O）、甲烷（CH₄）、二氧化硫（SO₂）和颗粒物的排放，以及土壤退化（Fitton等人，2019年；Wang，2022年）。一个典型的例子是稻麦轮作（R-W），这对中国的粮食安全至关重要，但由于稻草和土壤养分的复杂管理而面临挑战。提出的解决方案是稻草返还，这有助于养分循环（Wang等人，2020年）。然而，研究表明，虽然稻草返还可以提高土壤肥力，但在灌溉和管理条件不佳的情况下，它也可能加速温室气体的排放（Hu等人，2016年；Ma等人，2019年），并降低水稻和小麦的产量。此外，关于R-W种植系统中稻草管理的文献中存在相互矛盾的发现，这突显了需要先进的综合技术来调和现有的不一致之处。

例如，长期研究一致表明，稻草的混入显著提高了产量和土壤肥力（Jin等人，2020年；Li等人，2022年），但短期研究尚未建立稻草管理与作物即时生产力之间的明确联系。除了已知的好处外，稻草的混入还增加了土壤中的有机质、碳（C）、氮（N）、磷（P）、钾（K）和硅（Si），这些都对水稻和小麦的生产至关重要（Chaudhary等人，2019年；Rahman等人，2020年）。然而，有研究发现，在厌氧条件下混入稻草会固定氮（Said-Pullicino等人，2014年），这反过来可能导致产量下降和温室气体排放增加（Bird等人，2001年）。进一步的研究表明，在连续淹水灌溉条件下，移除稻草并不一定会减少土壤有机质（Mi等人，2019年）。相反，Guan等人（2020年）、Powlson等人（2011年）和Xu等人（2019年）指出，如果管理不当，长期完全移除稻草可能会对土壤养分的可用性产生负面影响。此外，只有对于双季灌溉水稻系统，才能证明完全移除稻草可以维持土壤有机碳（SOC），而在一个水稻和一个旱地作物的系统中则无效。根据Nguyen-Van-Hung等人（2019年）的观点，在这种系统中，部分移除稻草可能是更谨慎的选择。

土壤湿度和生物量水平的变化驱动了一系列生物地球化学过程，包括微生物呼吸、稻草分解、反硝化、甲烷生成和矿化，这些过程控制着CO₂、CH₄和N₂O的排放速率（Sapkota等人，2020年）。在这种情况下，研究表明，在不适当的耕作、稻草和水管理实践中，CO₂的通量可能会超过稻田中的碳封存量（Bhattacharyya等人，2022年；Cha-un等人，2017年；Singh等人，2023年）。因此，鉴于稻草燃烧和完全混入稻草所带来的环境污染和养分损失，一些综述建议部分移除稻草以用于其他用途，如蘑菇和生物能源生产。值得注意的是，这些做法与完全混入相比，不仅可以减少超过30%的温室气体排放，还可以通过再利用废弃稻草作为土壤养分来源来增加价值。尽管如此，仍需在全面的生命周期评估（LCA）中考虑稻草混入所产生的排放。因此，为了应对这些挑战，中国长江三角洲的灌溉者越来越多地探索先进的灌溉管理方法，以减少稻麦轮作的碳足迹。

在采用的策略中，直接播种水稻（DSR）与沟垄（FR）系统的结合，再加上旋转式稻草返还（SR），正成为替代漫灌、移栽和连续淹水水稻种植的首选方案。然而，这种方法也存在一些关键限制。以往和正在进行的研究以及农民提出的担忧表明，提供最佳条件以减少土壤CO₂排放、沟垄径流和农业化学品污染的综合实践仍不明确。具体来说，正如Andrews等人（2022年）和Sapkota等人（2020年）所阐明的，在这些系统中重新湿润干燥的土壤会触发释放大量CO₂的代谢脉冲。此外，一个关键挑战在于将自动化优化技术与当地的土壤和水资源保护措施相结合，以最小化土壤部分密封、脉冲式土壤碳通量和沟垄径流。考虑到系统规模、具体运营目标和推广服务等因素，创建一个决策支持工具（如数字孪生（DT）或数字影子（DS）是另一种选择。

数字影子系统实现了物理系统（如灌溉基础设施）与其在物联网（IoT）平台上的虚拟表示之间的实时双向交互（Alves等人，2023年）。通过这种联系，物理系统的变化会立即反映在数字模型中，而模型驱动的见解则指导实际操作。研究表明，智能灌溉的DS开发广泛采用了物联网、控制器和先进模型的集成，包括进化计算、随机、机器学习、有限元和经验模型（Manocha等人，2024年；Nasirahmadi和Hensel，2022年）。然而，当前的数字影子技术缺乏整合本地化农业实践、土壤和水资源保护措施以及农民知识的能力，限制了它们的实际相关性。将实时田间数据和推广服务整合到决策支持系统中的方法也尚未充分发展，限制了研究人员和农民之间的知识传递和适应性反馈。此外，虽然Hydrus 2D/3D等物理模型能够准确模拟灌溉过程，但它们在实时适应和与数据驱动方法的无缝集成方面的能力有限。因此，关于集成物理模型与人机界面以支持适应性决策并改善可持续性成果（如减少稻麦轮作的碳足迹）的人工智能（AI）驱动框架的研究仍然有限。

人工智能技术越来越多地被应用于农业，以提供先进的数据驱动解决方案（Javaid等人，2023年；Talaviya等人，2020年）。因此，本研究的主要目标是开发和结合一个由AI驱动的DS和由生成预训练Transformer（GPT）支持的助手。具体来说，该研究采用了模糊逻辑控制器（FLCs）、模块化人工神经网络（ANN）集成、有限元建模（Hydrus 2D/3D）和科学发现，运行并训练基于GPT-4.0模型的人机界面。集成目标是：（i）将物理模型（Hydrus 2D/3D）与基于AI的工具结合，以实现最佳灌溉决策，并适应当地环境条件；（ii）将复杂的模拟和科学知识转化为简单、特定于地点的数据驱动建议，供农民使用，并向研究人员提供反馈；（iii）减少与沟垄灌溉水稻和稻草返还实践相关的碳足迹。所提出的框架为推进碳封存工作做出了贡献，为先进的可持续农业实践创造了途径。

实验地点描述

2023年和2024年的水稻种植期间，在中国南京的卢河区白庙桥进行了田间工作。该地区位于长江三角洲下游，以稻麦轮作系统而闻名，通常在夏季（6月至10月）种植水稻，在冬季（11月至5月）种植小麦。该地区具有亚热带气候特征

模糊逻辑控制的性能评估

图8显示了两种多模态复杂函数的优化算法在模糊逻辑控制土壤湿度方面的性能。

两种算法都表现出强大的优化能力，一致地收敛到接近全局最小值零的值。对于第一个控制器，AS-PSO算法在两个基准函数上的性能略优于APSO。具体来说，AS-PSO获得了0.00020（Ackley）和0.00025的最小值

AI驱动的数字影子系统和农民助手

为了实现田间与虚拟系统之间的持续双向通信，DS被设计为模拟三个相互连接的过程：（i）用于水施用的泵操作控制，（ii）沟垄沿线的地表流动态，以及（iii）根区内的地下湿度动态。该框架与模糊逻辑控制、模块化人工神经网络集成和Hydrus 2D/3D相结合，形成了一个具有多样性的AI驱动决策支持工具

结论

本研究开发并验证了一个由AI驱动的DS和助手，该系统整合了模糊逻辑控制器、模块化ANN集成、Hydrus 2D/3D和GPT-4.0模型，为在稻草返还实践和可降解薄膜覆盖下提高沟垄灌溉水稻的碳封存提供了一种新方法。从结果来看，AS-PSO优化的FLC表现出更好的性能，并被证明更可靠地维持开/关灌溉决策，以控制土壤湿度和沟垄径流

CRediT作者贡献声明

埃德温·O·阿米西（Edwin O. Amisi）：撰写——原始草稿、软件、方法论、调查、数据管理、概念化。李音妍（Yinian Li）：撰写——审阅与编辑。严晓园（Yan Xiaoyuan）：撰写——审阅与编辑。何瑞银（Ruiyin He）：撰写——审阅与编辑、验证。丁启硕（Qishuo Ding）：撰写——原始草稿、监督、资源获取、方法论、资金筹集、正式分析、概念化。阿尤什·尼鲁拉（Aayush Niroula）：调查、正式分析。刘浩东（Liu Haodong）：调查、正式分析、数据管理。刘宇涛（Liu Yutao）：

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

作者感谢中国国家重点研发计划（编号：2022YFD2300304）、南京农业大学工程学院（中国南京210031）对这项研究的支持。