气象因子对太湖地区旱作农田土壤水分动态的影响

【目的】研究太湖地区气象因子对旱作农田土壤水分的影响程度,厘定影响农田土壤水分的主要气象因子,为气候变化背景下农田水分管理提供科学依据。【方法】提取野外试验研究平台的旱作物生长季监测数据（逐日气象资料和土壤水分资料）,采用相关分析、逐步回归分析和通径分析等方法进行统计分析,计算直接通径系数和间接通径系数、决策系数。【结果】（1）供试实验基地农田土壤水分与日降水量、日蒸发量、日照时长、平均风速及日最大空气湿度等因子分布呈极显著正相关和负相关（相关系数分别为0.648、-0.566、-0.454、-0.331及0.371）,但与日最高气温不显著相关;（2）通径分析表明,气象因子对旱作农田土壤水分的直接影响大小顺序为：日降水量＞平均风速＞日照时长＞日蒸发量＞日平均空气湿度＞日最低气温>日最小空气湿度＞日最高气温＞日最大空气湿度＞日平均气温,但计算的决策系数表明,日降水量对土壤水分的综合决定能力最大;（3）通过逐步回归分析,得到了旱田土壤水分的气象因子多元回归模型：Y=10.174+0.386X4+1.095X7-0.509X8-0.766X9-0.345X10（R2=0.912,P<0.01）,达极显著水平。【结论】气象因子对太湖地区旱作农田土壤水分具有显著的控制作用,其中降雨量的影响最为主要。建立的多元回归模型可以用来预估气象因子变化下旱作农田土壤水分变化,但还需要更长时期监测的验证。     

基于SIMPEL模型的土壤墒情预测研究(英文)

土壤墒情预报是农业生产中农田水分管理的前提和基础。土壤墒情的变化受多种气象因素的影响,为了提高农业产量,有效利用水分,在更小的时间和空间尺度上掌握土壤水分的动态变化规律显得尤为重要。该研究以德国奥斯纳布吕克地区田间试验资料为基础,使用德国SIMPEL模型按照水分平衡原理分层模拟了试验区冬小麦0～40cm土层的土壤水分含量变化情况。农田潜在蒸散量的计算采用德国DVWK标准方法Haude计算方法。土壤的田间持水量和凋萎系数采用德国常用的水文模型SPAW(Soil-Plant-Air-Water)按照土壤参数分层计算。SIMPEL模型模拟结果显示,土壤体积含水量实测数据与模拟数据的相关性在0.95,平均相对误差低于3.1%,说明模型能够相对准确的预测此地区根层的土壤水分含量。     

土壤水分预测的BP神经网络方法及模型

土壤水分预报是农田适时适量灌水的基础。田间土壤水分的变化受到外界气象因素及土壤特性、作物生长的影响,关系比较复杂。笔者利用多年实测土壤水分资料和气象资料,建立了考虑多个因素对土壤水分影响的BP人工神经网络模型。模型结果表明:所建立的模型具有较好的预测效果;用神经网络建立土壤水分预测模型的方法是可行的。     

呼伦贝尔市植物生长季土壤水分动态模拟研究

为达到用前期气候因子变化来评估土壤水分变化的目的,采用统计回归方法,利用不同土壤类型的3个农牧业气象观测站1988-2006年的气象和土壤水分观测资料,选取前一旬气温、降水、蒸发量和土壤水分4个因子,建立了呼伦贝尔市5月上旬-8月下旬0～40cm土壤水分144个动态预测模型,68.8%的方程通过了显著性检验;拟合相对误差小于±10%的为77.8%,小于±15%的为84.3%;利用实测资料对该模型进行验证表明,模型平均相对误差在20%左右,可用于预测呼伦贝尔市植物生长季各旬0～40 cm各层土壤水分的动态变化.     

土壤水分的系统动态模拟

本文对土壤水分模拟方法进行了探讨,并通过对土壤—植被—大气生态系统的动态分析,建立了土壤水分的系统动态模拟模型。该模型仅需常规气象资料,即可模拟计算逐旬土壤水分均值。通对对比实测可模拟的结果,表明两者在变化趋势上有明显的一致性,模型可基本反映土壤水分的变化规律。     

北方夏玉米农田土壤水分预测模型的研究

【目的】检验和比较4个夏玉米农田土壤水分预测模型的预测精度。【方法】根据农田土壤水分平衡原理,建立北方夏玉米农田土壤水分预测模型,其中潜在蒸散量子模型分别用国内彭曼修正式(简称国内法)和FAOPenman-Monteith(简称FAO法)方法,作物发育期子模型分别用多年平均发育期法和积温法。用2002年6~9月中国气象局农业气象试验基地的21个不同水分处理小区的夏玉米全生育期观测资料(包括土壤湿度、作物发育期、气象和灌溉等资料),对模型进行检验和比较。【结果】在土壤湿度中等和较低的情况下,土壤水分预测模型中潜在蒸散量子模型采用国内法对不同预测时效下夏玉米农田土壤水分的平均预测精度高于FAO法,而在土壤湿度较高的情况下则反之;国内法和FAO法在不同预测初始日期下,对所有试验小区土壤水分的平均预测精度均随着预报时效的增加而降低。土壤水分预测模型中,作物发育期子模型采用积温法或多年平均发育期法均可对北方地区夏玉米农田土壤水分进行预测,两者对0~100 cm土层土壤水分预报的最大绝对差值小于5 mm。【结论】土壤水分预测模型中潜在蒸散量子模型采用国内法对夏玉米农田土壤水分的预测精度高于FAO法;土壤水分预测模型中作物发育期子模型采用多年平均发育期法和积温法对夏玉米农田土壤水分的预测精度基本相同。利用该模型还可对北方夏玉米农田进行灌溉预报和排渍预报。     

黑龙江省农田土壤蓄水量盈亏状况的垂直变化规律研究

以农田土壤水分实测资料为基础 ,依据农田土壤水分常数与作物生长发育的关系创建了土壤蓄水量盈亏值指标。选择 3个典型站点研究黑龙江省农田土壤水分盈亏状况的垂直变化规律 ,结果为 :海伦从表层到 5 0 cm各个土层均为盈余 ,而且随深度的增加盈余先增加后下降 ,2 0 cm处为最高值 ;泰来的土壤水分从表层到 30 cm为增加 ,之后又下降 ,而且以 2 0 cm为界将盈余区与亏缺区划分开 ;总平均来看 ,宝清土壤水分随深度呈减少趋势 ,盈余减小 ,亏缺增大     

基于土壤水分自动站的鲁中地区土壤水分变化规律研究

干旱是鲁中地区制约农业生产的主要气象灾害之一,掌握农田土壤水分变化规律,对提高农业干旱防御能力、制定节水灌溉计划、提高水分利用效率具有重要意义。该文利用2010—2013年农田土壤水分自动站逐日资料对不同地形条件、不同时间尺度土壤水分变化规律、降水入渗规律以及日常应用进行分析研究。结果表明:鲁中平原和山区0~50 cm、0~100 cm土壤水分体积含水率不同时间尺度变化规律基本一致,60~100 cm体积含水率波动较小,年最低值出现在6月,最高值出现在8月,年降幅最大出现在3—6月,易发生干旱;0~50 cm土壤体积含水率自春季至秋季逐步上升,秋季为一年中最大,月变化近似符合正态分布,山区变化幅度小于平原;平原旬土壤体积含水率最低值出现在1月中旬,次低值出现在5月下旬,山区最低值出现在6月上旬;0~50 cm土壤体积含水率日增幅随着初始土壤体积含水率增大而减小,随着降水强度增大先增大后减少;土壤水分体积含水率多年平均最低值和最高值分别较凋萎湿度、田间持水量略偏高,能够用于日常阈值监测。掌握土壤水分精细化变化规律,对干旱监测预警及灌溉有指导意义,保障鲁中地区粮食增产增收。     

基于MIKESHE的流域表层土壤含水量时空变化特征分析

基于气象站点实测资料、MODIS植被产品数据集LAI(leaf area index)及世界土壤数据库(HWSD)土壤数据,结合气象插值软件ANUSPLIN、土壤水分特征曲线拟合软件RETC、空间信息处理软件ArcGIS分别对气象、土壤、植被数据进行计算;使用MIKESHE分布式水文模型对拉萨河流域内2008—2017年3、7月及典型年(丰水年、中水年、枯水年)生长季(3—10月)内的表层1 m土壤含水量进行模拟。结果表明,在空间分布上,拉萨河流域表层土壤含水量自西南向东北呈递减趋势,流域中部拉萨河中上游的高山地区土壤含水量相对较低;相较于中下游河谷及西部盆地地区,中部高山地区土壤水分变化更为剧烈。在时间分布上,典型年生长季内不同月份土壤含水量变化量在33%～37%;总体而言,土壤含水量年内变化大于年际变化。拉萨河谷平原、澎波盆地、流域西部念青唐古拉山脉以东的洪积宽谷、羊八井盆地及流域东北部麦地卡湿地植被覆盖度和土壤水分含量较高、变化幅度小,农业适宜性较强。     

基于MATLAB神经网络的温室草皮腾发量预测研究

[目的]明确基于MATLAB的BP神经网络预测温室草皮腾发量的可行性。[方法]在9月温室实测气象资料的基础上,对温室内的平均气温、相对湿度、光照强度和草皮日腾发量(ET)进行回归分析,建立了BP网络ET预报模型(BP-ET)。[结果]气温、光照强度与草皮腾发量呈显著正相关(P<0.05),相对湿度与草皮腾发量呈显著负相关(P<0.05)。BP神经网络模型具有极高的拟合精度,9月资料检验预报模型的平均相对误差为5.58%,模拟与检验均有很高的拟合精度。BP网络可以用于草皮日腾发量的预测,是对传统草皮日腾发量计算的补充。[结论]该研究为气象数据缺测条件下温室草皮日腾发量的估算提供了新思路。     

阿尔泰山森林土壤温度动态变化及其预测

阿尔泰山作为干旱区典型的山地系统,其土壤温度的日、月、季节和年际动态及其影响因素研究,是深入理解干旱区山地森林生态系统能量循环过程的关键所在。基于阿尔泰山森林生态站2014年11月-2019年7月的气象因子和土壤温度数据,应用相关分析、回归分析和BP人工神经网络分析了阿尔泰山5、10、20 cm和30 cm深度土壤温度的动态变化及其对气象因子的响应,同时,应用多元线性回归和BP人工神经网络对土壤的温度进行了模拟。结果表明:1）近5 a各层土壤温度月均值年际变化一致,最低最高温度和日较差最大值均出现在20 cm,仅30 cm土壤温度的月变化出现自表层至深层滞后现象,年内月较差最大值出现在30 cm深度;各土壤层温度在春夏秋季变化较大,冬季变化较小;2）空气温度、气压和太阳辐射等与土壤温度的相关性达到极显著水平,其中与空气温度的相关性最强;3）回归模型和BP人工神经网络对20 cm土壤层的模拟结果最好,且BP人工神经网络模型的性能总体上优于回归模型。     

基于BP神经网络的武汉市分层水温预报模型探究

为探讨武汉市分层水温的变化特征及预报方法,本文以武汉市金银湖为例,利用2019-2020年地面观测和分层水温资料,分析气温、气压、蒸发、地温、日照及辐射等气象要素对垂向水温变化的影响,建立武汉地区基于拟牛顿法反向传播(back propagation,BP)神经网络的20cm、40cm、60cm及80cm等层次水温预报模型。仿真结果表明：拟牛顿法BP神经网络的水温预报模型能够表达水温和气象要素的非线性关系,平均预报准确率超过90%,具有较高的预报精度。     

土壤墒情预测模型对比

为实现实时准确的墒情预报,以北京市延庆区为例,利用在该地区获取的2012—2016年5年的系列土壤墒情和气象数据,对土壤墒情预测模型进行了对比研究。通过相关性分析选取时段初墒值W_0、降雨、湿度、气温、气压、地温和蒸发7种影响因子,对土壤墒情分别建立线性回归方程、基于主成分分析的径向基函数(PCA-RBF)神经网络和误差反向传导(BP)神经网络3种预测模型,并对3种模型预测结果进行了对比分析。结果显示:PCARBF神经网络模型精度最高,平均精度达到96.8%,线性回归模型和BP神经网络模型分别为94.6%和95.7%。研究认为,PCA-RBF神经网络具有稳定性好、精度高的特点,可以很好的实现土壤墒情预测。     

七星湖景区典型护路生态带内春季土壤物理特性研究

对防护带的白沙蒿带、旱柳-白沙蒿带和沙障-白沙蒿带3个部位以及附近裸沙区60 cm土层内的土壤含水率、容重以及机械组成进行了测定和对比分析。结果表明,各观测区土壤含水率均表现出随深度的增加而增大的趋势,30和60 cm土层含水率均为2%~3%;土壤平均含水率各样地间差异不显著。裸沙区土壤容重随深度增加略微增大,生态带内规律相反;沙障-白沙蒿带、白沙蒿带和旱柳-白沙蒿带的平均土壤容重分别比裸沙区减小了4.0%、6.4%、9.0%。表层土壤内小于0.1 mm的极细沙和粉沙含量均高于地下2层;细颗粒平均含量排序为旱柳-白沙蒿带（7.67%）〉白沙蒿带（7.56%）〉沙障-白沙蒿带（7.11%）〉裸沙区（5.03%）。观测区内土壤可为现有不同植被的萌发提供相同水平的水分条件,植被明显改善了土壤容重,增加了细物质含量,旱柳-白沙蒿这种乔灌混合模式的效果最好。     

基于灰色关联下神经网络在南果梨始花期预报中的应用

为探寻更精确有效的南果梨始花期预报方法,采用灰色关联分析法确定与始花期关联较大的冬季气象因子,以此作为BP(Black Propagation)神经网络与RBF(Radial Basis Function)神经网络建模的输入因子并预测南果梨始花期,利用均方根误差(RMSE)和相对误差(RE)评价该模型的预测效果,同时对比与南果梨始花期显著相关的冬季气象因子建立逐步回归方程并进行回代后的预测结果。结果表明：（1）与南果梨始花期灰色关联较大的气象因子为冬季日均气温、日最高气温、日最低气温、日均相对湿度,关联度均在0.6以上,故将这4个因子作为BP和RBF神经网络模型的输入层来预测南果梨始花期;（2）与始花期显著相关的气象因子有日均气温、日均5 cm地温、日最低气温、日最高气温,相关系数分别为-0.646、-0.628、-0.638、-0.663,所建回归模型均通过了显著性检验且具有统计学意义;（3）BP和RBF方法建立的模型拟合精度总体上较接近;（4）基于灰色关联下BP神经网络和RBF神经网络预测结果误差分别为1 d和2.25 d,BP神经网络预测的开花日期更接近实际开花日期;（5）基于灰色关联下BP神经网络模型RMSE为1、RE为6.34%、R²为0.7,而RBF神经网络模型RMSE为2.25、RE为13.13%、R²为0.568。综上,灰色关联分析法建立的BP神经网络模型较RBF模型预测南果梨始花期更精确。     

Assessment of Soil Water Content in Field with Antecedent Precipitation Index and Groundwater Depth in the Yangtze River Estuary

To better understand soil moisture dynamics in the Yangtze River Estuary (YRE) and predict its variation in a simple way, a field monitoring experiment was carried out along the north branch of the Yangtze River, where seawater intrusion was strong and salt-water variation is one of the limiting factors of local agriculture. In present paper, relation between antecedent precipitation index (API) and soil water content is studied, and effects of groundwater depth on soil water content was analyzed. A relatively accurate prediction result of soil water content was reached using a neural network model. The impact analysis result showed that the variation of the API was consistent with soil water content and it displayed significant correlations with soil water content in both 20 and 50 cm soil layer, and higher correlation was observed in the layer of 20 cm. Groundwater impact analysis suggested that soil moisture was affected by the depth of groundwater, and was affected more greatly by groundwater at depth of 50 cm than that at 20 cm layer. By introducing API, groundwater depth and temperature together, a BP artificial network model was established to predict soil water content and an acceptable agreement was achieved. The model can be used for supplementing monitoring data of soil water content and predicting soil water content in shallow groundwater areas, and can provide favorable support for the research of water and salt transport in estuary area.     

基于PSO–BP算法的油菜籽干燥工艺参数的优化

结合神经网络和粒子群算法(PSO)对油菜籽干燥工艺进行优化:采用BP神经网络建立油菜籽平均水分下降速率和发芽率与干燥温度、初始含水率、真空度之间的三层网络预测模型,利用试验样本数据计算并确定预测模型的网络权值及阈值,再采用PSO算法进行参数优化。试验验证结果表明,对比BP网络模型和PSO–BP模型,发现BP网络仿真值相对误差最大值为4.5%,而PSO–BP仿真值最大相对误差小于2.93%。     

基于BP人工神经网络的土壤含水量预测模型的研究

土壤含水量是制约植物生长的主要因子之一,因此科学地预测土壤含水量对充分利用土壤水资源具有十分重要的意义。提出了基于BP人工神经网络的土壤含水量预测模型,BP人工神经网络采用收敛速度较快和误差精度较高的动量-自适应学习速率调整算法。并通过基于这种模型的土壤含水量预测实验,结果表明BP人工神经网络预测模型提高了收敛速度和减少陷入局部最小的可能,并且提高了预测精度。     

基于云遗传BP神经网络的黄淮海旱作区土壤有机质预测精度分析

为探究提高土壤有机质预测精度的方法,以黄淮海旱作区为研究对象,分别运用云遗传BP神经网络、BP神经网络和GABP神经网络三种方法比较不同土层的土壤有机质预测精度。结果表明:1)不同土层土壤有机质值的数据分布与正态分布相比具有不同程度的向右偏移,不同土层土壤有机质均属于中等程度变异;2)不同土层土壤有机质的半方差函数最优拟合模型均为指数模型,不同土层土壤有机质的结构因素与随机因素对空间变异的影响大小基本一致,空间自相关性较弱;3)结合云模型与遗传算法的BP神经网络对0～10、10～20、20～30cm土层土壤有机质的预测精度均得到了一定提升,而对30～40cm土层土壤有机质的预测精度则提升不明显,可能是由于30～40cm土层土壤有机质变异系数超过了一定范围所造成。研究结果可为提高土壤有机质的预测精度提供参考,并为进一步调整耕地管理措施及提高土壤质量水平提供依据。