赤峰地区春播期土壤墒情与气象条件的关系分析

利用内蒙古赤峰地区10个监测站2005-2014年的气象资料和春播期土壤墒情监测数据,分析了春播期土壤墒情与气象条件的关系。结果表明,赤峰地区10个监测站春播前降水量、日照时数、气温、风速与秋季对应气象要素值变化趋势一致,具有明显的差异性,而蒸发量之间无明显变化。从区域分布来看,南部地区土壤墒情好于北部地区。春播前和秋季降水量与土壤相对湿度相关系数分别为0.411和0.358,均达到极显著正相关(P<0.01),蒸发量与土壤相对湿度相关系数分别为-0.216*和-0.269*,均达到显著负相关(P<0.05),说明降水量对土壤墒情的提高具有明显的促进效应,蒸发量对土壤墒情的增加具有明显的抑制作用。     

鄂尔多斯市区域自动站土壤相对湿度反演研究

通过鄂尔多斯市2006～2010年3～10月每旬土壤相对湿度数据与降水量、平均气温、上一旬土壤相对湿度数据建立相关模型,根据鄂尔多斯市的地形及土壤类型特点将该市建成的121个区域自动站气温、降水数据附值于土壤相对湿度模型,从而反演出区域自动站土壤相对湿度数据。研究结果有效解决了该市区域面积大而土壤墒情监测站点少缺乏代表性的问题,为区域自动站资料的应用、干旱监测等提供了新的思路和方法。     

基于关键气象因子的湘北早稻产量动态预报

利用湘北地区1987~2011年早稻单产和早稻生育期内旬平均气温、旬降水量、旬日照时数等气象资料,应用统计分析法建立了早稻的气象产量动态预报模型,并进行了预报验证。结果表明,通过分析气象产量与早稻生育期逐旬气象要素相关性,筛选出5月上旬的平均气温和日照时数、5月中旬平均气温、5月下旬日照时数、6月中旬降水量和7月中旬日照时数是影响湘北早稻产量的关键气象因子;基于关键气象因子建立了早稻气象产量动态预报模型。对1988~2009年早稻产量进行了预报验证,平均准确率在91.0%以上。该模型的预测结果基本反映了早稻产量的变化情况。     

巢湖地区土壤相对湿度气象预测模型研究

[目的]描述气象影响因子与土壤相对湿度的关系,预测巢湖地区逐旬10～100 cm土壤相对湿度,定量评估土壤旱涝情况.[方法]通过分析巢湖地区各层土壤相对湿度逐月分布特征,讨论各气象影响因子与土壤相对湿度的相关关系,并分别基于多元线性回归和BP神经网络方法建立预测模型.[结果]气象因子和土壤相对湿度存在相关关系,相关系数从大到小分别为蒸发量、气温、日照时数、相对湿度和降水量.随着土层的深入,两者的相关系数和显著程度呈下降趋势.[结论]2种方法均能较好地预测出巢湖地区各层土壤相对湿度逐旬动态变化,可为了解巢湖地区籼稻主生长周期内的土壤相对湿度变化提供依据,为该地区作物旱涝评估提供参考.     

南丰县桔园土壤相对湿度变化特征

分析了南丰县2012～2020年桔园土壤平均相对湿度随年际和土层深度变化、桔园土壤10～20cm、40～50cm、80cm等深度平均相对湿度旬际变化、桔园土壤平均相对湿度与环境因子的相关关系和对柑桔生育的影响,得出了“桔园土壤10～20cm(浅层)旬平均相对湿度与旬平均气温、旬平均最高气温、旬平均空气相对湿度、旬平均地面温度、旬平均最高地面温度、旬降水量、旬日照时数、旬≥0.1mm、≥1.0mm、≥5.0mm、≥10.0mm、≥25.0mm、≥50.0mm降水日数等环境因子相关极显著；随着土层深度的增加,旬降水量和旬≥5.0mm以上降水日数对土壤湿度的影响逐渐增强,旬日照、旬空气湿度、旬气温、旬地面温度和旬≥0.1mm、≥1.0mm降水日数等对土壤湿度的影响逐渐减弱。”结论,提出了相应的措施和建议。     

基于气象因子的启东市土壤墒情预报研究

利用逐步回归方法,分别分析启东市2011—2014年的土壤表墒、底墒与同时期的气象因子(降水量、温度、湿度、日照、风)的相关性,筛选出影响土壤墒情的关键气象因子,并结合经验公式法建立土壤墒情预报模型。结果表明,影响启东市土壤墒情的气象因子主要是降水量、日照和气温,由此建立的预报模型预报未来30 d内土壤墒情的平均相对误差在5%以内,检验效果理想,说明利用该模型可以较为准确地预报未来30 d内土壤墒情,并用于指导农业生产。     

黄山松细纹新须螨发生与气象因素关系的分析

在黄山风景区对黄山松细纹新须螨发生与气象因素的关系进行研究,结果表明：细纹新须螨发生与气温、降雨量、相对湿度等气候因子均有一定的关系。与细纹新须螨发生关系最为密切的气候因子为月均气温和旬均气温,曲线拟合结果与实际较吻合,细纹新须螨发生数量随温度升高而增加,当平均气温达到14℃以上,可用该曲线预测预报细纹新须螨发生的趋势;多个气候因子与细纹新须螨发生数量的回归分析表明,月均气温＋月均降雨量＋月均相对湿度、旬均气温＋旬均降雨量、旬均降雨量＋旬均相对湿度3个组合因子与细纹新须螨发生关系密切。采用旬均气温＋旬均降雨量进行虫情预测预报,对指导防治具有实际应用意义。     

土壤墒情(旱情)监测与预测预报系统的设计与开发

以组件式GIS软件为开发平台,建立了北京地区土壤墒情监测与预测预报系统。该系统包括土壤墒情信息采集、土壤墒情站信息管理、土壤墒情空间分布显示、土壤墒情监测、土壤墒情预报及土壤墒情信息输出等功能模块,可对土壤墒情进行实时监测,做出土壤墒情分布图、等值面图等,直观反映北京地区土壤墒情趋势。同时,系统还可利用增退墒模型、人工神经网络模型和时间序列模型进行土壤墒情预测和预报。现该系统已有38个墒情固定站和120个墒情巡测站,并已投入使用。实际应用结果表明,该系统解决了目前墒情固定站投资过高且数量不足的问题,能够满足北京市土壤墒情预测预报要求,可为北京地区防旱、抗旱提供可靠的科学依据。     

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。     

我国土壤墒情预报模型的研究进程及发展方向

适时精准的土壤墒情预报技术,对于农业节水具有重要的社会和经济意义,为此,在了解20世纪70年代以来国内外土壤墒情预报模型研究进展的基础上,归纳分析了国内外土壤墒情预报模型的研究进程及其特点,比较分析了国内土壤墒情预报模型研究与国外的差距,由此初步认为,今后国内土壤墒情预报模型研究的主要方向为:侧重土壤墒情预报模型的非均匀性、随机性和区域性的研究,注重其信息网络化、综合化和实用化的全面深入研究.     

改造后的沙丘地春季表层土壤水分空间变异性研究

[目的]为奇台县的防风治沙工程和沙漠植被建设提供参考.[方法]利用改造后的沙丘地和6种土地类型的实地测量数据,通过变异函数、Moran's Ⅰ系数、土壤水分等值线图探讨了改造后的沙丘地春季表层土壤水分的水平空间变异性及其原因.[结果]经种植梭梭改造后的沙丘地的土壤含水量呈现出3个明显与沙丘土壤水分不同的特点.(1)均值大于沙丘,土壤含水量接近于草地;(2)土壤水分半方差函数模型已表现为与沙丘水分的球状模型完全不同的指数模型,且变程小于样点间距,相关性显著;(3)土壤含水量等值线图等值线密集,并呈与梭梭林带走向一致的条带状分布.[结论]奇台县自2000年以来实行的防沙治沙已取得较大的成效.     

闽西竹林土壤物理性质的空间变异格局

采用地统计学与GIS分析方法,分析闽西永安市6个乡镇的毛竹林地的土壤含水量、土壤密度、最大持水量、最小持水量和土壤总孔隙度等6个物理性质的空间变异规律与分布格局。6个土壤物理指标变异系数介于0.12~0.30,均属中等变异;土壤含水量、最大持水量和毛管持水量最佳半方差函数模型均为球状模型,变程依次为3 970、4 360、4 710 m,土壤密度、最小持水量和毛管总孔隙度最佳半方差函数模型均为指数模型,变程分别为5 490、5 310、6 690 m,均大于1 000 m采样距离,且各指标随机性变异占总变异比例低于25%,分形维数趋近2,均呈现强空间相关性;除土壤密度呈各向同性且以0°方向(西—东)为优势格局外,其余5个指标呈各向异性且均以45°方向(西南—东北)为优势格局。土壤含水量与土壤密度的分布呈相反趋势,最大持水量、最小持水量和毛管总孔隙度分布格局相似,毛管持水量分布与研究区海拔密切相关,6个物理性质空间变异呈显著相关。     

利用神经网络在线预测香菇干燥含水率

目前的检测方法与检测仪器，难以实现香菇等农副产品干燥过程中含水率的在线检测。影响干燥过程中香菇在线含水率的因素包括各干燥阶段的时间、温度、通风量以及初含水率和所处的干燥阶段。探讨了基于神经网络的香菇干燥含水率在线检测的方法。确定了以干燥各阶段时间、温度、通风量和所处干燥阶段为系统输入，有偏差的两层BP神经网络。利用Matlab对系统进行建模，干燥第一阶段进行的仿真结果表明，在两个训练单位时间里，达到了均方误差要求。     

低场核磁共振结合多元校正对休闲豆干水分含量的快速测定

[目的]采用低场核磁共振仪对休闲豆干样品进行测量获取横向弛豫数据,结合多元校正方法对水分含量进行快速测定。[方法]使用直接干燥法测定豆干水分含量,测得的结果作为化学值。运用偏最小二乘(PLS)和误差反向传播人工神经网络(BP-ANN)方法结合豆干样品的核磁共振数据与化学值建立多元校正模型,实现对豆干水分含量的快速测定。[结果]对于PLS与BP-ANN方法,校正集样品的水分含量预测值和化学值之间的相关系数分别为0.923 5和0.917 6,校正均方根误差分别为0.027 2和0.028 1;预测集样品的水分预测值和化学值之间的相关系数分别为0.918 9和0.921 5,预测均方根误差分别为0.024 8和0.022 3。[结论]2种方法都能快速而准确地对休闲豆干的水分含量进行预测。     

内蒙古河套灌区土壤墒情信息的多极化雷达响应分析

以内蒙古河套灌区磴口县为研究区,结合Radarsat-2四极化雷达遥感数据对土壤墒情进行响应分析。研究结果表明,同极化后向散射系数同土壤墒情的响应性高于交叉极化,以同极化均值和交叉极化均值作为参量建立回归模型进而对研究区反演分析,经实测数据检验,该方法能够在一定程度上满足土壤水分监测的需要,优于传统土壤水分分类方法。     

贵德县春季旱地土壤水分变化特征及其与气象因子的关系

利用1991—2016年3—5月土壤实测含水量资料,采用统计分析方法,从不同土层、不同站点对贵德县春季旱地土壤水分变化特征及其与气象因子的关系进行分析。结果表明,新街、尕让春季土壤含水量变化趋势较一致,最大值出现在5月底,呈低—高缓慢增长;东山土壤含水量波峰出现在4月,呈低—高—低—高的变化。干土层变化与降水量变化呈反向趋势,0~30 cm土壤含水量随深度的增加变化率明显。3月影响土壤含水量主要因子是风速,4月影响土壤含水量的主要因子是风速和温度,5月份影响主要因子是降水量;气候背景是土壤含水量变化的主因;不同的气候条件下各因子对土壤含水量的影响程度和影响时间段不同。     

农桐间作系统对小麦生态条件及产量影响的研究

分析了农桐间作条件下，距树行不同距离光合有效辐射等７个生态因子对小麦产量的影响。结果表明，南北行向的间作，光合有效辐射，土壤温度和大气温度随距离减小而减小，土壤水分和有效磷随距离减小而增大，距离变化对土壤有机质和速效氮无显著影响，通径分析证明，对小麦千粒重直接影响最大的是光合有效辐射条件的变化。     

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。     

计算与预报农田蒸散量的数学模型研究

本文分析了蒸发力、土壤有效含水量和作物叶面积指数对农田蒸散量的影响,分别找出了土壤供水充足和供水受限制时的农田蒸散量及其影响因素之间的关系。以水量平衡方程为基础建立了计算和预报农田实际蒸散量的数学模型。本文还提出了计算蒸发力的半经验公式。最后,分析了农田实际蒸散量对蒸发力、初始土壤含水量和叶面积指数的敏感性。     

晋西黄土区坡面尺度地形因子对土壤水分状况的影响

为分析黄土区坡面尺度地形因子对土壤水分的影响,该文选择山西省吉县蔡家川小流域典型梁峁坡面为研究对象,基于数字高程模型（DEM）提取研究区域坡向、坡度、坡位3个地形因子分布图,并与研究区土壤水分的克立格（Kriging）插值图叠加.通过主成分分析得出:在0～30 cm土层,地形因子对土壤水分影响的次序依次为坡向坡位坡度;在30～60 cm土层,其影响强弱顺序依次为坡度坡位坡向. 对主成分地形因子（坡向、坡度）的单因素分析得出:自土壤水分最高区域（坡向N337.50°）以顺时针方向,土壤水分呈现先减少后增加,再减少至最低(坡向N202.50°（0～30?cm土层）、N191.25°（30～60?cm土层）),后增加的两次减增过程;土壤水分随坡度变化的幅度很小,随着坡度的增加出现先增加（0°～10°）后减小的趋势（10°～40°）.