时间序列分析在土壤墒情预测中的应用研究

土壤水分的动态模拟是土壤墒情监测及预报的重要内容,采用时间序列的线形模型进行土壤水分时间序列的拟合与趋势预测.在建立模型后,用实测数据与模型的预测数据相比较说明时间序列线形模型能较好地拟合与预测土壤墒情的变化趋势,可为干旱研究及其治理提供依据.     

混沌理论在NH3—N污染指数时间序列分析中的应用

根据混沌理论,对四川省乐山岷江大桥NH3—N污染指数时间序列通过相空间重构,应用自相关法和Cao方法确定出重构参数,并分别计算了该序列的关联维、最大Lyapunov指数以及Kolmogorov熵等特征量。结果表明,四川省乐山岷江大桥NH3—N污染指数时间序列存在明显的混沌特性,是非线性混沌动力系统演化的结果;研究结果为进一步研究NH3—N污染指数时间序列的复杂性、演化规律及预测奠定了基础,也可为岷江中上游地区水质环境监测和保护提供决策支持。     

农业灌溉用水量混沌预报模型建立与应用

针对当前灌溉用水量预报方法研究现状及预报精度低的问题,提出了混沌预报模型。通过灌溉用水量序列相空间重构在高维空间中恢复演变规律,并进行混沌演变特性识别,建立了基于最大Lyapunov指数的灌溉用水量混沌预报模型。模型用于湖北省举水流域灌溉用水量预报并与不同方法进行对比分析,结果表明模型预报效果好,可以作为农业灌溉用水量预报的一种有效方法。     

墒情监测与预测预报方法研究进展

就墒情监测与预测预报方法研究进行了阐述,分析了墒情监测的意义以及国内外在墒情监测方面的研究动态,重点分析了土壤墒情预测预报模型和各自适用的条件以及各模型应用的不足,同时也分析了土壤墒情监测与预测预报方法研究对促进我国农业灌溉水资源高效利用的重要意义,为我国墒情监测的研究提供一定的理论参考。     

基于相空间重构离心泵基础振动的研究

确定离心泵基础振动主要影响参数的数量,有利于对基础振动影响参数进行分级并进一步指导低振动离心泵基础的设计。通过隔离电机、管道振动的离心泵试验台架,测试了基础上4个测点的振动位移;运用Tisean3.0通过Fraser互信息算法得出了各测点振动位移时间序列的最佳延迟时间,基于该延迟时间通过伪最近邻点法确定各测点振动时间序列的嵌入维数;最后基于所得最佳延迟时间与嵌入维数对离心泵基础振动时间序列进行了相空间重构,以确定所得延迟时间与嵌入维数的准确性。结果表明,虽然离心泵基础上同一平面内不同测点的振动位移时间序列时域信号不同,但在相空间的重构中具有相同的延迟时间与嵌入维数;不同长度的振动位移序列数据段得到相同的相空间重构参数,表明通过振动位移序列进行相空间重构以确定离心泵基础振动影响因素个数具有稳定性;离心泵基础振动位移时间序列在重构的相空间中具有明显吸引子存在,表明离心泵及其基础所组成系统具有确定的振动规律存在;所建立离心泵试验台基础振动的嵌入维数为4,表明其主要影响参数小于或等于4。     

基于BP神经网络的土壤墒情预测精度研究——以肥东县为例

本文以肥东县土壤墒情为例,选用BP神经网络模型,对土壤墒情预测进行探究。先介绍神经网络相关理论知识,然后针对模型建立需要确定的参数做了详细说明。着重比较了隔日和五日两种预测结果的精度,结果表明隔日预报精度要高于五日预测精度,得出结论 BP神经网络短期土壤墒情预报能取得较高的精度,对农业生产具有实际指导意义。     

基于多值神经元复数神经网络的土壤墒情预测

为指导节水灌溉策略的制定,利用基于多值神经元的复数神经网络(multilayer neural network with multi-valued neurons,MLMVN)方法,建立了土壤墒情多步预测模型。首先,利用均值法替换样本中的异常值并对缺失值进行补充,并由数据分析知土壤墒情数据为非平稳的非线性时间序列。然后,根据土壤墒情与环境因素(降雨量、气温和风速)的相关性分析结果选择降雨量为关键环境因素。最后将土壤墒情、降雨量及目标土壤墒情复数化,作为网络输入和期望输出建立MLMVN预测模型。结果表明,网络结构为240-15-1200-1时单步预测精度为0.883,采用循环预测法进行步长为72的多步预测,平均预测精度为0.853,比实数域误差反向传播神经网络BP提高了9.1%。研究表明,MLMVN模型多步预测误差累计小,预测结果可作为该地区节水灌溉策略制定的理论依据。     

三江平原地下水埋深时间序列的混沌研究

三江平原是我国最大的淡水沼泽区和重要的商品粮生产基地,地下水资源是该地区发展井灌水稻极为宝贵的源泉,但同时地下水系统又是一个复杂的非线性系统.首先,应用功率谱分析法对该地区地下水埋深序列进行定性分析;然后,在相空间重构的基础上,通过计算特征量Kolmogorov熵和关联维,得出三江平原地下水埋深序列中存在明显的混沌特征;最后,应用基于关联度的局域加权线性回归预测法进行混沌预测研究,得出比较理想的预测结果,为应用混沌理论进行三江平原地下水埋深变化规律研究提供依据.     

基于ARM和GPRS的远程土壤墒情监测预报系统

为提高农业灌溉用水利用率、实现节水灌溉,设计了基于GPRS的无线土壤墒情监测预报系统。提出了一种土壤墒情监测预报模型,开发了以ARM9系列S3C2410处理器、GPRS模块和CS8900a网卡等组成数据采集系统,实现了对土壤墒情信息的自动采集、存储和墒情信息的无线网络传输,并可以根据墒情信息实施定时、定量的灌溉控制。该系统已投入国家农业示范基地使用15个月的时间,试验表明,该系统对土壤墒情的预报值与实际测试数据误差为3.39%,实现了对土壤墒情的有效监测和准确预报。     

基于改进BP神经网络与支持向量机的土壤墒情预测方法研究

为提高土壤墒情预测精度,提出了一种基于遗传算法（GA）、改进粒子群算法（IPSO）、误差反向传播（BP）神经网络和支持向量机（SVM）的土壤墒情组合预测模型（GA_IPSO_BP-SVM）。该模型首先在BP神经网络的权阈值选择中同时引入GA和IPSO构成GA_IPSO_BP模型,然后对GA_IPSO_BP和SVM模型分别进行训练和数据仿真,最后利用建立的加权模型对GA_IPSO_BP和SVM模型的土壤墒情预测结果进行组合。以安庆市8个监测站某时段内农田土壤墒情数据为例,分别按隔日、两日后和三日后三种时间跨度进行土壤墒情预测,并对照BP、GA-BP、PSO-BP、IPSO-BP、GA_IPSO_BP和SVM模型,验证和比较提出的GA_IPSO_BP-SVM模型的土壤墒情预测精度。结果表明,GA_IPSO_BP-SVM模型的土壤含水量预测相对误差平均值最小。GA_IPSO_BP与SVM模型组合的GA_IPSO_BP-SVM模型提高了土壤墒情的预测精度,更适合于土壤墒情的短期预测,该方法可为农业节水灌溉方案的制定提供技术支撑。     

基于近红外光谱土壤水分检测模型的适应性

由于土壤水分的近红外光谱定量分析模型精度依赖于样品状态,故土壤水分定量分析模型的适应性极其重要。以湖北地区的3种土壤为研究对象,利用偏最小二乘法交叉验证建立了处理后样品下的土壤水分分析模型,模型预测值与标准值的决定系数R2为0.9946,交叉验证预测均方差为0.801%,模型预测决定系数R2为0.9919,预测均方差为0.912%;利用主成分分析了未处理土壤样品与处理土壤样品得分图的差异,结果表明定量分析模型对未处理样品的预测精度降低;采用斜率/截距的方法修正了12个未处理样品的模型预测值,预测平均绝对值误差从0.78%降低到0.38%,结果表明斜率/截距校正法能较好的提高近红外光谱土壤水分定量分析模型的适应性。     

基于实时含水率数据的土壤墒情动态建模及预测

实时准确地预测墒情是进行灌溉预报,实现农田水分精准化管理,提高水分利用效率的重要措施。基于根区（0−60cm土层）水量平衡原理,利用泰勒级数对根区下界面水分通量和作物蒸腾量进行了线性化处理,并以实时根区平均土壤含水率为自变量构建了动态的土壤墒情预测模型。采用天津市武清区西吕村无线土壤墒情监测系统（包含3个监测点）实时监测数据（地表下30cm和60cm处的土壤含水率）,分别选取5d、10d、15d和20d作为建模系列长度进行回归分析,确定模型参数,对10d和15d两种预见期进行了土壤墒情预测精度分析。结果表明：（1）实时预测模型拟合程度较好,三种建模系列长度条件下的确定性系数均达到0.80以上（样本数均大于550）;（2）15d建模系列长度下相对误差最小;（3）15d建模系列长度、15d预见期、10%相对误差界限值条件下,3个监测点的墒情预测合格率分别达到98%、100%和89%。由此可见,研究提出的实时墒情预测模型预测精度较高,便于建模分析,为土壤墒情的预测提供了新方法。     

东北黑土区TDR测定农田土壤含水量的室内标定

土壤水分标定是利用TDR监测农田土壤水分过程中的必要环节.以东北黑土区农田土壤剖面深度上的4种典型介质（黑土层、母质层、过渡层、砂砾层）为试验对象,利用“由湿到干”的土柱试验方法,用烘干法对TDR进行室内标定研究.结果表明：1）TDR内置土壤标定曲线测定的含水量明显低于烘干法测量的含水量.在TDR法土壤含水量标定时,指数关系比线性关系具有更高的标定精度.2）单一介质的TDR法土壤含水量标定曲线对自身介质的标定精度高（最大绝对误差3.2％）.3）混合介质的TDR法土壤含水量标定曲线的标定精度较高（最大绝对误差6.6％）,可用于不同介质TDR法土壤含水量标定.本研究结果可用于研究区及类似区域修订TDR法含水量测定结果.     

基于高时间分辨率农田土壤湿度观测的绿洲农业区土壤质地制图

Due to the almost homogeneous topography in low relief areas, it is usually difficult to make accurate predictions of soil properties using topographic covariates. In this study, we examined how time series of field soil moisture observations can be used to estimate soil texture in an oasis agricultural area with low relief in the semi-arid region of northwest China. Time series of field-observed soil moisture variations were recorded for 132 h beginning at the end of an irrigation event during which the surface soil was saturated. Spatial correlation between two time-adjacent soil moisture conditions was used to select the factors for fuzzy c-means clustering. In each of the ten generated clusters, soil texture of the soil sample with the maximum fuzzy membership value was taken as the cluster centroid. Finally, a linearly weighted average was used to predict soil texture from the centroids. The results showed that soil moisture increased with the increase of clay and silt contents, but decreased with the increase of sand content. The spatial patterns of soil moisture changed during the entire drying phase. We assumed that these changes were mainly caused by spatial heterogeneity of soil texture. A total of 64 independent samples were used to evaluate the prediction accuracy. The root mean square error (RMSE) values of clay, silt and sand were 1.63, 2.81 and 3.71, respectively. The mean relative error (RE) values were 9.57% for clay, 3.77% for silt and 12.83% for sand. It could be concluded that the method used in this study was effective for soil texture mapping in the low-relief oasis agricultural area and could be applicable in other similar irrigation agricultural areas used in this study.     

基于光谱吸收特征的土壤含水量预测模型研究

为了定量分析土壤含水量与反射光谱特征之间关系,并为土壤含水量速测提供理论依据。以黑土作为研究对象,测定实验室光谱反射率,利用去包络线方法提取反射光谱特征指标,建立土壤水分含量高光谱预测模型。结果表明:黑土含水量与1 420 nm、1 920 nm附近吸收谷的主要光谱特征(吸收谷深度、宽度、面积)呈显著正相关;1 920 nm附近吸收谷可作为黑土土壤水分的特征吸收谷,由其光谱特征参数预测黑土含水量;以1 920 nm附近吸收谷面积为自变量建立的一元线性回归模型预测精度高,输入量少,可以作为土壤含水量速测仪器研制的理论依据。     

基于植被指数的藏北牧区土壤湿度反演

土壤湿度的遥感动态监测在农牧业生产中具有重要意义。近年来,多种基于遥感指数的土壤湿度监测方法被提出并得到广泛关注,但当前对不同深度土壤湿度的反演及植被指数反映土壤湿度滞后性的研究较少。该文针对遥感指数反演土壤湿度的精度问题,对MODIS(moderate resolutionimaging spectroradiometer)的2种植被指数产品归一化差异植被指数(normalized difference vegetation index,NDVI)和增强型植被指数(enhanced vegetation index,EVI)与土壤湿度实测值进行相关分析,并利用在其中一个样点得到相关系数最高的回归模型对距离较远的其它点进行土壤湿度值估算,最后用土壤湿度实测值对模型的精度进行验证。结果表明,2种植被指数均与土壤湿度值呈现出较强的相关性,且利用植被指数估算土壤湿度的延迟天数为5~10 d。在相同气候模式、土壤类型和植被类型的条件下,高程为影响回归模型精度的主要因素。该研究可为牧区多层深度土壤湿度反演方法的选择和监测提供参考依据。     

宇宙射线中子法在复杂下垫面土壤水分测量中的应用

宇宙射线中子法是介于点测量与遥感监测的中尺度、非接触土壤水分测量方法。将测量点设于土壤异质性较大的山地地形下垫面,以烘干称重法为标准对比,以频域反射法为连续性观测对照,对宇宙射线中子法在复杂下垫面的测量进行对比研究。结果显示:在复杂下垫面条件下,宇宙射线中子法对区域土壤水分测量值与烘干称重法多点平均计算值所代表的真值间直线方程的拟合优度(R^2)为0.8717,均方根误差(RMSE)为0.0159kg·kg^−1,纳什效率系数(NSE)为0.854,说明宇宙射线中子法测量结果准确可信。宇宙射线中子法与频域反射法对较长时间序列的土壤水分变化趋势反映完全一致,且对降水过程引起土壤水分变化的响应,宇宙射线中子法灵敏性优于频域反射法。宇宙射线中子法能够应用于复杂下垫面的区域土壤水分测量,且具有不受土壤异质性干扰的优点,能够更好地反映中尺度土壤水分的平均状况。     

基于时延神经网络的多深度土壤含水率预测

为精准预测大田土壤含水率,并掌握不同深度土壤含水率分布规律,针对大田土壤含水率时序数据的非线性特点及相邻深度土壤含水率间具有较强关联关系,该文建立3层时延神经网络大田多深度土壤含水率预测模型,用以实现对6个不同深度(10、20、30、40、50和70 cm)土壤含水率预测。利用试验法确定预测模型的隐含层节点个数、训练学习算法和训练集样本量。试验结果表明:隐含层使用10个节点,采用L-M(Levenberg-Marquardt)训练算法,采用45%样本集数据作为训练样本,55%作为测试样本集,对所建预测模型进行预测,10和20 cm的预测相对误差小于7%,而30、40、50和70 cm的预测相对误差小于4.5%。因此利用基于时延神经网络的多深度土壤含水率预测模型,可为掌握土壤含水率分布动态变化规律提出一种解决方案。     

预报土壤盐分动态的多层递阶时序法

文中将多层递阶时间序列方法用于土壤盐分动态的预报,方法简单,计算工作量小,预报精度高,而且避免了利用确定性方法预报时所遇到的困难。实例分析表明,本方法通过对于时变参数的追踪和预报,加上模型本身可修复的特点,使对土壤盐分动态的预测精度得以提高。