农田墒情动态二区模拟模型

为准确模拟土壤计划湿润层内墒情动态变化,基于土壤-植物-大气连续体物质能量运动及土壤水动力学的基本理论,考虑作物根系伸展和吸水特性,把土壤水分变化土层划分为随作物根系伸展而改变深度的包含主要根系的动态根区和无根系的储水区,构建了变根区墒情动态二区模型。模型根区深度随着作物根系伸展改变,以此准确表达土壤计划湿润层内墒情的动态变化;将储水区的土壤水分作为模型变量,计算根区下界面水分通量,由此间接地考虑了深层土壤水分对作物蒸发蒸腾量的影响。将模型拟合误差作为目标函数,采用自由搜索算法率定模型参数。应用建立的模型进行墒情模拟,模拟相对误差小于±5%和±10%所占的比例分别为49.09%和94.55%;经t检验和回归分析表明预测值和实测值相差不大,具有较好的一致性,决定系数为0.779,模型具有较高的模拟精度,能准确反映计划湿润层内墒情的变化。     

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。     

基于气象因子的金华市土壤墒情预测模型

利用金华2007—2008年土壤墒情资料和相关气象资料,分析了土壤湿度的基本变化规律,对土壤湿度与相关气象因子进行了灰色关联度分析,找出关键气象影响因子,建立了基于关键气象影响因子的土壤墒情预测模型并进行了试报和验证。结果表明：金华市冬季、春季土壤较为湿润、变化较为平稳,夏季、秋季土壤相对较干、变幅较大;5mm降水与蒸发的差为影响土壤相对湿度变化的首要因子;基于关键因子的土壤墒情预测模型试报2008年夏季的10cm、10—20cm、20—30cm土层相对湿度的平均误差分别为15．75％、6．89％、8．21％,该模型预测的土壤湿度状况基本能反映旱情发展的动态趋势。模型可为准确预测土壤墒情的变化状况,为农业生产合理用水和防灾减灾提供参考。     

临夏市玉米田土壤墒情监测浅析

选择临夏市不同土壤类型的玉米田,建立10个土壤墒情监测固定点,定期对各监测点0～20 cm、20～40 cm土层土壤墒情进行测定。结果表明,土壤墒情的变化规律与自然降水量、地区气温变化、作物的生长期及生长规律密切相关。土壤墒情总体上随降水量的增多而增加,土壤体积含水量的变化与本区域的降水规律相吻合。不同时期各监测点20～40 cm土层土壤体积含水量高于0～20 cm土层。     

基于神经网络的混沌时间序列土壤墒情预测预报

土壤墒情预测预报对农业生产、水分循环的研究具有重要的意义。应用混沌理论对具有混沌特性的土壤墒情时间序列进行相空间重构,利用神经网络对土壤墒情时间混沌序列重构相空间中相点的演化过程进行了学习、训练及预测。结果表明,该方法所需的参数较少,简单易行,即只需要土壤墒情时间序列数据。通过对预测预报值与实测数据进行比较,证实了该方法相对误差较小,预测精度高,有一定的可靠性和实用性。     

基于细菌觅食优化算法的支持向量机在土壤墒情预测中的应用

[目的]对基于细菌觅食优化算法的支持向量机在土壤墒情预测中的应用进行探讨,为现代农业研究中土壤墒情预测及农业生产提供支持。[方法]基于支持向量回归机方法建立土壤墒情预测模型,利用细菌觅食优化算法优化支持向量机预测模型的相关参数。根据从种植区采集的田间数据对模型进行建模和测试。[结果]与仅利用支持向量回归机和利用粒子群优化的支持向量回归机分别建立的模型进行对比,发现本研究所提算法建立的预测模型的预测效果更佳。[结论]该模型预测效果较好,所建模型已应用于实际项目,预测精度基本满足要求,且运行稳定。进而证明了该研究所提算法的有效性和可行性。     

近红外光谱和机器视觉信息融合的土壤含水率检测

为了精确、快速和稳定测定土壤含水率以及扩大所建模型的适应性,该文提出了机器视觉与近红外光谱技术融合的土壤含水率分析方法。通过试验建立了湖北地区主要土壤基于近红外光谱的土壤含水率分析模型、基于土壤表层图像特征参数的含水率分析模型和机器视觉与近红外光谱信息融合的土壤含水率分析模型。结果表明,基于近红外光谱含水率分析模型虽然具有较高的精度,但该模型预测非建模样品黄绵土误差均大于4%;以图像特征参数H,S和V所建BP人工神经网络非线性预测模型最优,模型的决定系数R2为0.9849,但当土壤水分饱和（达到20%以上）时存在分析误差;而所建立的土壤的近红外光谱与机器视觉BP神经网络信息融合模型可预测非建模样品黄绵土与水分饱和达20%以上土壤,决定系数R2可达到0.9961,融合模型分析精度均高于单独使用近红外光谱或机器视觉分析模型。     

机载非接触式近红外土壤墒情检测系统研制

针对探针式土壤水分传感器插入土壤后因反馈点固定而需大量布点、成本高、破坏耕层等问题，该研究提出一种基于法布里-珀罗干涉近红外传感器的非接触式土壤墒情在线检测系统。系统硬件部分由机载自动检测装置、电气控制箱和北斗双天线实时差分定位系统（Real Time Kinematic，RTK）组成。整套系统样机的试制包括：传感器的选型和模块设计封装、升降检测装置设计、传感器避障与采样点北斗定位、土壤含水量预测建模、软件中的二次开发和系统与润禾2ZBA-2型移栽机的集成等。田间试验结果表明：当移栽机以0.3 m/s速度行进时，土壤水分传感器参比校准后进行土壤水分的测定，5 s内工控机上实时显示水分含量值，水分含量预测值与实测值的相对误差范围为0.18%～14.46%，平均相对误差7.77%，所测水分值结合北斗RTK系统测得的定位坐标生成土壤表层含水率分布图，为后续喷灌、滴灌等变量灌溉提供参考依据。     

无膜棉花产量及其根区温湿盐对灌溉量的响应

为揭示无膜棉花产量及其根区温湿盐对深层、夜间灌溉量的响应机制,在等行距密植（26株/m2）条件下,以早熟品种''新陆早 74 号''为试材,设置5个灌水量处理（W1,2 649 m3/hm2;W2,2 925 m3/hm2;W3,3 201 m3/hm2;W4,3 477 m3/hm2;W5,3 753 m3/hm2）,研究了棉花产量形成及根区水分、温度和盐分浓度变化规律。结果表明：棉花籽棉产量2020年较2019年增加45.6%～65.5%（P<0.05）,其中W4处理较高,较其他处理增加4.1%～10.3%（P<0.05）。土壤含水率盛花期前W5> W4> W3> W2> W1,盛铃期后处理间无差异,但较盛花期前降低21.2%～35.0%（P<0.05）。土壤温度W4较其他处理高0.3%～1.2%（P>0.05）。W4处理土壤pH值在初花期前0～30 cm土层和盛铃期后>10～20 cm土层较其他处理分别低0.1%～0.8%和0.6%～1.3%（P>0.05）。土壤电导率W3处理0～30 cm土层较其他处理高6.4%～19.4%（P<0.05）。相关分析表明,籽棉产量与土壤0～10 cm土层电导率显著正相关（P<0.05）、与pH值显著负相关（P<0.05）、与土壤>10～20 cm土层电导率和花期土壤含水率显著正相关（P<0.05）、与盛铃后期温度和pH值显著负相关（P<0.05）。因此,无膜高密度深层、夜间滴灌条件下,灌水量为3 477 m3/hm2可营造适宜棉花生长的根区（尤其是>10～20 cm土层）温度以及盐分环境,从而获得较高棉花产量。     

基于前期有效降水推算耕作层土壤湿度的方法

土壤水分是研究水资源循环及干旱监测的重要指标。本文基于土壤水分平衡原理提出,在无灌溉的条件下,当前土壤含水量主要由前期有效降水决定,并利用荆州（1982—2006年）、随州和麻城（1993—2006年）3个站点的土壤湿度实测资料,建立了0-10cm、10—20cm土层的土壤湿度与前期有效降水量线性回归方程。模型检验效果较好,0-10cm土层的准确率在85％左右,10—20cm的准确率高于85％;在2007年湖北部分地区秋冬季干旱监测实际应用中准确率达93％以上。此模型与一般经验模型相比,不依赖于前期土壤湿度资料,适用范围更广、时效性强,更具有推广价值。     

不同灌溉策略下冬小麦根系的分布与水分养分的空间有效性

通过田间试验研究了少量多次和少次多量的灌溉方式下冬小麦根系的分布与水分养分的空间有效性。结果表明 :少量多次的灌溉方式降低了冬小麦返青后表层根系的生长 ,减少了拔节后该层根系的衰退。在少次多量的灌溉方式下返青期不灌水促进了表层根系的生长 ,然而拔节后该层根系衰退较多 ,但中层 ( 3 0～ 60cm)根系生长高于少量多次的灌溉方式。不同灌溉策略下根系分布的差异并不影响冬小麦对土壤水分和养分的吸收 ,由于播前土体内蓄水不足 ,三种灌溉方式下 0～ 90cm土壤可用水在收获后均消耗殆尽。灌溉促进了表层硝态氮的吸收和向下迁移 ,但两种灌溉方式下硝态氮在土体内的迁移均未超出 60cm土体 ,仍在根层之内。而不同的灌溉方式对冬小麦全生育期内土体速效磷钾的分布没有影响。扬花前两种灌溉方式下冬小麦的生长发育和养分的吸收并无差异 ,扬花后少次多量的灌溉方式由于水分供应不足 ,影响了灌浆 ,降低了千粒重 ,进而影响了产量 ,同时土壤水分缺乏也减少了该时期养分的吸收。而在少量多次的灌溉方式下 ,扬花后灌水不仅可以促进冬小麦灌浆 ,提高千粒重 ,而且增加了对养分的吸收。     

基于支持向量机的土壤湿度模拟及预测研究

基于中山大学珠海校区气象观测站日平均风速、日平均气温、日平均空气湿度、日平均水汽压、日平均总辐射量、日平均地表温度、日平均降雨量、日平均蒸发量以及日平均10 cm、20 cm、30 cm土层土壤的含水量,利用支持向量机方法建立气象因子与土壤湿度统计关系,并以此为基础建立土壤湿度模拟与预测模型.结果表明,土壤湿度对气象因子有一定滞后相关性,不同土层土壤湿度对气象因子的滞后相关性不同.研究发现考虑滞后相关性的预测模型在精度上要高于不考虑滞后相关性的预测模型.此外,利用气象因子对地下10 cm的土壤湿度模拟与预测精度较高,而对地下20 cm、30 cm的土壤湿度模拟精度较低.利用地下10 cm与20 cm、20 cm与30 cm的土壤湿度相关性大的特点,可以考虑利用支持向量机方法以10 cm土壤湿度模拟与预测20 cm的土壤湿度,以20 cm的土壤湿度模拟与预测30 cm的土壤湿度,分析结果表明模拟精度较高.     

古尔班通古特沙漠南缘固定沙丘土壤水分时空变化特征

土壤水分是维系古尔班通古特沙漠荒漠植被发育最主要的制约因子。为了研究古尔班通古特沙漠南缘固定沙丘土壤水分特征,于2012年12月4日至2013年11月4日,采用中子仪法对0~400cm沙层土壤含水率进行了原位观测,分析了沙丘不同部位土壤含水率的时空变化及不同发育阶段梭梭对其根区土壤含水率的影响。结果表明:(1)0~40 cm土层为土壤水分活跃层,40~200 cm土层为土壤水分次活跃层,200 cm以下土层为土壤水分相对稳定层;(2)西坡、坡顶和东坡的土壤含水率差异不显著,丘间地土壤含水率与西坡、坡顶和东坡均存在极显著性差异,且丘间地土壤含水率相对较高;(3)3—5月是土壤水分补给期,6—10月是土壤水分耗损期,11月—翌年2月是土壤水分稳定期;(4)不同发育阶段梭梭根区土壤含水率秋季均显著低于春、夏两季,壮年阶段梭梭根区土壤含水率各季都较低,青年阶段梭梭根区土壤含水率各季相差较大,壮年阶段梭梭和青年阶段梭梭根区土壤含水率春、夏季均存在显著性差异。     

关于建立田间墒情监测网信息系统的探讨

阐述建立田间墒情监测网的方法步骤，以及旱情评估的几种理论，在此基础上提出了墒情监测网信息系统的方案，该方案主要为地方（灌区或县、市）灌溉农业的用户服务，以期达到省水增产目的，同时与全国抗旱信息系统兼容为抗旱防灾、减灾服务     

不同封孔方式对番茄缓苗期土壤水盐分布及番茄生长的影响

为探究不同封孔方式对番茄幼苗成活率的影响,试验以传统土封孔为对照,设置不封孔和沙封孔两个处理,对比研究3个处理方式下土壤水盐分布特征及番茄幼苗的生长状况。结果表明:不同处理棵间各土层土壤含水量和含盐量差异不显著。不封孔和沙封孔较土封孔显著降低了番茄根系区土壤含水量,0～10 cm和10～20 cm含水量平均较土封孔低12.82%、9.61%和11.39%、10.13%,为番茄幼苗的生长提供了适宜的土壤水分条件;根系区0～10 cm和10～20 cm含盐量平均较土封孔低30.17%、34.64%和30.26%、28.29%,抑制了土壤盐分表聚,为幼苗的生长提供了相对淡化的土壤环境。不同处理间番茄植株生长状况基本一致,但不封孔和沙封孔促进了幼苗根系的伸长,并显著提高了幼苗成活率,幼苗扎根深度平均较土封孔高13.74%和9.16%,成活率高10.36%和11.06%。河套灌区番茄定植栽培宜采用不封孔或沙封孔。     

青海三江源地区土壤水分常数转换函数的建立与比较

利用土壤理化性质数据建立转换函数是间接获得土壤水力参数的重要手段之一。基于测定的土壤理化性质和土壤水分常数数据,本文采用回归分析、BP神经网络和基于BP神经网络的Rosetta模型3种方式分别建立了青海三江源地区土壤饱和含水量、毛管持水量和田间持水量的转换函数,并对其预测精度进行了比较。结果表明:(1)回归分析方法总体预测效果比较理想,特别是田间持水量的平均误差(ME)和均方根误差(RMSE)都在3.397%以下,决定系数(R2)高达0.868;(2)BP神经网络方法的预测效果非常理想,各土壤水分常数平均误差和均方根误差都在4.685%以下,并且决定系数均在0.857以上;(3)Rosetta模型的预测效果相对较差,特别是饱和含水量和毛管持水量,平均误差(ME)和均方根误差(RMSE)相对较大,决定系数(R2)相对较小。3种方式中,BP神经网络方法所建立的毛管持水量和饱和含水量转换函数均为最佳,回归方法所建立的田间持水量的转换函数要好于BP神经网络方法和Rosetta模型,Rosetta模型对土壤水分常数的预测效果不如其他两种方式。研究可为青海三江源地区土壤水力特性参数研究以及区域尺度上土壤水分估算提供科学依据。     

实测高光谱和HSI影像的区域土壤含水量遥感监测研究

基于典型研究区植被冠层实测高光谱数据和HSI高光谱影像数据,通过相关分析选择与不同深度土壤含水量响应敏感波段,建立两者的土壤含水量反演模型,并用实测高光谱土壤含水量反演模型校正HSI影像土壤含水量反演的模型。结果表明:土壤含水量响应敏感波段区域为450~650 nm和850~920 nm;两种土壤含水量反演模型对土壤深度为0~10 cm的土壤含水量估算效果最好,其中实测冠层高光谱土壤含水量反演模型精度高于HSI影像土壤含水量反演模型,判定系数(R~2)分别为0.659和0.557;经过校正的HSI影像土壤含水量反演模型精度有了较大的提高,判定系数(R~2)从0.557提升到0.719,均方根误差(RMSE)为0.043 5,较好地提高了区域尺度条件下土壤含水量监测精度,因此运用该方法进行土壤含水量遥感监测是可行的,为进一步提高区域尺度下土壤含水量定量遥感监测提供参考借鉴。     

基于支持向量机方法建立土壤湿度预测模型的探讨

支持向量机(Support Vector Machine简称SVM)方法,是通过核函数实现到高维空间的非线性映射,适宜于解决非线性问题,具有算法简单、计算量小、易于实现等优点。本文运用支持向量机方法建立了不同土层土壤湿度预测模型,0~10cm土层土壤湿度预测模型有较好的推广能力,10~50cm处的各层预测模型预报能力相对较弱。分析土壤湿度历史监测资料,发现同一时刻0~10cm土层与其它各土层土壤湿度具有较高的相关关系,基于此建立了预报精度较高的各土层土壤湿度的预测模型,实现了运用前期环境气象因子对各土层土壤湿度的预测。