土壤水分模拟与墒情预报模型研究进展

土壤墒情预报是在土壤水分模拟模型的基础上对农田耕作层土壤水分的增长和消退程度所进行的预报.墒情预报是灌溉预报的基础,对于水资源短缺条件下农田水分的合理调控具有重要意义.墒情预报模型可以分为确定性模型与随机性模型两大类,其中确定性模型包括水量平衡模型、土壤-植物-大气连续体(SPAC)水分传输模型、SPAC水热耦合传输模型等,随机性模型包括数理统计模型(包括回归模型、时间序列模型、人工神经网络模型等)、随机水量平衡模型与随机土壤水动力学模型等.本文对各类墒情预报模型进行比较,并对其发展趋势进行了展望.     

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。     

辣椒不同深度土壤墒情预报的BP神经网络模型

依据内蒙古河套灌区治丰试验基地的不同深度土壤水分传感器采样土壤含水率以及气象、地下水、灌水(降雨)数据,建立了基于BP人工神经网络的辣椒同时输出不同深度土层体积含水率预报模型,并用实测土壤含水率数据对模型进行了检验.结果表明,模型具有较好的预报效果,应用于不同深度土壤墒情分析和预报是可行的.     

冬小麦和夏玉米农田土壤分层水分平衡模型

本文以田间试验资料为基础，建立了一个农田水量平衡模型，模型中根系吸水项采用Ｄｅｊｏｎｇ吸水函数，用农田潜在蒸散量乘以土壤水分胁迫系数计算农田实际蒸散量，降水或灌水后进入土壤每层的水量选用一个雨水分配模型。利用模型模拟的结果研究了冬小麦和夏玉米农田的水分变化规律，并计算了农田实际蒸散量和土壤分层根系吸水量。     

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。     

用于田间作物-水分关系研究的ThuSPAC模型

田间作物水分关系是土壤植物大气连续体(Soil Plant Atmosphere Continuum，简称SPAC)理论的重要研究内容。本研究介绍的ThuSPAC(Tsinghua University SPAC)模型，包含土壤水热运移(Soil)模型、冠层(Canopy)模型、土壤-植物-大气连续体(SPAC)模型、冬小麦生长模拟(Wheat)模型、冬小麦生长与SPAC水热运移耦合的WheatSPAC模型5个独立的模型。利用ThuS-PAC模型，可以根据土壤条件、冬小麦品种参数、气象条件及灌溉条件等，动态模拟土壤、冠层中水分温度的分布规律、冬小麦生长过程及最终产量。模型的开发语言为Visual Basic，界面友好，在相关领域的研究中具有广泛的应用前景。     

LEACHC模型及其在土壤盐碱化预测预报研究中的应用

LEACHC是描述土壤水分运动、溶质运移和盐分积累的盐度模型。它利用一维Richard方程有限差分法模拟水分流动,利用对流-弥散传输模型描述溶质运移,利用化学平衡子程序处理土壤剖面化学平衡过程。系统地介绍了LEACHC模型及基本原理,总结了国外学者利用LEACHC模型进行土壤盐碱化预测预报研究的基本情况,以期对中国土壤盐碱化预测预报研究有所借鉴。     

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。     

基于人工神经网络的土壤含水量预报模型

土壤水分含量是影响作物生长的重要因素,精确预测技术对水资源的合理利用与管理具有重要的指导意义。土壤水分运动是一个复杂的时间序列系统,其变化与区域气候条件和生态环境密切相关,具有明显的随机性波动。利用人工神经网络的方法对河南驻马店地区的土壤含水量进行预报,利用表层土壤含水量资料计算了一些与深层土壤含水量相关的预报因子,用以建立驻马店地区深层土壤含水量的神经网络预报模型,并应用独立样本进行了初步的模拟预报检验。结果表明,预报模型取得了令人满意的效果,应用神经网络的方法预报深层土壤含水量是可行的。     

红壤农田中花生SPAC水势分布

土壤 -植物 -大气连续体 (SPAC)中水分传输过程是农田生态系统水分迁移与能量转换中最重要的环节。SPAC尽管介质不同、界面不一 ,但在物理上是一个统一的连续体 ,可以用水势这一统一的能量指标来描述各个环节能量水平的变化。水分从土壤中被作物根系吸收向上一直传输到叶气腔再散失到大气中 ,水势是驱动力 ,水在其中流动的通量与驱动力 (水势差 )成正比 ,与阻力成反比。可见 ,研究SPAC水势分布规律有助于定量计算水流通量 ,并为作物根系吸水和水分散失、作物水分供需评价提供依据 ,而且对调节农田生态水分循环和节水农业措施有重要指导…