基于畦灌灌水效果的土壤入渗参数预测精度控制研究

为实现土壤入渗参数预测精度的有效控制,以汾东灌区北长寿的灌水试验为背景,对灌水技术参数进行包括灌水效率Ea、储水效率Es和灌水均匀度Du在内的多目标模糊优化。在优化灌水的条件下,选用三参数Kostiakov入渗模型,将入渗参数k、α和f0不同程度地偏离,利用WinSRFR对不同入渗参数下的灌水效果进行模拟,分析灌水效果评价指标对入渗参数变化的敏感程度。结果表明:入渗参数k和f0偏离对灌水效果指标的影响明显较入渗指数α偏离的影响大;Ea和Es对入渗参数偏离的敏感程度相当,而Du的敏感程度大于Ea和Es。在此基础上结合灰色关联理论,建立入渗参数预测精度控制模型,以实现土壤传递函数的有效建立。     

分类梯度提升算法(CatBoost)与蝙蝠算法(Bat)耦合建模预测中国西北部地区水面蒸发量

为预测干旱、半干旱地区的水面蒸发量,以实测水面蒸发量为基准,利用我国西北部地区的45个气象站实测逐日最低气温、最高气温、相对湿度、风速及太阳辐射,建立基于蝙蝠算法的分类梯度提升算法模型(Bat-CB)并与原分类梯度提升算法模型(CatBoost)及随机森林模型(RF)进行对比.结果表明Bat-CB模型的预测能力与稳定性(RMSE为0.859～2.227 mm/d;MAE为0.540～1.328 mm/d;NSE为0.625～0.894;MAPE为0.162～0.328)最优,而CatBoost模型(RMSE为0.897～2.754 mm/d;MAE为0.531～1.77 mm/d;NSE为0.147～0.869;MAPE为0.161～0.421)对水面蒸发的预测能力略优于随机森林模型(RMSE为1.005～3.604 mm/d;MAE为0.644～2.479 mm/d;NSE为-1.242～0.894;MAPE为0.176～0.686).此外,Bat-CB模型对于水面蒸发的季节及空间变异性具有较好的适应能力,而随机森林模型在夏季水面蒸发预测中表现最差.研究成果可用于干旱、半干旱地区水面蒸发量的预测.     

基于WinSRFR的畦灌灌水技术参数的多目标模糊优化

为了改善畦灌的灌水效果,以汾东灌区北长寿的灌水试验为背景,基于Win SRFR软件模拟灌水质量的可靠性,以畦田长度L、单宽流量q和灌水时间t为灌水技术参数变量,分析其对灌水效果的影响,并通过Matlab进行了多元回归分析,建立了包括灌水效率Ea、储水效率Es和灌水均匀度Du在内的多目标优化模型。针对该模型存在的模糊性,将模型的目标函数模糊化,对该模型的优化求解进行了研究。根据模糊求解所获得的最优技术参数组合,利用Win SRFR软件模拟,对优化结果进行了分析。结果表明,该优化组合可以有效改善畦灌灌水效果,其优化求解方法可以合理优化灌水技术参数。     

基于改进的HYDRUS-2D模型暗管排水过程模拟

为了提高HYDRUS-2D模型在暗管排水中的模拟精度，提出了虚拟土层(VSL)和实际开孔面积(AHA)两种方法来代替HYDRUS-2D在暗管排水中的暗管原有渗透边界(PSB)。研究表明:VSL和AHA模型的模拟值与实测值具有较好的一致性;土壤含盐量平方根误差（RMSE）分别为0.757、0.966 g·kg^-1，决定系数(R²)分别为0.977和0.964；土壤含水率的RMSE分别为0.007、0.008 cm³·cm^-3,R²分别为0.885和0.794。此外，VSL在模拟排水方面(RMSE=9.48L，R²=0.93)和模拟排盐方面(RMSE=0.225 kg，R²=0.922)的模拟精度均高于AHA和PSB，可见，VSL更适用于暗管边界。进一步建立了VSL的环宽（RW）与其饱和导水率（K_s）之间的经验公式(R²=0.99，P<0.01)，当模拟区域和暗管布局变化时，该经验公式可用于确定VSL的模型参数,其模拟结果可用于指导相关地区的暗管布局。     

牛羊药物驱虫的增重对比试验

为证实牛羊药物驱虫后的增重效果。进行了本试验，各选粪检寄生虫卵阳性的牛羊100头，试验组与对组各羊。采用广播，高效的丙硫咪唑和阿福丁为试验组牛羊驱虫，丙硫咪唑牛用剂量20mg/kg，羊15mg/kg。阿，福剂量牛羊均用5mg/kg，试验期90天，第1次驱虫，15天后重复1交,于驱虫后45天和90天各称重1次，结构果表明，驱虫后牛膘情明显上升，至试验结束，试验组牛平均增重23．73kg/头，对照组（未用药）为13．25kg/头；羊分别为7．19kg/只，3．14kg／只。结论：牛羊驱虫后体增重明显，提高了经济效益。     

基于分类梯度提升算法和人工神经网络的食松和樱核圆柏的气孔导度模拟

气孔导度是表征植物蒸腾状态的重要指标，气孔导度的准确量化对于地表水文循环研究具有重要意义。为探索提高气孔导度模拟准确性的方法，本研究利用分类梯度提升算法（CatBoost,CAT）和人工神经网络（Artificial Neural Network,ANN）两种机器学习模型对食松（Pinus edulis）与樱核圆柏（Juniperus monosperma）的气孔导度进行了模拟，并将二者的模拟结果与Ball-Berry模型和Medlyn模型进行了比较。机器学习模型以净光合速率An、叶表二氧化碳浓度Cs、相对湿度RH、饱和水汽压差VPD、叶片温度TL和黎明前叶水势LWP为输入变量，设计了3种建模策略：策略(1)输入变量为An、Cs和RH；策略(2)输入变量为An、Cs和VPD；策略(3)输入变量为An、Cs、RH、VPD、TL和LWP。结果表明(1)Ball-Berry模型和Medlyn模型模拟效果相近，RMSE分别0.013 8和0.013 9 mol/（m2·s）；(2)机器学习模型对气孔导度的模拟效果明显优于Ball-Berry模型和Medlyn模型，不同输入策略下CAT和ANN模...