不同调亏模式对冬小麦产量形成的影响

为考察不同调亏灌溉模式对冬小麦产量形成的影响,进行了防雨棚下的人工控水试验。结果表明,与不亏水处理CK相比,所有调亏处理均使得籽粒灌浆期显著缩短,达到最大灌浆速度的时间提前,最大灌浆速率和平均灌浆速率增加。拔节期亏水降低有效穗数,拔节期重度亏水有效穗数最小;抽穗期及灌浆成熟期亏水降低千粒质量,灌浆成熟期重度亏水千粒质量最小;拔节期亏水减少穗粒数,拔节期重度亏水穗粒数最小。综合本文研究结果,冬小麦产量较高的适宜调亏模式依次为:返青期轻度亏水、返青期重度亏水、灌浆成熟期轻度亏水、抽穗期轻度亏水、拔节期轻度亏水、拔节期重度亏水。研究结果可以为相关区域冬小麦高产栽培水分调控提供参考。     

膜下滴灌棉花叶温变化规律及其与气象因素关系的研究

通过对新疆石河子市148团膜下滴灌棉花灌区实验地各行棉花叶片温度及土壤含水率的测定、各行棉花发育情况的调查和当地气象资料的收集,利用Origin7.5的函数拟合功能,分析了棉花叶温与当地气象资料的关系。并且分析了棉花叶温与土壤含水率和棉花生长发育情况的关系,以便讨论在本研究种植模式下如何提高棉花产量。结果表明：棉花叶温与气象因素的相关性从高到低排列顺序依次为气温、空气饱和水汽压差、空气相对湿度、日照时数、风速。其中,棉花叶温与气温的相关系数为0.91327,其拟合方程可以用来预测棉花叶片温度。另外,棉花叶片的温度会随土壤含水率的增高而降低,在本研究“一膜两管,一管三行”,“66+10”的种植模式下,棉花叶片温度较低的那行生长发育情况较好,且产量也较高。建议在本研究种植模式下将中行棉花适当向滴灌管附近移动,以此来提高棉花产量。     

基于GPRS的水资源数据远程监控系统研究

介绍采用GPRS模块实现远程水资源数据监控的系统.各监控点的数据采集终端将采集到的数据信息传输到系统的监控中心,监控中心对传榆回来的数据进行记录、存储、分析,并把需要的控制信息传送到监控点,从而实现水资源数据实时采集.处理和控制.     

基于GA优化的支持向量机模型在青椒作物需水量预测中的应用

为节约灌溉用水,采用垄沟集雨覆盖种植技术与滴灌技术相结合(MFR-DI),并对使用该技术种植的青椒进行作物需水量预测.根据多年气象资料、青椒冠层温度以及逐日作物需水量资料,构建了以冠层温度、气象因素为输入因子的预测MFR-DI种植模式下青椒作物需水量的GA-SVM模型,使用2017年的数据对模型进行了测试,结果表明:在输入相同气象因子时,GA-SVM1(RMSE=0.9010 mm/d,MAE=0.6735 mm/d,NS=0.9718)比SVM(RMSE=0.9607 mm/d,MAE=0.7691 mm/d,NS=0.9680)预测模型具有更高的精度性能.此外,在输入相同数量的因子时,将冠层温度作为GA-SVM的输入因子之一,比仅输入气象因子的GA-SVM模型预测精度更高,其RMSE,MAE,NS值分别为0.7817 mm/d,0.5838 mm/d,0.9788.结果说明采用GA优化的SVM预测模型,提高了模型的收敛速度,使模型的精确度更高.另外,在作物需水量预测模型中引入冠层温度,可以提高模型的预测准确性,为实现高效智能节水提供参考.     

基于RBF神经网络与BP神经网络的核桃作物需水量预测

采用RBF网络与BP网络的方法,利用MATLAB工具箱并结合气象资料中的相对湿度、平均气温和太阳日辐射量,建立了预测核桃作物需水量的神经网络预测模型.两种预测模型通过实例证实了预测的准确性,并且将这两种网络模型进行了比较分析.RBF神经网络预测作物需水量的绝对误差平均值为0.254 7 mm/d、相对误差平均值为5.47％,BP神经网络预测作物需水量的绝对误差平均值为0.320 6mm/d、相对误差平均值为6.97％,由此可见,RBF网络预测的精度比BP网络高.并且,通过程序记时显示RBF网络训练用时0.063 0 s,比BP网络训练所需的时间要短的多,因此RBF神经网络具有较好的实用价值,实现了精度与实用性的统一.     

基于MIV-MEA-Elman神经网络的核桃果实膨大期需水量预测

核桃作物需水规律错综复杂,与气温、气压、相对湿度等因子之间具有复杂的非线性关系。针对这种特点,结合河北邯郸试验田核桃需水的历史数据和气象数据,提出了一种MIV-MEA-Elman模型。经MIV(平均影响值)算法筛选,得出4个较优的指标:平均气温、平均气压、相对湿度、日照时数。以此作为经MEA(思维进化算法)优化后的Elman神经网络模型的输入,核桃逐日需水量作为输出,经过对仿真结果分析,此模型的均方根误差为0.317,证明具有良好的预测效果。     

基于深度学习人工神经网络的青椒调亏灌溉水量预测

在2014—2018年,采用垄沟集雨覆盖种植滴灌技术与调亏灌溉技术相结合（MFR-RDI）对青椒进行试验研究,选取灌溉水利用效率最高的试验处理（即青椒结果后期重度亏水）进行灌水量预测。根据试验期间搜集的各项资料,在MFR-RDI种植方式下,以作物需水量、青椒生育期天数、作物生育期内的降水量、土壤含水率、前一天的灌水量作为模型输入因子,构建青椒作物灌水量的深度学习人工神经网络（DNN）预测模型。通过模型试验得到最佳DNN预测模型,该模型的隐含层包括4层,各隐含层神经元个数分别为：32、16、8、4。模型的激活函数采用“ReLU”,优化函数为“adam”,迭代次数为300。模型使用2018年的数据进行了测试。测试结果表明DNN模型的RMSE为0.898 mm,MAE为0.257 mm,NS为0.758,R²为0.7635,说明该预测模型具有较高的精度性能。通过预测结果可以得到此种植方式下青椒的灌溉制度,为实现高效智能节水灌溉提供参考。     

径向基函数人工神经网络在棉花耗水量预测中的应用

采用径向基函数人工神经网络的方法，利用MATLAB工具箱，以气象资料中的平均气温、日照时数、平均风速作为输入变量，建立了预测新疆石河子地区棉花耗水量的RBF神经网络预测系统，并通过实测数据的检验得出此预测系统网络模型的绝对误差最大为0．0962mm／d，最小为0．0008mm／d，平均为0．0519mm／d；相对误差最大为1．7995％，最小为0．0165％，平均为0．9664％，可见网络模型预测的准确度较高，较以往的线性模型更合理，并且此网络训练花费的时间短，仅需0．0780s。     

廊坊市地表水水质综合评价

廊坊市是目前河北省唯一一个没有地上调蓄水库的设区市,地表水是全市重要的供水来源,但是受上游城市及本地工农业及生活污水的影响,当地地表水的水质污染状况较为严重,可利用程度极低。因此,项目小组以廊坊市13个断面的地表水水质为研究对象,运用主成分分析法对评价因子进行筛选,并用模糊综合评价法进行评价。结果表明:廊坊市13个地表水监测断面中,Ⅰ类水质占比30.77%,Ⅲ类水占到46.15%,Ⅳ类、Ⅴ类水分别占15.39%和7.69%,无Ⅱ类水质。从空间分布来看,廊坊市的北三县(大厂、香河、三河)和台头地区断面相较于廊坊市其他地区的地表水污染更为严重。     

不同生育期水分亏缺对青椒气孔特征、生长过程及生物量的影响

为探究青椒在不同生育期对水分亏缺的生理响应机制,以‘中椒107’为试材,采用不同程度的亏水处理(充分灌溉FI、苗期轻度调亏SSMD、苗期重度调亏SSSD、花期轻度调亏FSMD、花期重度调亏FSSD),研究了水分亏缺对青椒各个生育时期气孔特征、生长过程和生物量的影响。结果表明:①苗期调亏增加青椒的气孔密度和气孔宽度;②充分灌溉条件下茎粗和株高生长趋势明显高于水分亏缺处理,而花期调亏处理的叶面积指数最大;③苗期重度调亏青椒地上、地下生物量最大,苗期调亏植物组织含水率最高。苗期重度调亏最有利于青椒的生长发育和生物量累积。