土壤墒情预报水文模型研究

介绍了利用水文模型预测土壤墒情的方法,并通过试验检验预报误差符合相关技术标准的要求。模型具有概念清晰,结构简单的特点,对指导农田灌溉管理具有重要的实际意义。     

基于气象因子的启东市土壤墒情预报研究

利用逐步回归方法,分别分析启东市2011—2014年的土壤表墒、底墒与同时期的气象因子(降水量、温度、湿度、日照、风)的相关性,筛选出影响土壤墒情的关键气象因子,并结合经验公式法建立土壤墒情预报模型。结果表明,影响启东市土壤墒情的气象因子主要是降水量、日照和气温,由此建立的预报模型预报未来30 d内土壤墒情的平均相对误差在5%以内,检验效果理想,说明利用该模型可以较为准确地预报未来30 d内土壤墒情,并用于指导农业生产。     

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。     

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.     

沧州市土壤墒情预报方法研究

结合沧州市实际情况,以冬小麦和夏玉米为典型作物分析沧州市土壤墒情变化特点,揭示沧州区域土壤墒情变化规律和演变趋势;对捷地旱情试验站土壤墒情监测资料进行分析研究,利用P—ρ0—Δρ增墒相关法建立增墒预报方案,利用退墒系数法以及ρt—T—ρ0相关法建立退墒预报方案,探讨适合沧州区域的土壤墒情预报方法,对类似地区相关研究具有重要的推广价值。     

沧州地区土壤墒情预报软件设计与实现

介绍了在传统土壤墒情预报方法的基础上,利用计算机技术,基于PowerBuilder 9.0的平台,SQL Anywhere 8.0数据库,实现了土壤墒情资料的自动分析、计算及预报过程,达到了预期目的。     

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.     

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。     

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。     

土壤墒情预测模型对比

为实现实时准确的墒情预报,以北京市延庆区为例,利用在该地区获取的2012—2016年5年的系列土壤墒情和气象数据,对土壤墒情预测模型进行了对比研究。通过相关性分析选取时段初墒值W_0、降雨、湿度、气温、气压、地温和蒸发7种影响因子,对土壤墒情分别建立线性回归方程、基于主成分分析的径向基函数(PCA-RBF)神经网络和误差反向传导(BP)神经网络3种预测模型,并对3种模型预测结果进行了对比分析。结果显示:PCARBF神经网络模型精度最高,平均精度达到96.8%,线性回归模型和BP神经网络模型分别为94.6%和95.7%。研究认为,PCA-RBF神经网络具有稳定性好、精度高的特点,可以很好的实现土壤墒情预测。     

Simple model based on artificial neural network for early prediction and simulation winter rapeseed yield

The aim of the research was to create a prediction model for winter rapeseed yield.The constructed model enabled to perform simulation on 30 June,in the current year,immediately before harvesting.An artificial neural network with multilayer perceptron(MLP) topology was used to build the predictive model.The model was created on the basis of meteorological data(air temperature and atmospheric precipitation) and mineral fertilization data.The data were collected in the period 2008–2017 from 291 productive fields located in Poland,in the southern part of the Opole region.The assessment of the forecast quality created on the basis of the neural model has been verified by defining forecast errors using relative approximation error(RAE),root mean square error(RMS),mean absolute error(MAE),and mean absolute percentage error(MAPE) metrics.An important feature of the created predictive model is the ability to forecast the current agrotechnical year based on current weather and fertilizing data.The lowest value of the MAPE error was obtained for a neural network model based on the MLP network of 21:21-13-6-1:1 structure,which was 9.43%.The performed sensitivity analysis of the network examined the factors that have the greatest impact on the yield of winter rape.The highest rank 1 was obtained by an independent variable with the average air temperature from 1 January to 15 April of 2017(designation by the T1-4_CY model).     

降水量的BP人工神经网络预测模型及其应用

由于影响因素的复杂性 ,预测降水量具有相当的难度。在假设区域长时间内降水量和蒸发量保持平衡的基础上 ,用 BP人工神经网络建立了陕西省汉中市的降水量预测模型 ,根据前 3个月降水量和蒸发量对降水量资料进行了模拟预测 ,结果认为其准确率为 84% ,合格率为 10 0 %。     

基于BP神经网络的太湖典型农田土壤水分动态模拟

收集太湖典型农田2010年10—12月和2011年3—6月2个时间段的逐日气象资料和土壤水分资料,运用BP(back propagation)神经网络和缺省因子分析法确定影响该地区土壤水分动态的主要气象因子(降水量、蒸发量、平均气温和平均地表温度以及平均风速),以这些主要影响因子作为输入变量建立该地区土壤水分动态模拟的BP神经网络模型。利用100组实测样本对神经网络进行训练,用剩余的64组实测样本进行检验。结果表明:0～14 cm和14～33 cm土壤含水量模拟的平均相对误差(MARE)最大为0.062 9,均方根误差(RMSE)最大为1.764,不同土壤层次的训练样本和检验样本的精度(PA)都在0.87以上。因此,BP神经网络用于太湖典型农田的土壤水分动态模拟是可行的。     

基于天气预报的参考作物蒸发蒸腾量预测模型

参考作物蒸发蒸腾量(ET_0)是计算作物需水量和进行灌溉预报的基本要素。本文利用天气预报可测因子和Penman Monteith(PM)公式ET_0计算值作为基础数据,分别建立BP神经网络模型和ANFIS自适应模糊神经推理系统模型,两种模型的估算值与PM公式的计算值没有明显差异,均表现出显著的相关性以及整体吻合度。本文对两种模型取相同的数据样本进行比较,BP-ET_0预测结果的MRE值为32.13%,RMSE为0.134 mm,而R2达到了0.971,说明模型预测精度高,稳定性良好。相较于ANFIS-ET_0的检验结果,BP-ET_0模型的均方根误差更小(0.134mm/d0.188 mm/d),表明其预测精度更高;而ANFIS-ET_0模型估算值的平均相对误差明显小于BP-ET_0模型估算值(16.92%32.13%),显示出ANFIS-ET_0模型更高的稳定性。两种预测模型的输入项完全可以从当前短期天气预报因子中取得而不需要专用测量设备,程序操作简单,具有实用价值,为实时灌溉预报提供了理论基础。     

基于神经网络的宏观农业生产预测模型的研究

为探索宏观农业生产系统预测的新方法，构建了基于人工神经网络的预测模型，利用1994-2003年的气象、经济、生产、投入、技术、价格各方面的数据对我国粮食生产进行了拟合分析，并预测了2004年粮食总产，预测的结果为46125．46万t。结果表明，与灰色系统相比，本文建立的模型具有90％以上的拟合精度，模型具有容错能力、联想能力和学习能力．可以用来尝试解决农业生产系统预测问题。     

水质模型的全局参数敏感性分析

LH-OAT全局参数敏感性分析方法集成了LH抽样与随机OAT方法的优点,在随机OAT的基础上融入LH抽样法,保证参数敏感性分析的强壮性及有效性。但LH-OAT方法必须依靠复杂的计算机程序来实现,因为没有通用程序而限制了其推广应用。试验研究了LH-OAT方法的通用程序设计,并成功用于WASP富营养化水质模型中浮游植物动力学模型的全局参数敏感性分析。结果表明在充足供氮、磷时,浮游植物生物量变化率最敏感的参数是水温,其次是浮游植物的内源呼吸速率和温度调节系数,其三是浮游植物中叶绿素a与碳的比值,处于第四位的是浮游动物的数量;各参数合理的取值范围是成功使用LH-OAT方法的关键。     

河西绿洲灌区小麦灌溉预报模型的研究

采用土壤含水量的平衡计算模型和土壤水分指数,结合气象资料,对河西绿洲灌区小麦实际蒸散量和农田土壤水分动态变化进行了模拟分析.结果表明,实际观测值与Penman-Monteith公式修正计算值之间误差比较小,水面蒸发量与作物蒸散量的数学模拟之间的线性关系很明显,相关性很高.因此,该模型可以用于灌水时间的预报.