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。     

丰满流域墒情自动监测系统的设计与应用

土壤墒情对作物生长、节水灌溉、科学用水等有着非常重要的作用。为了准确、迅速地掌握丰满流域土壤墒情信息,选取安仁村、隆兴村、万宝沟3个典型站点,建立固定墒情自动监测站。以固定墒情自动监测站的设计及应用为例,阐述了该墒情监测系统的背景、设计及应用情况,并对系统监测的准确性进行测试与分析。该系统实现了丰满流域土壤墒情监测、信息传输的自动化,可以实时掌握土壤墒情状况,进一步为洪水预报工作提供依据。     

监测采样间隔对土壤墒情预测模型性能的影响

【目的】为了实现准确的农田土壤墒情预测,以茶园不同深度的土壤墒情为对象,对不同的监测采样间隔下的多种茶园土壤墒情预测模型进行了对比研究.【方法】经相关性分析,确定了时段初始湿度、光照、空气温度、空气湿度、土壤温度、土壤电导率和降雨量7种影响因子,对土壤墒情分别建立了多元二次回归、BP神经网络和LSTM深度学习模型.研究了10、30、60、90、120 min等不同监测采样间隔下土壤墒情的预测精度,同时对3种模型的预测结果进行了对比分析.【结果】LSTM深度学习模型的平均相对误差为0.399%,在3种模型中最小.多元二次回归模型的预测误差随着采样间隔的增大而增大,BP神经网络与LSTM深度学习模型在采样间隔为30 min时预测误差最小,平均相对误差<0.5%.研究认为,最合适的监测采样间隔为30 min,且LSTM深度学习模型具有稳定性好、精度高的特点,适用于土壤墒情预测.【结论】本研究结果为土壤墒情监测采样间隔的设定和建模方法的运用提供依据,对土壤墒情预测模型的研究和应用具有重要意义.     

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C/S架构的农田土壤墒情数据采集与管理系统

为了提高传统农田土壤墒情的测量方法,采用C/S架构设计了农田土壤墒情数据采集与管理系统,系统由数据监测中心和多个监测站组成。根据预先规划,监测站部署在具有代表性的农田,通过GPRS无线模块接入VPN网络,建立与监控中心服务器的TCP/IP网络连接,埋在地下的传感器采集温湿度数据,经过数据预处理后,将采集时间、监测站ID和数据打包后发送到数据监测中心的服务器。监测中心服务器是1台安装了数据库和专业管理软件的计算机,负责接收、处理、显示、分析统计和存储来自各监测站的数据。通过对小麦农田3个点的监测试验表明,系统工作稳定可靠,能够准确对分布式的农田土壤墒情进行采集和集中管理,并建立了该区域农田土壤墒情与时间的预警模型,为旱情预报工作提供科学有力的数据支持。     

土壤墒情信息采集与远程监测系统探讨

我国社会发展离不开农业，而农业的发展离不开灌溉，而土壤墒情信息的采集在农业发展中发挥着重要作用，但是目前我国的土壤墒情信息采集与远程监测系统数量比较少，造成了土壤墒情信息的缺乏，因此在土壤墒情信息采集和远程监测上有迫切的需求，如何有效采集土壤墒情信息是需要引起重视的一个问题，也是急需解决的一个问题，而本文主要基于甘肃省土壤墒情现状，分析了土壤墒情信息采集与远程监测系统的结构及功能，提出了该系统在土壤墒情信息采集中的应用。     

贵阳市土壤墒情与农作物旱情监测评估系统建设与利用

从数据库设计、系统结构与功能2个方面介绍了贵阳市土壤墒情与农作物旱情监测评估系统建设,阐述利用该系统对土壤墒情与农作物旱情监测评估方法,指出了系统试运行情况及系统存在的问题,提出了今后工作的建议。     

农田玉米土壤墒情远程监测云平台的设计与应用

[目的]研发农田玉米土壤墒情远程监测云平台,获取实时动态农田玉米土壤墒情信息,为玉米科学灌溉提供数据支持,以保证夏玉米高产稳产.[方法]采用GPRS网关接入互联网,433 Mhz无线电组成本地局域网的方式,在河南省永城市等市(县)的玉米田地安置土壤墒情监测点,对土壤墒情信息进行自动采集和分析.[结果]土壤墒情远程监测云平台能够实现玉米大田土壤墒情的实时动态监测、在线地图定位、历史数据查询和统计分析及短信预警等功能.自2015年以来,在河南省永城市、汝州市、西华县和原阳县等市(县)进行应用,测试结果表明,该云平台可准确地对农田玉米土壤墒情的变化规律进行长期实时定位监测;通过土壤墒情监测数据分析可知,其监测数据可以真实反映农田玉米土壤墒情实际状况.[结论]设计的土壤墒情远程监测云平台能够满足农田玉米土壤墒情科学监测需求,为玉米实现精准灌溉提供了在线数据采集与分析平台.     

基于LoRa的农田土壤墒情监测系统设计

为了解决土壤墒情监测系统中存在通信距离受限、功耗大、无法组网的问题,研制了一种基于LoRa的农田土壤墒情监测系统,进行土壤墒情监测信息的远程传输、控制、显示。将土壤水分传感器采集到的墒情数据通过LoRa通信模块上传至网关,网关汇集数据后再传输到远程监测平台,形成了一套监测范围广、低功耗、灵活组网而且远距离通信的农田土壤墒情监测系统。该系统提高了土壤墒情监测的工作效率,适用于户外大面积农田的数据监测与采集站点多的场景,为土壤墒情自动化远程监测提供一种新的技术方案。     

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。     

土壤含水量测定方法研究进展

土壤含水量是土壤学和农业节水技术研究的重要领域和热门课题,通过分析相关文献,将土壤水分测定方法从研究手段和范围(尺度)上划分为三大类:取样—定位测量法、遥感监测法、模型模拟法。经过对已发表土壤水分测定方法相关文献的统计调查和检索,依据文献数量、文献引用率和关键词频度,得出取样—定位测定法是当前土壤水分的主要测定方法,遥感监测法是未来土壤水分测定方法的发展趋势和方向,模型模拟法具有理论探索和研究的价值。     

基于STC90C51单片机的土壤水分检测系统设计与开发

根据农田环境的应用需求,为快速、准确地获取农田中土壤体积含水率和水分变化信息,研究一种基于STC90C51单片机的土壤水分检测系统的硬件结构及功能设计。该系统采用基于FDR（Frequency Domain Reflectometry）的传感器作为土壤温湿度的采集端,可实现对土壤水分含量的自动采集、显示、存储和监测。对于土壤水分的监测试验结果表明,该系统性能稳定,工作可靠,为农田监测、节水灌溉等提供了有效、可靠的监测手段。     

日光温室内土壤温度对土壤含水率变化的影响

为探究土壤表层的含水率随土壤温度变化的规律,以呼和浩特地区的日光温室室内土壤为研究对象,利用土壤水分-温度传感器测试土壤含水率和土壤温度,采用Gaussian函数多峰拟合和线性拟合方法对土壤温度与含水率的关系进行拟合分析。结果表明:在3个试验区域的不同深度土层内,土壤含水率随土壤温度的变化均呈现线性变化规律,且越接近土壤表层,线性关系越显著。通过拟合方程得到的含水率计算值与实测值相对误差小于5%。本研究对日光温室内土壤环境的监测与控制具有指导意义。     

基于物联网和LSTM的柑橘园土壤含水量和电导率预测模型

目的 构建柑橘果园环境信息物联网实时采集系统,建立基于物联网和长短期记忆(LSTM)的柑橘园土壤含量和电导率预测模型,为果园灌溉施肥管理、效果预测评估提供参考依据。方法 利用土壤温度、含水量、电导率三合一传感器,在柑橘果园中设置5个节点和1个气象站,通过ZigBee短距离无线通信和GPRS远距离无线传输,将果园气象数据和土壤墒情数据传输至远程服务器。利用LSTM模型建立气象数据与土壤含水量和电导率的预测模型,计算均方根误差(RMSE)和决定系数(R²)以进行性能评估。结果 物联网系统能够实现远程传输柑橘果园环境数据,建立了基于LSTM和广义回归神经网络(GRNN)的土壤含水量和电导率预测模型,模型在5个节点的数据集的训练结果分别为：LSTM模型训练的土壤含水量和电导率的RMSE范围分别为6.74~8.65和6.68~8.50,GRNN模型训练的土壤含水量和电导率的RMSE范围分别为7.01~14.70和7.60~13.70。利用生成的LSTM模型和气象数据进行拟合,将土壤含水量和电导率的预测值与实测值进行回归分析,LSTM模型拟合的土壤含水量和电导率的R²范围分别为0.760~0.906和0.648~0.850,GRNN模型拟合的土壤含水量和电导率的R²范围分别为0.126~0.369和0.132~0.268,说明LSTM模型的性能表现较好。结论 建立了柑橘果园环境的物联网信息传输系统,构建的基于LSTM的果园土壤含水量和电导率预测模型具有较高的精度,可用于指导柑橘果园的灌溉施肥管理。     

宜林荒山春季土壤含水率与气象因子的相关分析

利用4年观测资料,进行了晋东南石灰岩区宜林荒山春季土壤含水率与气象因子的相关分析.土壤解冻至6月上旬雨季到来之前土壤含水率逐渐降低,为土壤水分的跑墒阶段,这段时间坡向间、土层间的年际变化较大.经对17个气象因子的筛选,以气温、空气绝对湿度、降水量等9个因子与土壤含水率相关最紧密,每个气象因子按前5天、前10天、前20天三个时段,采用逐步回归方法,建立了阳坡、半阳坡、阴坡的5cm和20cm两个层次土壤含水率与气象因子的回归方程,复相关系数均在0.9以上,平均精度94.7％.     

祁连山林区土壤水分条件的分析与评价

通过对祁连山林区云杉林、圆柏林、灌丛林和牧草地等4种主要植被类型土壤水分动态进行长期定位研究,揭示出生长季节内各植被类型的土壤水分动态变化规律.从土壤水分的变化特征,土壤水分有效性等几个方面对祁连山林区主要植被类型的土壤水分条件进行了分析与评价,表明祁连山林区主要植被类型的土壤水分垂直变化可分为土壤水分弱利用层、土壤水分利用层、土壤水分调节层;林地土壤水分的季节变化可分为土壤水分消耗期、土壤水分补偿期、土壤水分消退期、土壤水分稳定期4个时期.根据土壤水分对植物的有效性,将土壤水分划分为易效水、中效水和难效水三种状态,评价土壤水分有效性认为云杉林水分供应状况最好.     

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。     

蔬菜精准自动灌溉技术模型应用研究进展

根据蔬菜根层土壤对水分的需求特点分析蔬菜精准自动灌溉技术模型和灌溉指标,提出蔬菜精准自动灌溉技术的关键措施。针对蔬菜自动灌溉技术及设施装备在生产应用中存在的问题,分析了蔬菜精准灌溉技术的理论基础,提出蔬菜灌溉应该在遵循 SPAC 系统模型的水分传输理论基础上,结合蔬菜根层分布特点系统确定菜田土壤墒情监测调控的精准指标,参照蔬菜生长需求及其不同水分条件下的形态特征或生理指标,构建与菜田土壤水分管理相适应的自动灌溉管理决策;指出蔬菜灌溉需要根据蔬菜种类及其生长发育时期建立确保蔬菜优质高效生产的灌溉管理技术方案,结合根层土壤墒情和具体气候环境条件,以及蔬菜产量和品质要求等确定具体的灌溉管理指标。蔬菜自动灌溉控制技术需要建立完善的土壤墒情管理系统装置,制定精准调控土壤墒情管理的指标,建立完善的自动灌溉管理关键措施。应用蔬菜自动灌溉控制技术能适时适量满足蔬菜生长发育对水分的需求,对促进蔬菜优质高效生产、提高水分利用效率、防止水肥流失有重要作用。     

有序聚类法在土壤水分垂直分层中的应用

针对现阶段土壤水分动态研究中土壤水分垂直剖面分层方法所存在的数学理论依据不足的问题,应用有序聚类法中次序不变性的特点,以晋西黄土残塬沟壑区吉县刺槐林地为研究对象,通过对4个样地0～200 cm土壤水分的定位观测,将土壤水分垂直剖面进行了分层. 研究结果表明,晋西黄土残塬沟壑区刺槐林地土壤水分垂直剖面可分为:土壤水分弱利用层（0～20 cm）、土壤水分利用层（20～100 cm）、土壤水分调节层（100 cm以下）. 通过与现有的同类研究对比,有序聚类法分类结果与其他分类结果较为吻合,表明有序聚类法在严密的数学理论基础上,结合了土壤水分层次的有序性,是土壤水分分层研究的创新.      

反演法确定田间尺度水分运动参数的研究

在广泛开展的灌溉试验过程中,积累了大量的田间土壤含水率测试数据。充分利用这些资料,运用参数反演法求取或者改善土壤水分运动参数对于土壤墒情的监测预报和农田水循环研究具有重要意义。本文以天津农学院农田水循环试验基地2009年度冬小麦返青到收获期实测的土壤含水率为依据,以土壤含水率模拟值与实测值相对误差平方和最小化为目标函数,以文献中获取的土壤水分运动参数变化范围为约束条件,建立了参数反演模型,采用内点法求得了适合于该试验基地土壤特性的水分运动参数。研究结果表明,参数反演可明显提高田间土壤水分模拟精度,合理选择优化初始值和步长缩放因子有助于改善参数的优化结果,比较以相对值误差平方和最小化目标函数和以绝对值误差平方和最小化目标函数,前者可以提高表层土壤含水率模拟精度。