基于Penman-Monteith方程的温室茶树蒸腾蒸发模型研究

作物需水量是确定灌溉用水定额的基础,其关键参数是作物的蒸腾蒸发量(腾发量)。以PenmanMonteith方程为基础,借鉴P-M温室修正式的计算方法,提出了基于常规气象数据和茶树生长发育指标的温室茶树蒸腾蒸发模型ET0(Tea)。在试验期间,选取茶园温室2016年3月10日-4月10日的气象数据,利用P-M温室修正式和温室茶树蒸腾蒸发模型ET0(Tea)对作物腾发量进行逐日统计,并用水量平衡原理验证,结果表明ET0(Tea)与实测值的变化趋势较为一致,误差相对较小,且在晴天条件下比阴天效果更好。我们提出的ET0(Tea)计算精度较高,在理论和实践上均具有较好的可行性,可作为北方温室茶树灌溉决策的重要依据。     

基于太阳光照强度的夏季玻璃温室温度建模

基于传热学、能量平衡以及质量平衡的温室理论模型,在分析太阳光照强度和太阳辐射强度关系的基础上,研究了夏季晴天玻璃温室封闭情况下太阳光照强度和温室温度关系;通过试验确定了温室自身降温的参数和太阳光照与温室温度变化率之间的参数,建立了温室室内温度和太阳光照以及温室室外温度之间的模型;通过晴天和多云天、雨天和阴天的试验验证发现:模型在这3种天气的均方根误差分别是0.500 3、0.474 7、0.629 1℃,模型能精确地模拟晴天温室温度,对雨天和阴天模拟效果也较好。这种建模方式在节约成本的同时也提出了另一种新思路,有一定的参考和推广价值。     

日光温室作物冠层夏季光照强度与空气温湿度

针对温室内不同时间、位置的环境参数存在变异性,且随天气与季节变化,日光温室冠层光照强度、空气温度和空气相对湿度的分布差异性问题,构建了基于无线传感器网络的环境监测系统。环境感知节点部署在作物冠层位置,集成了光照强度、空气温湿度等传感器。首先,基于实时采集的温室环境数据,采用反距离加权算法进行插值分析,得到环境参数的离散曲面;其次,通过基于质心坐标的K-means聚类算法,得到了温室内连通及非连通区域的代表性特征点;最后,采用半变异函数与变异系数方法对温室环境的空间变异性与时间变异性进行分析。实验结果表明,夏季日光温室在下午表现为高温与高光照,08:00、16:00的光照强度分别为12:00的24.2%、72.9%,08:00的空气温度（27.7℃）较12:00、16:00低约6.0℃,对应的空气湿度（90%）高约30%。晴天最大光照强度分别为阴天、雨天的1.4倍和4.6倍,晴天、阴天最高空气温度高于雨天（29.5℃）约6℃,最小空气相对湿度远低于雨天（84%）。夏季日光温室晴天与阴天表现为高温和低湿,雨天表现为高湿和低光照。各环境参数中,光照强度的空间变异性最强,变程为10.34m。空气温湿度的空间变异性较弱,整体分布均匀。光照强度、空气温度和空气相对湿度的时间变异性均为中等变异程度。环境参数的特征点及时空变化规律有助于日光温室传感器的高效部署,为揭示作物与环境的交互作用提供了基础。     

负水头灌溉系统供营养液番茄生产及耗水研究

为实现负水头供营养液方式下番茄的高产,同时为常规番茄生产灌溉量的确定提供指导,试验采用负水头灌溉系统供营养液进行番茄生产栽培,测定群体栽培条件下的番茄产量和品质,同时监测番茄群体的日蒸散量并分析其与环境因子的关系。研究结果表明:负水头供给营养液条件下,试验期间(112d),番茄产量达130 604.85kg/hm2。与常规(人工)供给营养液相比,负水头供营养液显著提高番茄果实产量与品质,提高了营养液生产效率。负水头控制下,单株番茄总蒸散量(耗水量)为92.38kg,日耗水量在0.14~1.80kg;番茄耗水量与环境因子(光照强度)呈显著相关,不同光照强度下,植株耗水量明显不同,为其他灌溉方式(滴灌等)灌溉量的决策提供了参考。因此,在用其他灌溉方式时,要注意光照强度的监测,适当调整晴天和阴天下的灌溉频率,防止晴天灌溉不足,阴天灌溉浪费。     

温室环境-作物湿热系统CFD模型构建与预测

以栽有番茄的Venlo型两连栋玻璃温室为研究对象,对作物蒸腾和土壤蒸发与室内外环境因子之间的关系进行了分析。在充分考虑太阳辐射影响和室内水蒸气传输过程基础上,结合多孔介质模型,构建了求解温室环境〖CD*2〗作物湿热系统的CFD数学模型,并对边界条件的设置进行了探讨。采用Fluent软件对不同天气条件和种植密度温室内温度分布模式进行了3-D数值模拟与预测。结果表明：室内温、湿度模拟值与实测值平均相对误差分别为5.7%和2.1%,CFD模型有效,边界设置合理。晴天室内作物区平均温度较阴天时高1.6℃左右,相对湿度约低3%,太阳辐射对温、湿度分布有影响;双密度栽培作物区温度较单密度高0.8℃,相对湿度高19%。温室背风侧温、湿度略高于迎风侧,作物区温、湿度分布比较均匀,作物和土壤腾发作用对室内温、湿度分布有影响。     

日光温室光照强度测量系统研究

光照是影响作物生长与蒸腾的重要因素之一,实时监测并根据光照强度来指导灌溉不仅能促进作物生长还能起到节水节能的作用。设计了一种低成本、简单、实用的光照监测系统,使用硅光电池作为光敏测量元件, PIC16F876A单片机作为中央处理器,采用最小二乘法建立硅光电池输出电压和光照强度之间的模型,并通过试验进行系统性能验证。试验结果表明,系统在晴天、雨天、阴天和天气变化时的相对误差分别为：1.19%、7.19%、1.57%和6.15%,平均相对误差均低于10%。系统准确度随光照强度的增大而增大,在光照强度高于15 000 lx时系统测量值更准确,平均相对误差仅为1.41%,测量分辨率为0.1 lx。系统重复性误差小于0.63%,具有较好稳 定性。     

温室内不同湿热环境变化规律及其对作物腾发量的影响

针对不同湿热环境下,温室内土壤、空气温湿度和作物腾发量的变化规律进行研究,以期揭示三者之间的相互影响机理,为温室栽培的湿热环境调控、保温保墒和节约水资源提供理论依据。以温室盆栽番茄为研究对象,设置了3种不同的湿热环境处理,即温室内正常开放式环境(T1),温室内加设包裹式全封闭塑料小棚环境(T2)及温室内加设顶开式半封闭塑料小棚环境(T3),实测3个处理的微气候变化、土壤墒情及作物腾发量,并对其变化规律进行对比分析。结果表明:①在秋冬季,土壤湿度的变化趋势与作物腾发量在整个生育期内基本一致,土壤温度与作物腾发量在开花坐果期呈相反的变化趋势。②在开花坐果期内,空气湿度与作物腾发量同增减,而在成熟采摘期,腾发量增加时,空气湿度变化幅度反而较小,且空气温度和湿度呈相反的变化规律。③在整个生育期内,土壤湿度与空气湿度表现出一致的变化规律,土壤温度与空气温度的变化趋势、变化幅度在开花坐果期内基本一致,而采摘后期,其变化幅度有较明显的差异,空气温度较土壤温度大。④在整个生育期内,3个处理的作物腾发量变化趋势基本一致,但T2变化幅度较T1、T3大,且受土壤、空气温度的影响较大;T2处理作物腾发量的修正P-M模拟值与实测值拟合度较高,R~2为0.851 4。封闭式温室环境空气和土壤的温湿度较适宜冬季作物生长,其保温保墒效果良好,且水分得到了较为充分的利用,节约了一定的水资源,为温室管理提供参考。     

基于BP神经网络的大棚作物腾发量预测模型

在分析影响大棚作物腾发量的气象因子的基础上,以气象因子为输入向量,以大棚作物腾发量为输出向量,构建了气象资料不足情况下计算大棚作物腾发量的BP神经网络模型。利用鄂州节水灌溉实验基地逐日气象资料对所建模型进行反复训练和预测,并把预测结果与用传统的Penman Monteith公式计算而得的同期作物ET值相比较。BP神经网络模型的预测值与公式计算的ET值的相关系数为0．986。研究结果表明：构建的模型计算精度较高,方法简便可行,能满足实际生产需要。     

四湖流域参考作物腾发量的变化特征分析

根据四湖工程管理局排灌实验站2001-2010年逐日气象资料.利用Penman-Monteith公式计算逐日参考作物腾发量,分析其变化特征和各气象因子对其的影响程度.结果表明,各气象因子对日参考作物腾发量的影响程度顺序为:日最高温度＞日最低温度＞日平均温度＞饱和差＞平均风速＞日照时数.同时考虑日最高气温、日最低气温、日平均气温、饱和差、平均风速及日照时数6个气象因子,对日参考作物腾发量的模拟效果最好.     

陡山灌区实时灌溉预报研究

介绍了参考作物腾发量和实际作物腾发量的实时预报及修正方法 ,结合陡山灌区实际资料 ,分别针对主要旱作物和水稻建立了实时灌溉预报模型 ,并对模型各参数进行了率定 ,特别针对参考作物腾发量预报模型中 A0 的确定进行了分析 ,给出了更合理的 A0 取值方法。基于可视化语言开发灌溉配水实时决策支持系统 ,该系统界面友好 ,操作简单 ,实用性强 ,利于推广。     

寒冷干旱地区温室温度的测试分析

温度是影响作物生长的关键因素之一,是衡量农业生产水平的重要技术参数。为此,试验基于Lab-VIEW数据采集平台,针对寒冷干旱地区,对不同气候变化下的温室温度进行测试、采集数据,实现了温室内多点温度的实时采集;并在采集数据的基础上,分析了温室内温度分布规律。试验结果表明:无论是晴天还是阴天由于覆盖层、空气和土壤的吸散热不均匀,垂直方向上各层面的温度分布呈现梯度;晴天白天温室内温度变化剧烈,而夜晚趋于平缓;上午西侧空气温度比东侧高,下午则相反;阴天水平方向上的温度呈现南低北高,东西低中间高的分布趋势。     

基于主成分分析的参考作物腾发量预测研究

为准确估算作物需水量,提高水分利用效率,采用RBF神经网络预测参考作物腾发量,由于参考作物蒸发蒸腾量的影响因子很多,且各影响因子间的相关性很大,运用主成分分析的原理,将影响参考作物蒸发蒸腾量的因子降低维数.以山西省某灌区的参考作物腾发量为例,运用DPS软件找出了3个综合因子来代表众多因子并作为RBF人工神经网络的输入,运用Matlab7.0进行编程,对参考作物腾发量进行预测.结果发现其预测结果与用Pen-man-Monteith公式算得的值具有很高的一致性,与BP神经网络相比,RBF神经网络具有学习速度快等优点,将此方法用于参考作物腾发量的预测可以收到理想的效果.     

温室内草皮蒸腾量预测的试验研究

研究了温室内草皮蒸腾量和小气候的关系,用彭蔓公式计算参考作物腾发量,用20cm蒸发皿测定温室内的水面蒸发力,并和测定的草皮蒸腾量进行对比。试验结果表明,草皮蒸腾量与温室小气候的回归系数（R^2）为0．938,明显高于蒸腾量与蒸发皿水面蒸发量的回归系数（R^2）0．8683和蒸发量与彭蔓公式计算的参考作物腾发量的回归系数0．7944,以温室小气候计算温室内的作物蒸腾量要优于以参考作物腾发量计算作物蒸腾量和蒸发皿水面蒸发量的方法。温室内草皮的蒸腾量与温室小气候线性相关,可以此计算温室内作物的蒸腾量。     

基于BP 神经网络的大棚作物腾发

在分析影响大棚作物蒸发蒸腾量的气象因子的基础上, 以气象因子输入向量, 以大棚作物腾发量为输出向量, 构建了气象资料不足情况下计算大棚作物腾发量的BP 神经网络模型BP ET。利用鄂州节水灌溉实验基地逐日气象资料对所建模型进行反复训练和预测, 并把预测结果与传统的Penman－Monteith 公式计算而得的同期作物ET 值相比较。其中, BP ET 的预测值与ET值的相关系数为0.986。研究结果表明, 本文构建的模型计算精度较高, 方法简便可行, 能满足实际生产需要。     

温室环境对番茄干重影响的参数优化

番茄是设施蔬菜栽培的主要作物之一.为此,以温室番茄的干重作为温室环境控制的目标进行优化,为温室作物生长提供经济适宜的环境参数和生长条件;重点研究了温室内番茄生长的环境参数(温度、相对湿度、光照强度)对番茄干重的影响规律和温室环境系统最佳参数.试验结果表明,影响试验指标的主要因素是温度、相对湿度、光照强度,其较优组合是温度为31℃、相对湿度为69%、光照强度为71klx.     

基于经济最优目标的温室黄瓜试验研究

黄瓜是设施蔬菜栽培的主要作物之一。为此,以黄瓜温室产出与投入比的最大值作为温室环境控制的目标进行决策,为温室作物生长提供经济适宜的环境参数和生长条件。同时,重点研究了温室内黄瓜生长的环境参数（温度、相对湿度、光照强度）对成本的影响规律和温室环境系统最佳参数。试验结果表明,影响试验指标的主要因素是温度,试验因素主次排列为温度、相对湿度、光照强度。其较优组合是温度为31℃、相对湿度为85％、光照强度为16klx。     

基于沟式栽培的全封闭温室降温方法与作物生长研究

利用地温相对恒定、受外界环境影响较小的特点,在全封闭温室内采用沟式栽培法,根据蒸腾量进行补充灌溉,营造适宜作物生长的条件,研究不同沟深栽培条件下温室内环境因子的差异及其对小白菜蒸腾速率、产量和水分生产率的影响。结果表明:高温环境下,0.7 m和0.9 m深度处理的温度较温室内对照CKi有明显的降低,最大温差大于20℃;光照强度随着沟深的增加而减弱,但0.9 m深度处理的光照强度仍能满足光合作用的需求;空气相对湿度基本保持在25%~75%之间,适宜植株生长;水分生产率的大小在各处理中表现为0.9 m0.7 m0.5 m0.25 mCKiCKo。高温季节0.7 m和0.9 m的深度更适宜小白菜的生长。沟式栽培法可解决全封闭温室的高温、高湿问题,同时可提高作物水分生产率。     

基于LSTM的温室番茄蒸腾量预测模型研究

作物蒸腾量是指导作物灌溉关键参数之一,实时获取作物蒸腾量,实现按需灌溉是节约用水的有效途径。然而,温室内小气候效应显著,作物蒸腾与环境因子间关系较为复杂,且各环境因子之间相互关联并呈非线性变化。本文以番茄作为研究对象,使用称量法测量作物实时蒸腾量,通过布设传感器实时获取温室小气候数据,包括空气温度(Air temperature, AT)、相对湿度(Relative humidity, RH)、光照强度(Light intensity, LI)作为模型的小气候环境输入,冠层相对叶面积指数(Relative leaf area index,RLAI)作为模型的作物生长输入,在此基础上,提出了基于长短期记忆网络(Long short term memory, LSTM)的番茄蒸腾量预测模型。利用该模型对番茄蒸腾量进行预测,并与非线性自回归(Nonlinear autoregressive with exogeneous inputs, NARX)神经网络、Elman神经网络、循环神经网络(Recurrent neural network, RNN)模型进行了对比。试验结果表明,LSTM预测模型决定系数(Determination coefficient, R2)与平均绝对误差(Mean absolute error, MAE)分别为0.9925和4.53g,与NARX神经网络、Elman神经网络、RNN方法进行对比,其决定系数分别提高了8.97%、1.18%和0.82%,其平均绝对误差分别降低了8.16、6.23、0.52g。本研究所提的预测模型具有较高的预测精度及泛化性能,研究成果可为温室作物需水规律及需水量研究提供参考。     

参考作物腾发量与蒸发皿蒸发量的变化特征及变化原因分析

利用东江流域1961～2003年的气象资料,对参考作物腾发量和蒸发皿蒸发量的变化特征及变化原因进行分析,结果表明:参考作物腾发量与蒸发皿蒸发量都有减少的趋势,参考作物腾发量减少的趋势不显著,蒸发皿蒸发量减少的趋势显著,蒸发皿系数有显著增加的趋势;参考作物腾发量、蒸发皿蒸发量在全流域的空间分布相似,都是南部大北部小,蒸发皿系数的空间分布是北部大南部小;平均温度、日照时数、风速与参考作物腾发量、蒸发皿蒸发量的偏相关系数都为正,相对湿度都为负;日照时数对参考作物腾发量、蒸发皿蒸发量的影响程度都最大,且远大于其它因子,这种效应在夏季表现更突出,温度对参考作物腾发量的影响程度比蒸发皿蒸发量大;参考作物腾发量与蒸发皿蒸发量都有减少趋势的原因首先是日照时数的减小,再是风速的减小;参考作物腾发量与蒸发皿蒸的趋势显著性有差异的原因是温度的增加对参考作物腾发量的影响程度比蒸发皿蒸发量大.     

灰色—周期外延组合模型在参考作物腾发量预测中的应用

参考作物腾发量ET0是计算作物需水量、制定灌溉制度和进行水资源优化配置的重要参数之一。因参考作物腾发量随季节性变化,并呈现以年为周期波动的特点;在这种情况下,提出了一种基于灰色GM（1,1）与周期外延相结合的预测模型,即灰色-周期外延组合模型。以沈阳、鞍山、铁岭、盘锦4个地区1997—2006年参考作物腾发量季节值为例进行分析和模拟。结果表明：运用灰色-周期外延组合模型预测参考作物腾发量比原有的GM（1,1）模型预测精度高。该模型预测过程简单,预测结果可靠,适应性强。因此,该模型可广泛的应用于参考作物腾发量的季节预测。