基于實時監(jiān)測數(shù)據(jù)的溫室墑情預測研究.pdf

文章編號 1007 4929 2020 10 0034 07 基于實時監(jiān)測數(shù)據(jù)的溫室墑情預測研究 高國祥1 王仰仁1 田文艷2 武朝寶3 王 敏2 1 天津農(nóng)學院水利工程學院 天津300392 2 山西水利職業(yè)技術學院工程管理系 太原030032 3 山西省中心灌溉試驗站 山西文水032107 摘 要 為實現(xiàn)實時準確的墑情預報 以山西省中心灌溉試驗站大棚內2018年和2019年黃瓜 茄子土壤墑情 建 立實時墑情預測模型 該試驗包括正常灌水和減半灌水兩個處理 通過傳感器實時監(jiān)測膜內 膜外土壤含水率 利用 水量平衡的基本原理以時段初的土壤含水率為自變量 以及利用泰勒級數(shù)對地下水補給量和蒸發(fā)蒸騰量做線性化處 理 得到了以日為時段的墑情預測模型 利用膜內一點含水率數(shù)據(jù)和膜外 膜內兩點含水率數(shù)據(jù)平均值分別建立了墑 情預測模型 分別稱為模型1和模型2 對其預測精度進行了對比分析 驗證了模型的精度和適用性 結果表明 模 型1的擬合精度和預測精度均高于模型2 預測精度隨建模系列長度 5 10 15 d 的增加而提高 以15 d建模系列 長度預測精度最高 該模型對于不同作物和不同的受旱程度均具有較好的適應性 該實時墑情預測模型適用性 強 精度高 可用于墑情預測 關鍵詞 水量平衡 溫室墑情 實時墑情預測模型 膜下滴灌 黃瓜 茄子 中圖分類號 S274 2 文獻標識碼 A Research on Soil Moisture Content Prediction of Greenhouse Based on Real time Monitoring Data GAO Guo xiang1 W ANG Yang ren1 TIAN W en yan2 W U Chao bao3 W ANG Min2 1 Department of Water Conservancy Engineering Tianjin Agricultural University Tianjin 300392 China 2 Department of Engineering Management Shanxi Conservancy Technical Institute Taiyuan 030032 China 3 Shanxi Central Irrigation Test Station Wenshui 032107 Shanxi Province China Abstract In order to achieve real time and accurate moisture prediction a real time moisture prediction model was established based on the soil moisture of cucumber and eggplant in the greenhouse of Shanxi Province Central Irrigation Experimental Station in 2018 and 2019 The experiment included two treatments of normal irrigation and halved irrigation and real time monitoring of soil moisture content in and out of the film was carried out by sensors Based on the basic principle of water balance the soil moisture content at the beginning of the period was taken as the independent variable and the Taylor series was used to linearize the groundwater recharge and evapotranspiration and a daily moisture prediction model was obtained The soil moisture content prediction models called model 1 and Model 2 were established respectively by using the data of one point moisture content in the film and the average data of two points moisture content in the film The accuracy of the models was compared and analyzed and the accuracy and applicability of the models were verified The results showed that The fitting accuracy and prediction accuracy of Model 1 were higher than those of Model 2 The prediction accuracy increased with the increase of the modeling series length 5 10 15 days and the 15 day modeling series length had the highest prediction accuracy The model had good adaptability to different crops and different degrees of drought The real time moisture prediction model has strong applicability and high accuracy and can be used for moisture prediction Key words water balance greenhouse moisture real time moisture content prediction model drip irrigation under plastic film cucumber eggplant 收稿日期 2020 06 02 基金項目 國家自然科學基金項目 51779174 山西省水利科技研究與推廣項目 201813 作者簡介 高國祥 1994 男 碩士研究生 研究方向為灌溉排水與新技術研究 E mail 13299915236 通訊作者 王仰仁 教授 主要從事灌溉排水技術研究 E mail wyrf 43節(jié)水灌溉 2020年第10期 0 引 言 土壤墑情 1 是影響作物生長的一個主要因素 隨著氣候 變化的加劇和氣候的不確定性 旱澇 干旱等現(xiàn)象頻發(fā) 對農(nóng)業(yè) 生產(chǎn)的影響日益突出 帶來的威脅也越來越大 根據(jù)土壤墑情 監(jiān)測的結果 了解土壤含水量 根據(jù)含水量的豐缺 適時采用灌 水或者排水等措施 土壤墑情的監(jiān)測和預報是一項重要的農(nóng) 業(yè)活動 對農(nóng)業(yè)生產(chǎn)有重要的意義 2 國內外已有許多的關于 土壤墑情預報方法的研究 所采用的方法概括起來可大致分為 土壤水動力學法 時間序列法 經(jīng)驗公式法 水量平衡法 消退 指數(shù)法 神經(jīng)網(wǎng)絡模型法等 3 4 結果表明 基于神經(jīng)網(wǎng)絡模型 的訓練比其他模型的訓練效率更高 在相關向量機 神經(jīng)網(wǎng)絡 和多元自適應回歸樣條的情況下 預測誤差較低 5 7 有的學 者提出基于相鄰時段參考作物蒸散發(fā)的土壤水分預測方法 8 證明利用該方法預測土壤含水率也具有較高精度 目前 我國監(jiān)測土壤墑情的方法主要有人工取土法和傳感 器監(jiān)測法兩種 人工取土法精度高 但時間長 一次測量通常 需要6 10 h 因此 通常每10 d進行一次監(jiān)測 數(shù)據(jù)收集的頻 率較低 自動監(jiān)測是將土壤水分傳感器埋在農(nóng)田土壤中 根據(jù) 傳感器輸出的電信號與土壤水分之間的對應關系來獲得土壤 水分 數(shù)據(jù)采集的頻率高 快速且方便 9 土壤墑情的變化 不僅與降水 蒸發(fā) 日照時數(shù) 風速等氣 象因子有關 還與土壤類型 土壤質地 土壤前期儲水量 作物 類型 作物所處發(fā)育期等多種因素有關 因此土壤墑情的預報 是一個非常復雜的過程 10 12 為了更加精確的預測土壤含水 率 本研究根據(jù)水量平衡原理 通過實時監(jiān)測土壤含水率 利用 水量平衡原理以時段初的土壤含水率為自變量 采用泰勒級數(shù) 對地下水補給量和蒸發(fā)蒸騰量做線性化處理 得到了以日為時 段的實時墑情預測模型 由此對土壤含水率進行動態(tài)預測 為 實施精準灌溉 節(jié)約農(nóng)田用水提供可靠的依據(jù) 1 材料與方法 1 1 數(shù)據(jù)來源 1 1 1 試驗地概況 試驗于2018年8 12月以及2019年2 9月在山西省中心 灌溉試驗站大棚內進行 該溫室為東西走向 長47 m 寬7 5 m 覆蓋塑料薄膜 有通風系統(tǒng) 試驗地土質為黏壤土 0 100 cm平均土壤容重1 51 g cm3 田間持水量為26 占干土重 的 1 1 2 試驗設計 1 灌水設計 設置不同水分條件處理 定期測定土壤含 水量 灌溉方式為膜下滴灌 膜下鋪設滴灌帶 試驗設2個灌 水量處理 分別為D1 D2 D1為正常灌水量 D2為減半灌水 量 處理D1與處理D2之間設置寬度為1 3 m的隔離區(qū) 2年 灌水處理相同 2 起壟覆膜方式 2018年試驗地壟寬70 cm 溝寬60 cm 膜內鋪設兩條滴灌帶 每條膜內種植兩行作物 黃瓜株距 50 cm 行距50 cm 茄子株距100 cm 行距50 cm 每行15株 2019年試驗地壟寬55 cm 溝寬45 cm 每膜內種植兩行作物 每行作物鋪設一條滴灌帶 黃瓜株距45 cm 行距45 cm 茄子株 距60 cm 行距60 cm 每行17株 如圖1所示 圖1 起壟方式示意圖 Fig 1 Schematic diagram of ridge formation 3 土壤含水率監(jiān)測方式 由于傳感器數(shù)量有限 考慮到 種植倒茬和移動傳感器影響測試精度問題 所以2018年黃瓜 土壤含水率采用傳感器監(jiān)測 茄子土壤含水率采用人工監(jiān)測 2019年茄子土壤含水率采用傳感器監(jiān)測 黃瓜采用傳統(tǒng)人工監(jiān) 測 本研究中傳感器可以按照10 cm一層間距監(jiān)測土壤含水 率 監(jiān)測深度為1 m 每小時發(fā)送一次土壤水分監(jiān)測數(shù)據(jù) 每個 處理埋設兩個傳感器 分別在膜內兩條滴灌帶中間和膜外壟溝 中間 人工監(jiān)測每10 d一次 灌水前后加測 每20 cm一層 測 試深度為100 cm 1 2 模型構建及參數(shù)擬合 1 2 1 模型構建 水量平衡原理是指給定土體在一定的時段內 輸入給土體 的水量與輸出土體的水量之差等于土體蓄水量的變化量 13 大棚蔬菜的試驗中 通常沒有降水量 其水量平衡方程如下 Wt 1 Wt M ET t K t 1 式中 Wt 1為時段末土壤儲水量 mm Wt為時段初土壤儲水量 mm M為時段內灌水量 mm ET t 為時段內耗水量 mm K t 為時段內地下水補給量 或下滲量 mm 用土壤含水率的表達形式 可以寫為式 2 t 1 t 1H M K t ET t 2 式中 t和 t 1分別為時段初和末的土壤體積含水率 cm3 cm3 H為土層厚度 mm 在以日為計算時段的情況下 采用泰勒級數(shù) 把K t 和 ET t 做線性化處理 即 K t Kt Kt 1 t ET t at at 1 t 整理可得 t 1 M Kt at H 1 Kt 1 at 1 H t 3 令式 3 中a Kt at H b 1 Kt 1 at 1 H 得到土壤含水率預測 模型 t 1 a MH b t 4 模型的內在原理為 用第t天的土壤含水率 t推求第t 1 53基于實時監(jiān)測數(shù)據(jù)的溫室墑情預測研究 高國祥 王仰仁 田文艷 等 天的土壤含水率 t 1 依次可推求第3 第4 第n天的土 壤含水率 n為預見期 本研究中設定n為5 10 15 d 3個預見 期 在具有實時墑情監(jiān)測數(shù)據(jù)條件下 可先由式 5 求得M 考 慮建模系列長度 以日為時段 動態(tài)地進行線性回歸分析 可得 到逐日的模型參數(shù)a b M 0 t 1 t p H t 1 t t 1 t p 5 式中 p為某一待定參數(shù) 1 2 2 模型參數(shù)擬合 傳感器監(jiān)測數(shù)據(jù)以小時為間隔 考慮到含水率變化過程的 連續(xù)性 以及為了數(shù)據(jù)分析方便 取每日12點含水率數(shù)據(jù)作為 日土壤含水率監(jiān)測值 考慮大棚蔬菜根系較淺 利用分層含水 率值分析計算得到0 60 cm土層平均含水率 以此作為模型參 數(shù)擬合依據(jù) 為了比較建模系列長度對預測精度的影響 設置 了5 10 15 d 3種建模系列長度 以日為間隔 對每種建模系列 長度按照式 4 做線性回歸分析 可得到每種建模系列長度條 件下逐日的每種模型參數(shù)a b以及相應的確定性系數(shù) 14 DC 鑒于滴灌條件下土壤水分二維分布特性 采用膜內一點含水率 的值進行了參數(shù)擬合和建模 稱為模型1 采用膜內 膜外兩點 含水率的平均值進行參數(shù)擬合和建模 稱為模型2 1 3 模型精度評價方法 1 3 1 擬合精度分析方法 采用確定性系數(shù) DC 分析模型的擬合精度 確定性系數(shù) 的大小在一定程度上反映了預測模型的可靠程度 其值越大 表示預測模型的可靠性越高 計算公式為式 6 DC 1 m i 1 yc i y0 i 2 m i 1 yo i y 0 2 6 式中 DC為確定性系數(shù) y0 i 為0 60 cm土層平均含水率實 時數(shù)據(jù) cm3 cm3 yc i 為0 60 cm土層平均含水率預測值 cm3 cm3 m為建模系列長度 本研究中設定m為5 10 15 d 3 種建模系列長度 1 3 2 預測精度分析方法 本文采用相對誤差的方法對實時條件下的預測值進行預 測精度分析 其方法為通過實時得到的預測值與實際測得的含 水率值進行對比分析 比較兩者之間的平均相對誤差大小來進 行預測精度分析 計算公式如下 R 1N N i 1 Mi Si Mi 100 7 式中 R為平均相對誤差 Mi Si分別為0 60 cm土層平均 含水率的監(jiān)測值和預測值 cm3 cm3 i為0 60 cm土層平均含 水率的監(jiān)測值和預測值的編號 N為0 60 cm土層平均含水率 的監(jiān)測值總數(shù) 1 3 3 合格率分析方法 預報方案的合格率指評定中的合格點數(shù)占全部點數(shù)的百 分率 其中 預報方案合格率達甲 乙等級的可用于作業(yè)預報 丙等級可用于參考性預報 丙等級以下不能用于作業(yè)預報 預 測精度合格率等級評定標準見表1 合格率的計算公式為 式 8 QR ef 100 8 式中 QR為合格率 e為合格預報次數(shù) 合格預報次數(shù)指在 準許相對誤差范圍內的次數(shù) f為預報的總次數(shù) 表1 預測精度合格率等級評定標準 Tab 1 Grade evaluation standard of qualification rate of prediction accuracy 精度等級甲乙丙 合格率 QR 85 85 QR 70 70 QR 60 2 結果與分析 2 1 模型參數(shù)擬合結果及分析 本研究利用傳感器實時監(jiān)測的土壤水分數(shù)據(jù)確定了預測 模型 式 4 參數(shù) 表2和表3 對模型參數(shù)進行對比分析 表2和表3同時給出了模型中參數(shù)a b的平均值和變化范圍 由表2可看出實時墑情預測模型參數(shù)的變化規(guī)律 黃瓜 正常灌水模型1的參數(shù)a隨著建模系列長度的增加而增大 參 表2 2018年黃瓜不同灌水處理不同測點位置3種建模系列模型參數(shù) Tab 2 Three modeling series of model parameters for different irrigation treatments and different measurement points of cucumber in 2018 處理測點位置項目參數(shù) 3種建模系列 d 5 10 15 D1 膜內外平均 模型2 平均值 a 0 052 2 0 040 0 0 040 3 b 0 834 7 0 872 6 0 871 5 DC 0 955 0 0 982 8 0 984 3 范圍 a 0 034 4 0 322 9 0 003 0 0 155 7 0 0 113 1 b 0 012 8 1 092 6 0 540 4 1 004 6 0 661 4 1 000 0 膜內 模型1 平均值 a 0 085 4 0 092 1 0 100 7 b 0 725 7 0 704 0 0 676 4 DC 0 950 1 0 956 5 0 966 3 范圍 a 0 053 0 0 253 5 0 013 1 0 206 3 0 0 183 2 b 0 202 3 1 160 9 0 342 4 1 036 7 0 421 5 1 000 0 63基于實時監(jiān)測數(shù)據(jù)的溫室墑情預測研究 高國祥 王仰仁 田文艷 等 續(xù)表2 2018年黃瓜不同灌水處理不同測點位置3種建模系列模型參數(shù) 處理測點位置項目參數(shù) 3種建模系列 d 5 10 15 D2 膜內外平均 模型2 平均值 a 0 079 7 0 052 9 0 052 1 b 0 759 6 0 839 4 0 841 4 DC 0 869 0 0 933 5 0 959 0 范圍 a 0 083 4 0 781 0 0 087 1 0 230 0 0 046 4 0 223 3 b 1 314 9 1 243 9 0 300 2 1 264 1 0 320 4 1 140 4 膜內 模型1 平均值 a 0 093 1 0 080 3 0 084 5 b 0 713 6 0 753 1 0 740 1 DC 0 852 9 0 914 1 0 878 1 范圍 a 0 157 7 0 420 9 0 041 5 0 281 9 0 021 5 0 233 3 b 0 267 3 1 495 7 0 158 7 1 129 9 0 298 8 1 067 0 樣本數(shù)n 115 115 115 表3 2019年茄子不同灌水處理不同測點位置3種建模系列模型參數(shù) Tab 3 Three modeling series model parameters for different irrigation treatments and different measuring points of eggplant in 2019 處理測點位置項目參數(shù) 3種建模系列 d 5 10 15 D1 膜內外平均 模型2 平均值 a 0 064 0 0 059 2 0 050 6 b 0 805 8 0 819 1 0 843 9 DC 0 942 6 0 964 3 0 975 7 范圍 a 0 096 2 0 305 6 0 041 3 0 206 3 0 026 9 0 177 2 b 0 125 2 1 267 7 0 389 2 1 113 2 0 471 7 1 071 4 膜內 模型1 平均值 a 0 081 2 0 082 9 0 076 6 b 0 743 9 0 737 9 0 756 4 DC 0 933 5 0 951 0 0 953 7 范圍 a 0 082 9 0 363 3 0 047 4 0 231 8 0 026 4 0 215 1 b 0 032 5 1 229 2 0 291 1 1 128 6 0 339 4 1 068 1 D2 膜內外平均 模型2 平均值 a 0 056 6 0 057 9 0 061 2 b 0 820 5 0 816 5 0 805 7 DC 0 924 1 0 965 9 0 974 5 范圍 a 0 259 6 0 313 2 0 059 6 0 238 3 0 027 0 0 188 4 b 0 044 2 1 814 7 0 265 2 1 184 2 0 412 0 1 081 9 膜內 模型1 平均值 a 0 067 9 0 071 4 0 074 9 b 0 800 2 0 789 7 0 778 6 DC 0 904 6 0 947 2 0 966 1 范圍 a 0 778 7 0 391 1 0 089 1 0 248 4 0 026 7 0 204 6 b 0 097 7 3 095 8 0 279 9 1 249 9 0 404 9 1 073 8 樣本數(shù)n 115 115 188 數(shù)b與參數(shù)a的變化規(guī)律相反 參數(shù)b隨著建模系列長度的增 加而減小 黃瓜減半灌水模型1參數(shù)a的最大值和參數(shù)b的 最小值出現(xiàn)在5 d建模系列 10 d和15 d建模系列下參數(shù)a的 值較為接近 與正常灌水模型1參數(shù)a不同的是 正常灌水 模型2的參數(shù)a的平均值5 d建模系列下最大 參數(shù)b在10 d 建模系列下出現(xiàn)最大值 減半灌水模型1 2參數(shù)的變化規(guī)律和 正常灌水模型1一致 由表3也可以看出 茄子的參數(shù)a b 也具有類似的變化特性 為了展示實時墑情預測模型參數(shù)a b隨時間的變化過程 給出了2018年黃瓜5 10 15 d 3種建模系列下的參數(shù)a b值隨 73基于實時監(jiān)測數(shù)據(jù)的溫室墑情預測研究 高國祥 王仰仁 田文艷 等 時間的變化過程 見圖2 圖3 圖2 2018年黃瓜膜內3種建模系列實時模型參數(shù)a隨時間變化過程 Fig 2 Three modeling series of real time model parameters a in cucumber membrane changed with time in 2018 圖3 2018年黃瓜膜內3種建模系列實時模型參數(shù)b隨時間變化過程 Fig 3 Three modeling series of real time model parameters b in cucumber membrane changed with time in 2018 從圖2中可以看出5 d建模系列的參數(shù)a隨時間的變化較 為劇烈 特別是黃瓜生長初始階段 到10月7日之后幅度變得 較為平緩 10 d建模系列下參數(shù)a變化幅度變得較穩(wěn)定 15 d 建模系列時 參數(shù)a最為穩(wěn)定 變化幅度最小 從表2 表3也 可看出參數(shù)a b的變化范圍隨建模系列長度的增加有減小的 趨勢 對比圖3 參數(shù)b的變化幅度隨建模系列的變化與參數(shù) a具有類似的變化規(guī)律 變化幅度隨建模系列長度增大而減小 參數(shù)b的變化范圍具有趨于減小的趨勢 與表2 表3結果一 致 分析結果表明 3種建模系列的實時模型參數(shù)a b隨時間變 化規(guī)律一致 參數(shù)a b變化幅度由大到小順序為 5 d建模系列 10 d建模系列 15 d建模系列 即在15 d建模系列下參數(shù)最 為穩(wěn)定 2 2 模型擬合精度分析 2 2 1 確定性系數(shù)隨時間的變化 圖4為黃瓜的確定性系數(shù)隨時間變化過程 可以更好地觀 察確定性系數(shù)DC逐日的變化 從表2可以看出黃瓜的DC值 的變化表現(xiàn)為15 d建模系列下最大 最大為0 975 7 5 d和10 d建模系列下DC值接近 結合表3可以看出黃瓜和茄子均以 15 d建模系列確定的實時墑情預測模型擬合精度最高 DC普 遍較大 黃瓜達到0 87以上 茄子達到0 95以上 從圖4中也 可以看出與表2描述一致 建模系列長度為15 d的時候確定性 系數(shù)DC較高 而5 d建模系列下DC值隨時間變化幅度較大 擬合精度較低 圖4 2018年黃瓜膜內DC隨時間的變化過程 Fig 4 The change process of DC in cucumber film over time in 2018 2 2 2 參數(shù) p對確定性系數(shù)的影響 以2018年黃瓜試驗的處理D1為例 給出了DC與 p之 間的關系 圖4 由圖5可以看出 5 10 15 d 3種建模系列 下 DC值均隨著 p的增大而減小 當 p處于0 04 0 06之 間時DC下降幅度最大 當 p增加到0 06時DC達到最小且 不再變化 當 p為0時DC為最大值 所以本研究中取 p 0 可使模型擬合精度最高 圖5 2018年黃瓜膜內DC平均值隨 p變化過程 Fig 5 Change of mean value of DC in cucumber membrane with p in 2018 2 3 模型預測精度分析 采用實時預測值和實測值的相對誤差進行模型預測精度 分析 表4給出了2018年黃瓜以及2019年茄子不同預見期的 預測值相對誤差平均值以及最大值 由表4可以看出 黃瓜在相同建模系列長度條件下隨著預 見期增大相對誤差在增大 相同預見期條件下 隨著建模系列 增大相對誤差在減小 黃瓜處理D1的相對誤差值總體大于處 理D2 2018年黃瓜的預測最大相對誤差在13 以內 表明該 模型預測精度是比較高的 2019年茄子墑情預測精度與2018年黃瓜有同樣的變化趨 勢 最大誤差在17 以內 略高于黃瓜的相對誤差 圖6給出了2018年黃瓜平均相對誤差與 p的關系圖 可以看出3種建模系列下 實時墑情預測模型的預測值的平均 83基于實時監(jiān)測數(shù)據(jù)的溫室墑情預測研究 高國祥 王仰仁 田文艷 等 表4 3種預見期下預測值相對誤差 Tab 4 Mean value of relative error of predicted value under 3 prediction periods 作物處理建模系列 d 3種預見期預測誤差 5 d 最大平均 10 d 最大平均 15 d 最大平均 黃瓜 5 8 23 3 45 10 20 3 90 12 42 4 27 D1 10 2 15 1 32 3 31 1 74 4 23 2 00 15 1 79 1 01 2 78 1 35 3 67 1 59 5 3 09 1 34 5 12 1 93 7 56 2 60 D2 10 1 34 0 85 2 21 1 22 2 81 1 42 15 1 13 0 64 1 92 1 04 2 53 1 27 茄子 5 11 51 5 69 13 94 6 26 16 15 6 87 D1 10 2 87 1 73 4 14 2 16 4 96 2 46 15 2 44 1 38 3 71 1 83 4 66 2 19 5 5 74 2 59 9 05 3 45 13 13 4 52 D2 10 1 99 1 18 3 63 1 85 5 07 2 40 15 1 66 0 92 3 02 1 53 4 00 1 92 圖6 2018年黃瓜膜內平均相對誤差隨 p變化過程 Fig 6 Variation process of mean relative error in cucumber membrane with p in 2018 相對誤差隨著 p增大而增大 同樣在 p 0 06時最大且不 再增加 p 0時平均相對誤差最小 同DC與 p之間的關 系一致 p對模型精度產(chǎn)生一定影響 p 0時影響程度最 低 所以模型采用 p 0最為合理 2 4 合格率分析 采用式 8 計算3種準許誤差值5 10 15 條件下的 合格率 得出黃瓜 茄子不同處理墑情預測值合格率 見表5 本文設置了5 10 15 3個預測準許誤差 由此評價 實時墑情預測模型的預測精度 黃瓜的兩個處理在3個準許 誤差和3個預見期下的合格率都非常高 全部為甲等 說明該 模型預測的精度較高 符合預測等級要求 茄子的預測合格率 也非常高 其中只有一個乙等 一個不合格 其他全部為甲等 表明本文構建的實時墑情預測模型具有較高的預測精度 達到 了預測等級要求 表5合格率分析結果表明 本文提出的預測 表5 墑情預測值合格率 Tab 5 Moisture content forecast pass rate 作物處理準許誤差 3種預見期下的預測值合格率 5 d 最大平均 10 d 最大平均 15 d 最大平均 2018黃瓜 5 100 100 100 100 98 100 D1 10 100 100 100 100 100 100 15 100 100 100 100 100 100 5 97 100 96 98 95 98 D2 10 100 100 98 100 97 99 15 100 100 100 100 98 100 2019茄子 5 95 99 92 98 87 97 D1 10 100 100 100 100 100 100 15 100 100 100 100 100 100 5 89 97 72 96 56 92 D2 10 98 100 96 98 94 98 15 99 100 98 99 96 98 93基于實時監(jiān)測數(shù)據(jù)的溫室墑情預測研究 高國祥 王仰仁 田文艷 等 模型精度較高 同時預測模型具有實時性的特點 能夠根據(jù)實 時情況較為準確地預報未來5 10 15 d的土壤含水率 上述分析可見 不同作物不同處理之間模型參數(shù)a b都是 不相同的 表2 表3 模型參數(shù)a b隨時間是動態(tài)變化的 而 且變化幅度較大 圖2 圖3 但模型擬合精度和預測精度均 表明該模型具有足夠高的精度 其主要原因是模型參數(shù)的動態(tài) 變化隱含了作物生長動態(tài)變化及其實時環(huán)境對墑情預測的影 響 該模型的這一動態(tài)特性確保了模型的預測精度 3 結 論 本文基于水量平衡原理構建了實時墑情預測模型 利用實 時監(jiān)測的數(shù)據(jù)確定模型參數(shù) 分別對模型參數(shù)擬合結果 模型 擬合精度 模型預測精度和合格率進行了分析 得出如下結論 1 實時墑情預測模型參數(shù)隨時間的變化而變化 其變化 幅度隨建模系列長度增加而減小 2 該實時墑情預測模型對于不同作物和不同受旱程度都 具有較好的適應性 3 隨著建模系列的增大 預測相對誤差在減小 15 d建模 系列的預測值相對誤差最小 最大誤差不超過13 黃瓜 和 17 茄子 表明模型預測精度較高 4 在5 的準許誤差和10 d預見期條件下 預測合格率 等級均能達到乙等水平 達到了預測等級要求 參考文獻 1 粟容前 康紹忠 賈云茂 農(nóng)田土壤墑情預報研究現(xiàn)狀及不同預報 方法的對比分析 J 干旱地區(qū)農(nóng)業(yè)研究 2005 6 198 203 2 孫繼梅 淺談土壤墑情的及時監(jiān)測預報對農(nóng)業(yè)生產(chǎn)的意義 J 農(nóng) 業(yè)與技術 2019 39 23 112 113 3 劉勇洪 葉彩華 王克武 等 RS和GIS技術支持下的北京地區(qū)土 壤墑情預報技術 J 農(nóng)業(yè)工程學報 2008 9 155 160 4 王景雷 康紹忠 孫景生 等 基于貝葉斯最大熵和多源數(shù)據(jù)的作 物需水量空間預測 J 農(nóng)業(yè)工程學報 2017 33 9 99 106 5 SWATHI Gorthi DOU Huifang Prediction Models for the Estimation of Soil Moisture Content C ASME IEEE International Design En gineering Technical Conferences Computers Information in Engi neeringConference Washington DC USA 2011 945 953 6 李小剛 王 靜 馬友華 等 基于BP神經(jīng)網(wǎng)絡的土壤墑情預測精 度研究 以肥東縣為例 J 土壤通報 2017 48 2 292 297 7 侯曉麗 馮躍華 吳光輝 等 基于人工神經(jīng)網(wǎng)絡土壤墑情動態(tài)預 測模型應用研究 J 節(jié)水灌溉 2016 7 70 72 8 FAN X R WANG Y R WU C B et al Research of Soil Moisture Content Forecast Model Based on Reference Evapotranspiration in Neighboring Periods C 7th International Conference on Agro geoinformatics Agro geoinformatics 2018 1 6 9 蔣 穎 土壤墑情預報模型構建及應用 J 黑龍江水利科技 2020 48 1 177 181 10 王西平 姚樹然 VSMB多層次土壤水分平衡動態(tài)模型及其初步 應用 J 中國農(nóng)業(yè)氣象 1998 6 29 33 11 劉勇洪 吳春艷 葉彩華 等 基于網(wǎng)格化信息的北京地區(qū)土壤墑 情預報服務系統(tǒng) J 中國農(nóng)業(yè)氣象 2011 32 2 267 272 12 鄧海鷹 張建立 李紀人 新安江模型在土壤墑情預報中的應用 J 中國水利水電科學研究院學報 2012 10 1 59 62 13 詹同濤 洪 成 孟 偉 等 基于水量平衡的長序列農(nóng)田灌溉定 額測算方法 J 人民黃河 2018 40 12 158 162 14 詹道江 葉守澤 工程水文學 M 3版 北京 中國水利水電出版 社 2000 15 徐加林 徐寶林 土壤墑情預報模型研究與應用 J 水利發(fā)展研 究 2017 17 3 49 53 16 郭淑珍 淺析土壤墑情監(jiān)測預報技術 J 農(nóng)民致富之友 2016 24 97 上接第33頁 3 翁篤鳴 小氣候和農(nóng)田小氣候 M 北京 農(nóng)業(yè)出版社 1981 4 PARRY D Microclimate Close to the Ground Nature 1951 167 73 74 5 SUGGITT A J WILSON R J ISAAC N J B et al Extinction risk from climate change is reduced by microclimatic buffering J Nature Cli mate Change 2018 8 713 717 doi 10 1038 s41558 018 0231 9 6 M A卡岡諾夫 C B赫沃列斯 A 楚特諾夫斯基 等 灌溉對土 壤及近地面空氣層小氣候的影響 J 地理科學進展 1956 2 121 127 7 BORRELL A GARISDE A FUKAI S Improving efficiency of water use for irrigated rice in a semi arid tropical environment J Field Crops Research 1997 52 3 231 248 8 BELDER P JHJ S BAM B et al Nitrogen economy and water pro ductivity of lowland rice under water saving irrigation J Field Crops Research 2005 93 2 3 169 185 9 劉海軍 康躍虎 劉士平 噴灌對農(nóng)田小氣候的影響研究 J 中國 生態(tài)農(nóng)業(yè)學報 2003 4 108 112 10 ZHANG H LIU H WANG S et al Variations in growth water consumption and economic benefit of transplanted cotton after winter wheat harvest subjected to different irrigation methods Scientific Re port 2019 9 14972 14983 doi 10 1038 s41598 019 51391 7 11 趙建設 胡曉東 曾維銀 等 不同灌溉方式對溫室內小氣候變化 的影響 J 河南農(nóng)業(yè)科學 2015 44 9 150 155 12 張春同 劉淑梅 賈 丹 不同灌溉方式對日光溫室小氣候的影 響 J 天津農(nóng)業(yè)科學 2016 22 6 38 41 13 呂國華 武永峰 白文波 等 不同氣象條件下灌溉方法對溫室大 棚小氣候的影響及作物響應 J 灌溉排水學報 2014 33 Z1 175 178 14 李 謙 灌水處理下稻田水熱交換特征與耦合模型研究 D 南 京 南京信息工程大學 2