土壤墒情预测模型对比研究

发布时间：2023-06-17 20:24

　　土壤墒情指田间土壤含水量及其对应的作物水分状态。作为对农作物生长有着重要影响和制约作用的指标,人们一直在努力实现对土壤墒情的实时掌握,以指导农作物耕作、制定灌溉制度、发展智慧农业等。本文以北京市顺义区、延庆区和大兴区为例,采用5种不同的墒情预测模型,对3种预测时段下模型的预测性能进行了检验,并进行了系统的对比分析,探讨适合研究区域的最佳土壤墒情预测模型。具体内容包括:(1)研究区概况分析。北京地区土壤质地主要为砂壤土和轻壤土,其中砂壤土主要分布在东北,轻壤土主要分布在西南;最近10年的降水量呈缓慢的增长趋势,且年际波动较大,年内的分布也很不平均,呈东北向西南递减的趋势;最近5年的墒情呈缓慢增长趋势,年内以8月份左右墒情最高,年初最低,空间上顺义、密云、平谷3区的土壤含水量较大,怀柔为最小。(2)影响因子的选择与分析。选定气温、气压、湿度、风速、地温、降雨、时段初墒值为墒情预测的影响因子,经相关分析,确定其与土壤墒情间存在着显著的相关关系,可以将其作为预测影响因子。(3)模型的率定与训练。研究采用线性回归模型、BP神经网络模型、PCA-RBF神经网络模型、GEP模型和深度学习模型5种模型...

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 墒情预测研究现状
        1.2.1 国内研究
        1.2.2 国外研究
    1.3 研究内容及技术路线
        1.3.1 研究内容
        1.3.2 技术路线
第二章 研究区概况
    2.1 基本情况
    2.2 土壤质地
    2.3 降水分布
    2.4 土壤墒情分布
        2.4.1 年际变化
        2.4.2 年内变化
        2.4.3 空间变化
    2.5 本章小结
第三章 土壤墒情数据处理及预测模型
    3.1 墒情涵义
    3.2 数据采集与处理
        3.2.1 数据采集
        3.2.2 数据预处理
    3.3 影响因子选择与分析
    3.4 土壤墒情预测模型
        3.4.1 线性回归模型
        3.4.2 BP神经网络模型
        3.4.3 PCA-RBF神经网络模型
        3.4.4 GEP模型
        3.4.5 深度学习模型
    3.5 本章小结
第四章 模型的模拟检验与对比分析
    4.1 模型率定与训练
        4.1.1 线性回归模型
        4.1.2 BP神经网络模型
        4.1.3 PCA-RBF神经网络模型
        4.1.4 GEP模型
        4.1.5 深度学习模型
    4.2 模型校验与对比
        4.2.1 检验指标
        4.2.2 模型整体预报评价
        4.2.3 模型对比分析
        4.2.4 讨论
    4.3 本章小结
第五章 结论与展望
    5.1 主要结论
    5.2 展望
参考文献
致谢
攻读硕士学位期间发表的学术论文



本文编号：3834077