基于GIS的农田土壤墒情信息系统建立与预报模型研究

发布时间：2017-07-13 10:27

  本文关键词：基于GIS的农田土壤墒情信息系统建立与预报模型研究

  更多相关文章： 土壤水分 土壤水分速测仪 墒情监测 WebGIS 墒情预报

【摘要】：土壤墒情即作物耕层中土壤含水量以及作物吸收水分的状况,是影响作物根系生长的重要因素。目前大部分的土壤墒情监测方法耗时、耗力,时效性差,不能及时的反应土壤墒情的变化。因此,需要将信息化技术应用在土壤墒情监测中,提高土壤墒情数据采集与传递的效率,并加强组织和管理土壤墒情数据,进而提高农业用水利用率,为抗旱决策提供依据。基于此,本文对土壤墒情监测及预报开展了研究,主要包括以下内容:(一)设计研发了用于土壤水分数据采集的移动式终端ASW-4。该终端能够快速测量土壤水分含量,采集的数据通过GPRS网络发送至数据管理中心,并拥有GPS功能,可以定位采样点的坐标信息。ASW-4成本低,操作简单,使用时不受监测位置限制,具有很大的灵活性,能够配合固定土壤墒情监测站工作,比较均匀全面的覆盖监测区域。(二)基于GIS技术构建了农田土壤墒情信息系统。该系统既可以接收ASW-4发送的数据,同时预留了接口,也可以接收固定土壤墒情监测站的数据。系统集数据采集、存储、管理、显示和输出功能与一体,可以实时的监测采样点土壤含水量的变化情况,以图形、图表的方式直观的显示给用户。系统可以将土壤水分与农作物的生育期结合起来,进行作物墒情分析,得到等值线、等值面图,从整体上了解监测区域的土壤墒情趋势。(三)以肥东县八斗镇固定墒情监测站采集的数据作为学习样本,建立了基于BP神经网络的土壤墒情短期预报模型。通过分析,将0-20 cm、20-40 cm、40-60 cm深度的土壤含水量,降雨量,日照时间,空气湿度和平均气温作为模型的输入变量,将第二天20-40 cm的土壤含水量作为模型的输出变量,进行了预报模型的研究。并且使用了遗传算法优化了BP神经网络,提高了模型的预报精度。本研究的部分成果已经在安徽省滁州市、肥东县、南陵县等区域推广使用,目前系统运行稳定,在一定程度上提高了土壤墒情监测的效率,为农业生产提供了保障。
【关键词】：土壤水分 土壤水分速测仪 墒情监测 WebGIS 墒情预报
【学位授予单位】：安徽农业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：S152.7;S127
【目录】：

• 摘要3-4
• Abstract4-8
• 第一章 文献综述8-13
• 1.1 水资源形势8
• 1.2 土壤墒情监测的研究意义8-9
• 1.3 土壤墒情监测方法及研究概况9-10
• 1.3.1 烘干法9
• 1.3.2 张力计法9-10
• 1.3.3 中子仪法10
• 1.3.4 FD法10
• 1.3.5 TDR法10
• 1.3.6 遥感测墒法10
• 1.4 土壤墒情预报技术研究概况10-12
• 1.5 总结12-13
• 第二章 引言13-16
• 2.1 研究背景及研究区介绍13-14
• 2.2 需求分析14
• 2.3 研究目的及研究内容14-16
• 第三章 土壤水分数据采集终端设计16-25
• 3.1 GPRS技术简介16
• 3.2 土壤水分数据采集终端16-21
• 3.2.1 温湿度传感器17-18
• 3.2.2 GPS/GPRS/GSM通讯模块18-19
• 3.2.3 采集终端软件设计19-20
• 3.2.4 ASW-4特点20-21
• 3.3 ASW-4测值校正21-23
• 3.3.1 标定函数式21
• 3.3.2 实地二次校正21-23
• 3.4 土壤墒情监测点布设23-25
• 3.4.1 土壤墒情监测点位置确定23-24
• 3.4.2 土壤墒情监测点垂向测点布设24-25
• 第四章 农田土壤墒情信息系统建立25-38
• 4.1 系统的组成结构25-26
• 4.2 软件系统开发26-28
• 4.2.1 软件开发模式26
• 4.2.2 软件开发语言26-27
• 4.2.3 WebGIS技术27-28
• 4.3 系统目标和功能设计28-30
• 4.4 系统数据库设计30-34
• 4.5 系统应用34-38
• 4.5.1 主界面34
• 4.5.2 土壤墒情监测34-38
• 第五章 土壤墒情预报模型研究38-52
• 5.1 人工神经网络38-42
• 5.1.1 生物神经细胞模型38
• 5.1.2 人工神经细胞模型38-40
• 5.1.3 BP人工神经网络原理40-42
• 5.2 BP神经网络设计42-45
• 5.2.1 确定输入变量和输出变量42-43
• 5.2.2 学习样本预处理43
• 5.2.3 确定隐藏层数量以及节点数量43-44
• 5.2.4 训练网络模型44-45
• 5.3 预报结果分析45-48
• 5.4 利用遗传算法优化BP神经网络48-52
• 第六章 结论及展望52-54
• 6.1 结论52
• 6.2 展望52-54
• 参考文献54-60
• 附录60-62
• 致谢62-63
• 个人简介63

【参考文献】

中国期刊全文数据库 前5条

1 王赛宵;李清河;徐军;赵英铭;;干旱半干旱地区土壤水分测定研究概述[J];山西农业科学;2010年09期

2 杨绍辉;王一鸣;孙凯;冯磊;;土壤墒情(旱情)监测与预测预报系统的设计与开发[J];中国农业大学学报;2007年04期

3 张学礼,胡振琪,初士立;土壤含水量测定方法研究进展[J];土壤通报;2005年01期

4 朱芮芮,李兰,王浩,甘泓;降水量的空间变异性和空间插值方法的比较研究[J];中国农村水利水电;2004年07期

5 杨胜天,刘昌明,王鹏新;黄河流域土壤水分遥感估算[J];地理科学进展;2003年05期

中国硕士学位论文全文数据库 前9条

1 邹冠丽;安徽肥东古城方言共时音变研究[D];安徽大学;2015年

2 李冬梅;基于传输原理的水分测量技术研究与应用开发[D];南京理工大学;2014年

3 徐立;民国时期皖西茶业研究[D];安徽农业大学;2013年

4 金潇;基于土地利用变化的巢湖流域（合肥市）非点源磷污染负荷研究[D];合肥工业大学;2012年

5 郭文松;微波传输线理论在紫色土水分测量中的应用研究[D];西南大学;2010年

6 连华军;6050X1 TDR测量土壤电导率以及影响因素研究[D];山西大学;2009年

7 张颖慧;基于环境地球化学基线的合肥地区土壤重金属元素的空间分布及污染评价[D];合肥工业大学;2007年

8 洪志方;合肥市南淝河水体重金属元素污染分析与评价[D];合肥工业大学;2007年

9 巨兆强;中国几种典型土壤介电常数及其与含水量的关系[D];中国农业大学;2005年

，

本文编号：536530