基于机器学习的黑河中游作物需水量模型研究

发布时间：2020-10-09 15:07

　　作物需水量,又称作物蒸散发,主要用于指导农田灌溉和农业用水调度,是土壤-植物-大气连续体(SPAC)系统的重要参数之一。作物需水量可以通过基于参考作物蒸散发和作物系数的作物系数法来估算。其中,参考作物蒸散发取决于气象因素,作物系数取决于作物因素以及作物管理与环境条件。现有基于气温和辐射等较少气象特征的经验模型估算精度有限、在不同地区的适用性不强;作为标准模型的FAO Penman-Monteith模型需要的气象特征较多,在实际农田应用中难以推广;在没有考虑农业知识的情况下,基于机器学习的估算模型对用水估算的准确度低。本文针对上述三个问题,试图构建约减气象特征、提高估算精度和节省训练时间的参考作物蒸散发模型,利用农业知识从模型特征与模型结构对模型进行研究。处于甘肃省境内的黑河中游区域水资源较为匮乏,农业用水占到该地区总用水量的90%以上。进而,本文基于黑河中游不同类型的气象数据,构建了多时间尺度的参考作物蒸散发模型;在此基础上,引入不同作物系数,结合单作物系数法对黑河中游的小麦和玉米在生育期的作物需水量进行了估算。在作物蒸散发模型构造领域,主要开展以下研究工作:1.基于气温的月度参考作物蒸散发模型研究:基于气温数据,融合分治算法、蒸散发机理和BP神经网络(BP-NN),通过对农业知识的分析,利用月序数和参考作物蒸散发之间的关联,构建DC-BP-NN模型,提高模型估算精度。2.基于气温和辐射融合数据的日度参考作物蒸散发模型研究:针对日度气象数据规模大于月度气象数据,而BP神经网络的计算速度较慢、泛化能力不足、结果容易受到初始参数和权值的设定的影响等问题,融合分治算法、蒸散发机理和极限学习机(ELM),构建了 DC-ELM模型,在保证估算精度的前提下减少模型训练时间。3.基于多气象特征融合的日度参考作物蒸散发模型研究:利用农时知识中旬序数和参考作物蒸散发的相关性,基于随机森林(RF)和不同气象特征的输入组合,构建了 RF模型,并验证了集成学习在参考作物蒸散发模型构建领域的适用性。4.利用参考作物蒸散发模型和单作物系数法进行作物需水量估算:实验估算了张掖甘州和酒泉肃州的春玉米和春小麦在2016年各自生长期内各个阶段的作物需水量的情况,对各自的需水特点进行分析,为农业灌溉决策提供了参考。本文基于农业知识,针对构建约减气象特征、提高估算精度和节约训练时间的参考作物蒸散发模型进行了研究,并利用单作物系数法和参考作物蒸散发模型对黑河中游的小麦和玉米在生育期的需水量进行估算,为农业灌溉预测和农业水量调度提供了参考依据。
【学位单位】：中国科学技术大学
【学位级别】：博士
【学位年份】：2018
【中图分类】：S311;TP181
【部分图文】：

路线图,路线,蒸散发,日度

逦第一章绪论逦逡逑中的蒸散发机理、分治算法、月序数和蒸散发的关系，结合ＢＰ神经网络构建月逡逑度ＤＣ－ＢＰ－ＮＮ模型。逡逑（２）构建基于气温和辐射融合的日度ＤＣ－ＥＬＭ模型：基于气温和辐射融合逡逑数据，利用农业知识中的蒸散发机理、分治算法，结合极限学习机构建日度逡逑ＤＣ－ＥＬＭ邋模型。逡逑（３）构建基于多气象参数融合的日度随机森林模型：基于多气象参数融合逡逑数据，利用农业知识中的旬序数和蒸散发的关系，结合随机森林算法构建曰度逡逑ＲＦ模型。逡逑（４）模拟春玉米和春小麦作物需水量：基于单作物系数法和参考作物蒸散逡逑发，模拟张掖甘州和酒泉肃州的春玉米与春小麦在各个生长阶段的实际作物需水逡逑量。逡逑Ｉ逦１逡逑数据收集和预处理．

示意图,全球水循环,示意图

Ｋ一一水流从根木质部到茎杆的水流阻力；逡逑Ｋ一一水流从茎杆到叶片的气孔腔体的水流阻力；逡逑Ｋ—水流从叶片的气孔腔到叶片外大气的水流阻力。逡逑从全球的范围和视角来观察，整个水循环系统如图２．１所示。首先，海洋的水分通过蒸发作用，转化为水汽上升到空中成为大气水，并且经过大气环方式进行扩散，分散到世界各地。由于地球表面大部分区域是海洋，大多数水停留在海洋的上空，一小部分大气水停留在陆地的上方。然后，在一定的自逡逑境条件下，部分大气水凝结成为降水。海洋上面的降水直接回到了海洋，上面的降水则进入陆地的水循环系统。接着，在陆地上的水循环方面，大气生的降水在地球重力和太阳辐射等自然作用下，经过作物冠层截留、土壤地流、土壤入渗、壤中径流、地下径流等种种过程，一部分水分形成地表径流，逡逑入湖泊、江河、冰川、沼泽和湿地，另一部分水分则渗入土壤，成为壤中径下径流。最终，陆地上的水分会通过地表土壤的蒸发、植被的蒸腾、地表泊的蒸发等方式，成为大气水，而另一部分水分会通过各种径流，再经过方式最终汇入大海。逡逑

示意图,神经元,示意图,突触

干个神经元通过带权值的连接发送来的输入信号，再将神经元接收的总输入和神逡逑经元的设定的阈值进行比较，最后通过激活函数并进行输出。Ｍ－Ｐ神经元结构如逡逑图３．１所示。逡逑来仃第ｉ个神逦当前神扢元及逡逑，麻神》＇灟蝓ｒｔｉ逡逑＂逦O啠妫舻谪錾褶义义显牧渝义贤迹常卞澹停猩窬疽馔煎义希哺兄Ｐ湾义希模铮睿幔欤溴翁岢錾锷窬绲难肮谭⑸谏窬涞耐淮ィ淮ュ义系牧忧慷人孀磐淮チ蕉说纳窬谋浠谋洌忧慷缺浠牧亢土礁錾窬义显幕钚灾统烧取＃遥铮螅澹睿猓欤幔簦簦疲资艿秸飧鲅芯康钠舴ⅲ谏窬Ｐ湾义系幕∩咸岢隽烁兄Ｐ汀８兄Ｐ陀闪讲闵窬槌桑淙氩愀涸鸾邮帐溴义先胄藕牛⒔藕磐ü哂辛尤ㄖ氐牧哟莸绞涑霾悖涑霾阄停猩窬义显Ｐ汀Ｔ诟ㄑ盗芳那榭鱿拢尤ㄖ睾褪涑霾愕模停衴L经元模型的阈值逡逑可以用感知机算法来学习和调整。感知机模型结构如图３．２所示。逡逑感知机中只有输出层的神经元具有学习能力

【相似文献】