淮北平原基于ARIMA模型的冬小麦日土壤水分预测
发布时间：2022-02-04 20:46
准确预测土壤水分动态变化对农作物生长以及节水灌溉至关重要。为反映逐日土壤水分动态变化,利用五道沟水文实验站蒸渗仪2017-2018年土壤水实测资料,采用时间序列分析方法,分别建立了冬小麦全生育期10、30、50 cm土层的土壤水分计算模型。结果表明:10、30、50 cm土壤含水量变异系数有明显差异,随土层深度增加逐渐减小,分别为0.190、0.103、0.040。利用ARIMA模型对土壤水分进行拟合,10、30、50 cm土层土壤水分计算模型分别为ARIMA（4,1,7）、ARIMA（1,1,2）、ARIMA（2,1,3）,拟合优度R2均大于0.95;不同土层土壤水分计算模型均具有较好的预测能力,且随深度增加预测精度提高,由10 cm增至50 cm最大相对误差从15.6%降至5.1%。研究成果为进一步制定淮北平原节水灌溉制度,提高田间水利用率具有重要意义。
【文章来源】：节水灌溉. 2019,(06)北大核心
【文章页数】：6 页
【部分图文】：
全生育期土壤水分变化过程线
ARIMA模型要求时间序列平稳,需对标准化后不平稳序列进行差分处理,判断差分后序列是否满足平稳要求。采用土壤水实测资料,对不同土层土壤含水量变异系数进行了计算,结果表明:不同土层变异系数存在明显差异,10、30、50 cm分别为20%(强变异)、10.3%(中等变异)和4%(弱变异)。因此,需要分别建立不同土层的时间序列模型。本文以50 cm土层土壤水分变化过程为例,建立土壤水分预测模型。冬小麦全生育期土壤含水量标准化后的时间序列过程线如图2所示。从图2可知,11月11日-2月3日冬小麦处于苗期,需水量小,序列变化趋势比较稳定;3月7日-5月2日冬小麦处于返青-抽穗期,该阶段作物耗水量增加,土壤含水量序列值出现明显下降趋势;5月3日-5月31日冬小麦处于抽穗-成熟期,此阶段作物需水量较上一阶段有所减少,土壤含水量序列值出现增加趋势;因此,不同生育阶段,作物需水量不同,土壤含水量序列值有明显的上升或下降趋势。因此,对该序列进行一阶差分,一阶差分序列值如图2所示,可以看出差分后序列值在0上下波动,为平稳序列,满足ARIMA模型要求。时间序列模型主要有三类:一是AR模型;二是MA模型;三是ARIMA模型。为了选择合适的模型形式,需对时间序列进行自相关和偏自相关分析。一阶差分后序列的自相关图(ACF)和偏自相关图(PACF)如图3所示。由图3可见,ACF和PACF都有拖尾现象,根据表1时间序列模型判断规则表可知,选择ARIMA(p,1,q)模型。
时间序列模型主要有三类:一是AR模型;二是MA模型;三是ARIMA模型。为了选择合适的模型形式,需对时间序列进行自相关和偏自相关分析。一阶差分后序列的自相关图(ACF)和偏自相关图(PACF)如图3所示。由图3可见,ACF和PACF都有拖尾现象,根据表1时间序列模型判断规则表可知,选择ARIMA(p,1,q)模型。3.3 模型构建
【参考文献】：
期刊论文
[1]沧州市土壤墒情变化规律研究[J]. 哈建强,祝明,朱艳飞. 水文. 2017(06)
[2]ISAREG模型在灌区土壤墒情预报中的应用研究[J]. 霍轶珍,李生勇,郭彦芬. 人民黄河. 2017(12)
[3]统计法土壤墒情诊断模型[J]. 黄治平,王铄今,侯彦林,刘书田,郑宏艳,丁健,米长虹,侯显达. 生态学杂志. 2017(12)
[4]基于多值神经元复数神经网络的土壤墒情预测[J]. 冀荣华,张舒蕾,郑立华,刘秋霞. 农业工程学报. 2017(S1)
[5]基于GM（1,1）模型群的农田土壤墒情短期预测[J]. 冀荣华,李鑫,张舒蕾,郭敏英. 农业机械学报. 2016(S1)
[6]基于人工神经网络土壤墒情动态预测模型应用研究[J]. 侯晓丽,冯跃华,吴光辉,何印兴,常东明,杨会明. 节水灌溉. 2016(07)
[7]衡水市土壤墒情变化规律及预报分析[J]. 陈晓,赵悦华,安国庆. 水科学与工程技术. 2014(06)
[8]基于MODIS数据的山东省土壤墒情遥感动态监测与分析[J]. 马建成,黄诗峰,胡健伟,章四龙,李小涛. 水文. 2013(03)
[9]河北省平原区土壤墒情预报研究[J]. 吕庆玉. 水科学与工程技术. 2012(S1)
[10]基于ARIMA模型的贵州省黄壤墒情预测研究[J]. 李军,张和喜,蒋毛席,方小宇. 人民黄河. 2010(08)
本文编号：3613913
【文章来源】：节水灌溉. 2019,(06)北大核心
【文章页数】：6 页
【部分图文】：
全生育期土壤水分变化过程线
ARIMA模型要求时间序列平稳,需对标准化后不平稳序列进行差分处理,判断差分后序列是否满足平稳要求。采用土壤水实测资料,对不同土层土壤含水量变异系数进行了计算,结果表明:不同土层变异系数存在明显差异,10、30、50 cm分别为20%(强变异)、10.3%(中等变异)和4%(弱变异)。因此,需要分别建立不同土层的时间序列模型。本文以50 cm土层土壤水分变化过程为例,建立土壤水分预测模型。冬小麦全生育期土壤含水量标准化后的时间序列过程线如图2所示。从图2可知,11月11日-2月3日冬小麦处于苗期,需水量小,序列变化趋势比较稳定;3月7日-5月2日冬小麦处于返青-抽穗期,该阶段作物耗水量增加,土壤含水量序列值出现明显下降趋势;5月3日-5月31日冬小麦处于抽穗-成熟期,此阶段作物需水量较上一阶段有所减少,土壤含水量序列值出现增加趋势;因此,不同生育阶段,作物需水量不同,土壤含水量序列值有明显的上升或下降趋势。因此,对该序列进行一阶差分,一阶差分序列值如图2所示,可以看出差分后序列值在0上下波动,为平稳序列,满足ARIMA模型要求。时间序列模型主要有三类:一是AR模型;二是MA模型;三是ARIMA模型。为了选择合适的模型形式,需对时间序列进行自相关和偏自相关分析。一阶差分后序列的自相关图(ACF)和偏自相关图(PACF)如图3所示。由图3可见,ACF和PACF都有拖尾现象,根据表1时间序列模型判断规则表可知,选择ARIMA(p,1,q)模型。
时间序列模型主要有三类:一是AR模型;二是MA模型;三是ARIMA模型。为了选择合适的模型形式,需对时间序列进行自相关和偏自相关分析。一阶差分后序列的自相关图(ACF)和偏自相关图(PACF)如图3所示。由图3可见,ACF和PACF都有拖尾现象,根据表1时间序列模型判断规则表可知,选择ARIMA(p,1,q)模型。3.3 模型构建
【参考文献】：
期刊论文
[1]沧州市土壤墒情变化规律研究[J]. 哈建强,祝明,朱艳飞. 水文. 2017(06)
[2]ISAREG模型在灌区土壤墒情预报中的应用研究[J]. 霍轶珍,李生勇,郭彦芬. 人民黄河. 2017(12)
[3]统计法土壤墒情诊断模型[J]. 黄治平,王铄今,侯彦林,刘书田,郑宏艳,丁健,米长虹,侯显达. 生态学杂志. 2017(12)
[4]基于多值神经元复数神经网络的土壤墒情预测[J]. 冀荣华,张舒蕾,郑立华,刘秋霞. 农业工程学报. 2017(S1)
[5]基于GM（1,1）模型群的农田土壤墒情短期预测[J]. 冀荣华,李鑫,张舒蕾,郭敏英. 农业机械学报. 2016(S1)
[6]基于人工神经网络土壤墒情动态预测模型应用研究[J]. 侯晓丽,冯跃华,吴光辉,何印兴,常东明,杨会明. 节水灌溉. 2016(07)
[7]衡水市土壤墒情变化规律及预报分析[J]. 陈晓,赵悦华,安国庆. 水科学与工程技术. 2014(06)
[8]基于MODIS数据的山东省土壤墒情遥感动态监测与分析[J]. 马建成,黄诗峰,胡健伟,章四龙,李小涛. 水文. 2013(03)
[9]河北省平原区土壤墒情预报研究[J]. 吕庆玉. 水科学与工程技术. 2012(S1)
[10]基于ARIMA模型的贵州省黄壤墒情预测研究[J]. 李军,张和喜,蒋毛席,方小宇. 人民黄河. 2010(08)
本文编号：3613913
本文链接：https://www.wllwen.com/nykjlw/nyxlw/3613913.html
