一种基于贝叶斯最大熵的土壤含水量预测方法技术

本发明专利技术公开了一种基于贝叶斯最大熵的土壤含水量预测方法，选取示范性土壤地块，在土壤地块上设置若干个随机采样点；构建土壤含水量的硬数据库和软数据库；利用硬数据库和软数据库对随机采样点的土壤含水量进行处理，包括土壤含水量去趋势和探索性分析、数据正态性检验和时空协方差估计；采用贝叶斯最大熵方法将硬数据库和软数据库集成在一起，对处理后的土壤含水量进行预测。本发明专利技术将硬数据和软数据集成到一起，对土壤含水量的后验条件概率进行预测估计，提高土壤含水量的预测精度。

【技术实现步骤摘要】
一种基于贝叶斯最大熵的土壤含水量预测方法
本专利技术涉及土壤含水量预测领域，具体涉及一种基于贝叶斯最大熵的土壤含水量预测方法。
技术介绍
土壤含水量对于作物的生长发育过程具有重要的作用。如冬小麦生长发育存在不同的生育期，一般经历播种期，返青期、拔节期、抽穗期、乳熟期和收获期等6个阶段的生长发育，土壤含水量作为重要的作物—土壤模型状态变量，在表征冬小麦不同生育过程的模型中具有重要的作用，贯穿于冬小麦生育期，拔节期是冬小麦生长发育承上启下的重要生育期，研究表明该生育期是冬小麦生育期内对水分最敏感的时期，土壤含水量、灌溉需水量和精准灌溉对于该生育期的冬小麦生长发育尤其重要。土壤含水量一方面直接影响着植被恢复和作物产量，另一方面深刻地影响地表径流，因此被认为是土壤—作物—大气连续体系统中的核心要素。土壤含水量影响着植物生育、生态环境及水资源的合理分配与高效利用，对作物的生长、节水灌溉有着非常重要的作用。因此应特别重视作物生长过程中的土壤保墒，以改善作物生长的土壤环境，根据作物不同生育期土壤墒情和作物需水量，实施精量灌溉、节约水资源、提高水资源利用效率。土壤表层受耕作、施肥、灌溉的影响强烈，根系主要集中分布于这一层中，易受生产活动和地表生物、气候条件的影响，作物生育期的各个阶段受土壤表层的影响巨大，对于该层土壤含水量的预测直接制约着作物的施肥和灌溉状况。目前，综合来看，土壤含水量预测技术已成为作物生长区域性建模的瓶颈。遥感技术的进步对于大尺度土壤水分获取速度和时效性方面具有广泛的优势，但由于遥感技术本身的限制，对于获取深层土壤含水量方面，则无能为力。针对于土壤表层和土壤深层的含水量，设计或者专利技术一种普适性的土壤含水量预测技术无论是在农业生产实际还是对于作物—土壤系统的区域模拟都具有重要意义。实际上，水分驱动的作物模型是一类重要的作物模型，在水分驱动下可以实现对于作物产量的预测，如AquaCrop模型。国际上作物模型大体有三种基本思路，一是光能驱动，即作物产量主要是由太阳能驱动光合作用而形成，如美国的CERES模型；二是CO2驱动，即作物产量主要由CO2驱动光合作用形成，如WOFOST模型；三是水分驱动，即作物产量主要由可供应的土壤水分决定。如上述的AquaCrop模型就属于第三种，即水分驱动型，AquaCrop模型是2009年由FAO(世界粮农组织)，由许多不同国家的科学家合作研制出的最新作物水分驱动模型，水分驱动型的作物模型是AquaCrop的特色，与美国、荷兰等国的光能驱动型的作物模型有所区别。水分驱动模型对于我国广大的干旱半干旱地区是较适合的，由于该地区土壤水分决定着作物产量，尤其是作物产量受到当年降水和灌溉影响明显的地区。由于AquaCrop是水分驱动型的，以实用为主要目的，它在水分亏缺方面有比较细致的结构层次，如在水分亏缺系数中分出了叶片扩展、气孔传导、群体衰落等过程层次。水分驱动的作物模型已成为模拟作物产量和作物生长过程的重要组成部分，也成为衡量作物模型稳健性和预测能力的重要标志。土壤含水量估计和预测的不确定性不仅来源于土壤测量数据本身的误差和校正，而且尺度和随机性因素也深刻地影响着这种不确定性，对于这种不确定性的表征，H.Vereeckenetal.(2016)，etal.(2015)，etal.(2014)和WohlingandVrugt(2011)都指出Bayesianmodel(BM)是定量评估不确定性的一种有前途的方法。MC(MonteCarlo)技术往往被用来评价BM模型拟合质量，这一方面得益于MC在高维计算方面的特点，另一方面也因为该技术在操作BM土壤不确定性模型方面有较高的效率。贝叶斯模型和MarkovchainMonteCarlo(MCMC)是土壤属性和演变过程中不确定信息建模的重要组成部分，土壤BME高效计算建模具有广阔的发展前景。张楚天、李卫东等将不确定信息的多源数据进行了集成，将地形因素、遥感影像、土壤类型和土壤质地进行了融合处理，进行了土壤性质的BME建模。王景雷、康绍忠等基于贝叶斯最大熵和多源数据进行了作物需水量空间预测，但以上研究均未涉及土壤含水量软数据的处理方法和软数据先验知识的系统构造。然而，软知识和软数据对于BME模型中区域化变量的预测精度有重要的影响，软数据体系构建的成功与否，严重制约着BME模型的预测精度。因此构建区域化变量BME预测软数据体系对于软数据质量具有重要的影响，系统构建科学的软数据体系，集成处理先验知识，有利于提高区域化变量BME预测精度。当然，在关注区域化变量BME建模和预测效率的同时，也考虑该模型的稳健性、容错性，这样构建的模型无论实践上还是理论架构上才具有应用前景。在实际研究过程中，不可能对研究区内每个点的土壤含水量值进行逐一测量。如何结合土壤含水量采样点数据实现空间面域上的其他各点数据的预测是一个大家普遍重视的问题。一直以来，研究者们围绕点到面扩展进行着多种算法的尝试，一些研究者运用多点地统计学进行区域化变量的空间估计和预测，多点地统计学模拟通过多个点的训练图像来代替变异函数，有效地反映了研究目标的空间分布结构。利用二维马尔科夫链形成的概率转移矩阵进行了土壤类型和土壤质地的空间变异模拟。马链随机域理论及转移概率函数(Transiogram)理论中强调了联合模拟试验转移概率函数图的线性插值法和数学模型模拟法。不可否认的是，随机采样状况下区域化变量估值结果的平滑效应是Kriging本身所无法解决的，尤其是估计的极值点都被光滑下去，这种平滑效应不可避免地降低了区域化变量的预测精度，这是Kriging预测本身所不可解决的。土壤水分对作物产量具有重要影响，土壤含水量有助于产量预测。土壤水分空间变异性广泛应用在土壤—作物系统的物质和能量过程中，在确定性模型中引入随机参数，有些科研工作者开展田块尺度上土壤表层饱和导水率的空间变异对农田水分渗漏的影响研究以提高模型的应用性和普适性。主成分分析和普通Kriging相结合进行的土壤含水量空间变异研究结果表明，随机性参数和多模型结合在区域化变量空间变异模式定量化表达上有所提高，但随机参数的引入需要一定的前提条件才有意义，这无疑增加了挑战性。土壤含水量是典型的区域化变量，随着空间距离的变化本身具有自相关性。影响该区域化变量的因素很多，如气温、降水、灌溉制度、耕作制度、土地平整度、土壤压实状况等等。在大尺度方面，土壤类型、土地利用类型等也影响着土壤含水量的分布。在以上影响土壤含水量的诸多因素中，有些因素是可以直接定量化的，如气温、降水，即可测量和观察的数据。而有些因素直接定量化有一定难度，如土地平整度，对于该类因素一般依靠专家经验的偏多，涉及经验性信息和知识，我们把这类难以量化的数据称为软数据。也就是说，土壤含水量是诸多软数据和硬数据综合影响作用的结果。如何度量经验数据、乃至纳入模型进行计算和预测是建模人员面临的严峻挑战，BME在处理这类经验性信息和知识时有一套流程和技术规范，执行预测时，可以实现封装，并可实现软数据和硬数据集成。在作物生育期内，经验性信息和直觉性信息广泛存在，而这些信息深刻地影响着土壤的属性、改变着土壤的物理和化学过程，灌溉优度的判断、土壤类型的界定、耕地平整状况、管理措施等经验性的“本文档来自技高网...

【技术保护点】
1.一种基于贝叶斯最大熵的土壤含水量预测方法，其特征是，包括以下步骤：步骤1：选取示范性土壤地块，在土壤地块上设置若干个随机采样点；步骤2：构建土壤含水量的硬数据库和软数据库；步骤3：利用硬数据库和软数据库对随机采样点的土壤含水量进行处理，包括土壤含水量去趋势和探索性分析、数据正态性检验和时空协方差估计；步骤4：采用贝叶斯最大熵方法将硬数据库和软数据库集成在一起，对处理后的土壤含水量进行预测。

【技术特征摘要】
1.一种基于贝叶斯最大熵的土壤含水量预测方法，其特征是，包括以下步骤：步骤1：选取示范性土壤地块，在土壤地块上设置若干个随机采样点；步骤2：构建土壤含水量的硬数据库和软数据库；步骤3：利用硬数据库和软数据库对随机采样点的土壤含水量进行处理，包括土壤含水量去趋势和探索性分析、数据正态性检验和时空协方差估计；步骤4：采用贝叶斯最大熵方法将硬数据库和软数据库集成在一起，对处理后的土壤含水量进行预测。2.根据权利要求1所述的基于贝叶斯最大熵的土壤含水量预测方法，其特征是，所述土壤含水量的硬数据库的构建方法为：测量每个随机采样点的土壤含水量数据；划分所测量的随机采样点的土壤含水量数据的数据类型；分析并搜集影响土壤含水量典型影响因素，包括示范性土壤地块的降水量和环境温度；按照硬数据类型标准化处理方式，将土壤含水量数据的数据类型、示范性土壤地块的降水量和环境温度进行入库处理。3.根据权利要求2所述的基于贝叶斯最大熵的土壤含水量预测方法，其特征是，所述硬数据是TDR监测土壤含水量数据、物联网节点的实时监测土壤含水量数据或者采样点土样带回实验室测定的土壤含水量数据。4.根据权利要求1所述的基于贝叶斯最大熵的土壤含水量预测方法，其特征是，所述土壤含水量的软数据库的构建方法为：收集研究区域的先验知识和软数据信息；对不同类别的软数据进行系统归类整理；对于均一性软数据类型的软数据，分别用真实值区间的下界和真实值区间的上界来表征；对于高斯分布的软数据类型的软数据，则分别用真实值的均值和标准偏差值来表征；对于三角形的软数据类型的软数据，采用低限和高限的方式来输入BME模型进行计算；对于截尾型的高斯数据类型的软数据，用真实值的均值和标准偏差来表征。5.根据权利要求1所述的基于贝叶斯最大熵的土壤含水量预测方法，其特征是，所述软数据包括：栽培专家关于土壤含水量对作物生育过程的经验信息和对误差偏差的理解经验信息；统计特性明显的直方图、散点图、饼图和线状图的土壤含水量概率分布、作物不同生育期的土壤含水量概率分布、以及已有的土壤含水量均匀分布和高斯分布；作物生育期中与土壤含水量关系密切的全生育期数字化土壤类型图、全生育期数字化土壤质地和构型图、遥感数据、土地利用类型、土壤类型的地图数据；土壤表层含水量的文献软数据、文字报告、历史遗存的各种资料、固化的公理、公式和定理；所述均一性软数据类型、高斯分布的软数据类型、三角形的软数据类型和截尾型的高斯数据类型的软数据包括软数据中的一种或者几种。6.根据权利要求1所述的基于贝...

【专利技术属性】
技术研发人员：杨玉建，仝雪芹，王清华，杜振宇，葛忠强，
申请(专利权)人：山东省农业科学院科技信息研究所，山东省林业科学研究院，
类型：发明
国别省市：山东,37