【技术实现步骤摘要】
本专利技术创造属于农业水管理，尤其涉及一种基于变化环境下田间生育期水循环要素关联预测算法。
技术介绍
1、研究农业水循环规律，农田水循环是水循环的重要组成部分，农田水循环过程对作物的生长发育有着直接的影响，对于水资源规划和节水有着重要的意义。降水、蒸发、径流等水文要素的变化显著影响农田水循环过程，其中降水量、地表径流和蒸散发是对农田水循环影响的重要因素之一。充分考虑各个因素之间的内在联系对于农田水循环过程的影响尤为重要。基于针对农田生育期水循环系统的要素关联预测方法的构建对农业节水有着重要意义。
2、目前的研究针对农田水循环的内容有很多，农田水循环主要基于各种模型和算法分析,其适用范围还存在局限性,准确度也有待于进一步完善。目前大部分是对农田水循环中单个水文要素进行研究，未能充分考虑各个水文要素之间的内在联系；农业水文要素的研究大多在区域大尺度上通过遥感技术等进行模拟和预测，针对农田小尺度各要素间预测还鲜有报道；农田水循环各个要素之间的内在联系会对整体农田水循环过程的预测产生一定的影响，但现有的模型或预测方法未考虑各要素内在联系以及其对预测精度的影响；农田水循环过程具有一定的时效性，降水、径流和蒸散发与时间有着密切的动态响应，然而，现有模型并未构建要素关联随机性的动态网络预测模型；基于农田水循环各要素内在联系的预测是在现有历史数据的基础上进行的，现有模型无法估计未来气候变化下各要素间的内在联系是否会发生变化，也无法衡量其变化的程度，以及关联变化对未来气候变化所影响的农田水循环预测结果将产生怎样的影响。因此，亟需较为全
技术实现思路
1、本专利技术创造的目的就是针对上述现有技术存在的问题，提供一种基于变化环境下田间生育期水循环要素关联预测算法，重点考虑了水循环中的农田水循环过程，对农田水循环中的降水量、地表径流和蒸散发三个要素之间的内在联系进行构建；基于三个要素的内在联系，考虑了其对农田水循环动态网络预测的影响；整合未来气候影响下各要素间的内在联系的变化程度，降低了未来极端气候变化对模型预测精度的影响。
2、本专利技术具有如下优点：①考虑了降水量、地表径流和蒸散发之间的内在联系；②考虑了水循环要素对变化环境的响应特征，建立农田水循环要素关联随机性的动态网络预测模型；③降低了未来气候变化对农田水循环过程的不确定性影响；④将传统的二维贝叶斯网络模型改进为三维。
3、本专利技术创造的技术方案是这样实现的：一种基于变化环境下田间生育期水循环要素关联预测算法，其特征在于，包含如下步骤：
4、s1：基础数据收集；
5、s2：构建蒸散发模型，计算eta；
6、s3：构建三维copula函数，建立降水量、地表径流和蒸散发之间的内在联系：
7、①准备降水量、地表径流和蒸散发长序列数据；
8、②边缘分布参数估计，确定最优分布；
9、③拟合copula模型：把最优分布带入copula模型，进行参数估计；
10、④gaussian copula拟合优度检验：通过联合分布频率与联合实测样本进行拟合检验，采用ols准则等方法进行计算，最小的计算值为最优的gaussian copula函数。
11、⑤划分概率分布：根据三维gaussian copula函数的推算，将降水量、地表径流和蒸散发三个变量根据发生概率各自分为大概率区间、中概率区间、小概率区间，所述三个变量组合得到27种不同形式的组合概率分布；
12、s4：构建贝叶斯网络模型，得到预测函数；将s3得到的概率分布作为先验概率输入到贝叶斯理论模型，得到预测函数，推求降水量、地表径流和蒸散发的后验概率；
13、s5：构建农田水循环水量平衡模型，将s4得到的降水量、地表径流和蒸散发的后验概率以及组合概率，计算各变量之间的影响概率，得到时段末土壤含水量的数值。
14、优选地，s1中所述基础数据包括：长时间序列的初始土壤含水量、降水量，地表径流量、作物表面的净辐射、土壤热通量、2m高度处的空气温度、2m高度处的风速、饱和水汽压、实际水汽压、水汽压曲线斜率、湿度计常数。
15、优选地，s2中，蒸散发参照作物是一种假想的草,所述参照物高度为0.12m,具有固定的表面阻力70s/m和发射率0.23；采用penman-monteith公式作为计算eto的标准方法：
16、
17、式中，rn是作物表面的净辐射,mj/(m2·d)；g是土壤热通量,mj/(m2·d)；t是2m高度处的空气温度,℃；μ2是2m高度处的风速,m/s；es是饱和水汽压,kpa；ea是实际水汽压,kpa；δ是水汽压曲线斜率,kpa/℃；γ是湿度计常数,kpa/℃；
18、eta＝kc·kst·eto
19、式中，kst是t时段的土壤水分胁迫系数(无量纲)；kc是时间周期t(无量纲)内的作物系数，随作物和生育期的不同而变化；
20、优选地，s3中，所述边缘分布参数通过极大似然法对参数进行估计：
21、水文随机变量x服从确定的概率密度函数f(x,y,z,θ)，构造似然函数l(θ)：
22、
23、式中，θ为需估计的参数；xi,yi,zi为随机变量x的观测值；
24、极大似然的估计式：
25、
26、满足极大似然估计的参数θ称为似然估计值，为取值范围内参数最优解；
27、在同值处l(θ)和in(l(θ))都取得极值：
28、
29、分布拟合优选，采用ols准则，计算结果最小的为拟合效果最好的分布：
30、
31、式中，n为样本容量；pei为经验频率，pei＝k1(n+1)其中k为实测序列降序后的序号，pi为理论频率，也称超过概率，有pi＝1―f(xi,yi,zi)。
32、优选地，s3中，所述大概率区间为62.5％-100％；中概率区间为37.5％-62.5％、小概率区间为0-37.5％。
33、优选地，s4中，所述贝叶斯网络模型bn由网络结构g和参数构成，网络结构g＝(m,b)，其中m为节点集合，每个节点对应一个随机变量，b为有向边的集合；参数是每个节点的条件概率分布，能反映节点与其父节点的概率依赖关系的强弱；令xm为网络中节点m代表的随机变量，利用链规则，则包含m个变量的联合概率分布计算公式为：
34、
35、当一个节点的父节点概率分布确定之后，该节点条件独立于其非后代节点构成的任何节点子集。即p(xm|x1,x2,…xm-1)＝p(xm|π(xm))，公式简化为：
36、
37、优选地，s5中所述的农田水量平衡方程，其中，农田为旱田时水循环模型为：
38、w(t)＝w0+[iwwel(t)+iwli本文档来自技高网...
【技术保护点】
1.一种基于变化环境下田间生育期水循环要素关联预测算法，其特征在于，包含如下步骤：
2.根据权利要求1所述的一种基于变化环境下田间生育期水循环要素关联预测算法，其特征在于：S1中所述基础数据包括：长时间序列的初始土壤含水量、降水量，地表径流量、作物表面的净辐射、土壤热通量、2m高度处的空气温度、2m高度处的风速、饱和水汽压、实际水汽压、水汽压曲线斜率、湿度计常数。
3.根据权利要求1所述的一种基于变化环境下田间生育期水循环要素关联预测算法，其特征在于：S2中，蒸散发参照作物是一种假想的草，所述参照物高度为0.12m,具有固定的表面阻力70s/m和发射率0.23；采用Penman-Monteith公式作为计算ETo的标准方法：
4.根据权利要求1所述的一种基于变化环境下田间生育期水循环要素关联预测算法，其特征在于：S3中，所述边缘分布参数通过极大似然法对参数进行估计：
5.根据权利要求1所述的一种基于变化环境下田间生育期水循环要素关联预测算法，其特征在于：S3中，所述大概率区间为62.5％-100％；中概率区间为37.5％-62.5％
6.根据权利要求1所述的一种基于变化环境下田间生育期水循环要素关联预测算法，其特征在于：S4中，所述贝叶斯网络模型BN由网络结构G和参数构成，网络结构G＝(M,B)，其中M为节点集合，每个节点对应一个随机变量，B为有向边的集合；参数是每个节点的条件概率分布，能反映节点与其父节点的概率依赖关系的强弱；令Xm为网络中节点m代表的随机变量，利用链规则，则包含M个变量的联合概率分布计算公式为：
7.根据权利要求1所述的一种基于变化环境下田间生育期水循环要素关联预测算法，其特征在于：S5中所述的农田水量平衡方程，其中，农田为旱田时水循环模型为：
...【技术特征摘要】
1.一种基于变化环境下田间生育期水循环要素关联预测算法，其特征在于，包含如下步骤：
2.根据权利要求1所述的一种基于变化环境下田间生育期水循环要素关联预测算法，其特征在于：s1中所述基础数据包括：长时间序列的初始土壤含水量、降水量，地表径流量、作物表面的净辐射、土壤热通量、2m高度处的空气温度、2m高度处的风速、饱和水汽压、实际水汽压、水汽压曲线斜率、湿度计常数。
3.根据权利要求1所述的一种基于变化环境下田间生育期水循环要素关联预测算法，其特征在于：s2中，蒸散发参照作物是一种假想的草，所述参照物高度为0.12m,具有固定的表面阻力70s/m和发射率0.23；采用penman-monteith公式作为计算eto的标准方法：
4.根据权利要求1所述的一种基于变化环境下田间生育期水循环要素关联预测算法，其特征在于：s3中，所述边缘分布参数通过极大似然法...
【专利技术属性】
技术研发人员：李茉，陈颖珊，付强，许相惠，刘东，
申请(专利权)人：东北农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。