System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于土壤墒情预测,尤其涉及一种基于土壤水分相关性分析的土壤墒情预测方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息,不必然构成在先技术。
2、土壤墒情是指土壤的干湿程度,即土壤含水量情况。土壤水是植物生长吸收水分的主要来源,直接影响农作物长势。快速准确地对土壤墒情进行预测可以提前预知土壤的干湿状况,为之后的农事活动提供精准的指导,从而更好的促进智慧农业的精准化、现代的发展。因此,实现对土壤墒情精准有效的预测,是发展智慧农业、促进智慧农业灌溉系统发展的重要环节。
3、土壤墒情主要的预测方法集中在时间序列分析模型、土层水量平衡法、土壤动力学法、经验公式法、消退指数法、bp神经网络法。李军等人在《基于arima模型的贵州省黄壤墒情预测研究》中为预测某省黄壤墒情的变化趋势,采用时间序列的arima模型进行研究,并用实测数据与模型的预测结果进行比较,结果表明:arima时间序列模型拟合土壤墒情的变化趋势较好,预测的土壤含水率接近于观测值,最大绝对误差为0.6%,最大相对误差为4.2%,可为干旱地区土壤墒情研究提供参考。
4、随着深度学习的发展,越来越多人应用深度学习方法对土壤墒情进行预测,张自豪等人在《基于深度学习方法预测缺资料区域深层土壤水分》中选取浑河流域作为试验区,采用时空融合的卷积-循环神经网络(cnn-rnn)深度学习方法,集成多源遥感数据和表层土壤水分数据预测缺资料区域浑河流域时空连续的深层土壤水分信息,结果表明:基于深度学习方法预测的浑河流域5~
5、专利《一种基于lstm深度学习模型的土壤墒情预测方法》在农田中收集土壤及气象数据,将收集的数据构建数据集,所构建的lstm深度学习模型具有一个输入层、二十五个隐藏层和一个输出层,通过训练样本集对lstm深度学习模型进行训练以得到调参后的lstm深度学习模型,再通过测试样本集对调参后的lstm深度学习模型进行验证,最终以验证后lstm深度学习模型作为土壤墒情预测模型,预测的平均相对误差<0.25%。
6、专利《一种基于机器学习算法的土壤水分预测方法》建立土壤水分数据及预测因子数据库:通过野外采样和备制获取土壤水分相关基础数据,基于arcgis平台建立土壤水分数据库;采用支持向量机、随机森林和bp神经网络算法在r语言环境下建立土壤水分预测模型;采用相关地统计分析方法对土壤水分进行综合评价和时空特征分析;通过交叉验证等方法分析预测模型,通过精度指标,对该方法的精度进行评价。
7、虽然以上方法已经实现了土壤墒情预测,但其共有的问题有:1)影响土壤墒情的因素考虑地并不全面;2)没有依据影响因素与土壤水分的相关性选择模型的输入特征;3)没有考虑土壤水分平衡、水分入渗和土壤蒸散等现象对模型预测结果的影响,导致土壤墒情预测的准确度不够高。
技术实现思路
1、为克服上述现有技术的不足,本专利技术提供了一种基于土壤水分相关性分析的土壤墒情预测方法及系统,加入了不同深度土层和各类气象数据与土壤水分相关性的分析,并结合土壤水分平衡模型、philip入渗模型、fao-penman-monteith模型对墒情预测模型进行了重构,得到了更为准确的墒情预测。
2、为实现上述目的,本专利技术的一个或多个实施例提供了如下技术方案:
3、本专利技术第一方面提供了一种基于土壤水分相关性分析的土壤墒情预测方法。
4、一种基于土壤水分相关性分析的土壤墒情预测方法,包括:
5、分析不同深度土层与土壤水分相关性,得到不同深度土壤墒情之间的皮尔逊相关系数;
6、对待预测土壤以预设间隔进行分层,获取第一土层的土壤容重,并采集当前的气象特征值,构成土壤墒情预测模型的输入特征;
7、将输入特征输入到训练好的土壤墒情预测模型中,得到第一土层的土壤墒情预测值;
8、基于第一土层的土壤墒情预测值,根据不同深度土壤墒情之间的皮尔逊相关系数,预测其他深度的土壤墒情预测值;
9、其中,所述土壤墒情预测模型是对初始的lstm模型进行重构,根据土壤水分平衡模型、philip入渗模型和fao-penman-monteith土壤蒸散校正公式确定lstm模型的输入参数,得到最终完整的土壤墒情预测模型。
10、进一步的,所述分析不同深度土层与土壤水分相关性,具体为:
11、在指定的研究区域选取土壤墒情以及气象数据监测点,使用土壤墒情仪收集数据;
12、对数据进行预处理,将人工灌溉等效于单次降雨进行降雨量插值;
13、基于预处理后的数据,通过acr自相关检验和ccr互相关检验分析不同深度的土壤层次之间水分含量变化相关性,得到不同深度土壤墒情之间的皮尔逊相关系数。
14、进一步的,所述对初始的lstm模型进行重构,具体为:
15、分析各类气象数据与土壤水分相关性,确定对土壤墒情产生直接影响的气象因素;
16、根据土壤水分平衡模型、philip入渗模型和fao-penman-monteith土壤蒸散校正公式,从气象因素中筛选出lstm模型的输入参数,作为土壤墒情的气象特征。
17、进一步的,所述分析各类气象数据与土壤水分相关性,具体为:
18、分析各气象参数、土壤温度与土层含水量的相关性及自身方差,确定对土壤墒情产生直接影响的气象因素。
19、进一步的,所述根据土壤水分平衡模型、philip入渗模型和fao-penman-monteith土壤蒸散校正公式,从气象因素中筛选出lstm模型的输入参数,具体为:
20、根据土壤水分平衡模型,估算土壤水分的增减情况;
21、结合philip入渗模型和已知的降水数据,估算水分进入土壤的速率;
22、考虑气象条件、土壤性质以及植被因素,利用fao-penman-monteith土壤蒸散校正公式来估算土壤蒸散发;
23、依据上述估算结果,分析各个气象因素对土壤水分的影响,从而筛选出lstm模型的输入参数。
24、进一步的,所述土壤水分平衡模型,用公式表示为:
25、rr+ir=rp+rs+sf+pm+sw+et
26、其中,rr为降水;ir为灌溉水;rp为植被截流;rs为农田径流;sf为农田渗漏;pm为植被汗水;sw为土壤含水;et为农田蒸散。
...【技术保护点】
1.一种基于土壤水分相关性分析的土壤墒情预测方法,其特征在于,包括:
2.如权利要求1所述的一种基于土壤水分相关性分析的土壤墒情预测方法,其特征在于,所述分析不同深度土层与土壤水分相关性,具体为:
3.如权利要求1所述的一种基于土壤水分相关性分析的土壤墒情预测方法,其特征在于,所述对初始的LSTM模型进行重构,具体为:
4.如权利要求3所述的一种基于土壤水分相关性分析的土壤墒情预测方法,其特征在于,所述分析各类气象数据与土壤水分相关性,具体为:
5.如权利要求3所述的一种基于土壤水分相关性分析的土壤墒情预测方法,其特征在于,所述根据土壤水分平衡模型、Philip入渗模型和FAO-Penman-Monteith土壤蒸散校正公式,从气象因素中筛选出LSTM模型的输入参数,具体为:
6.如权利要求5所述的一种基于土壤水分相关性分析的土壤墒情预测方法,其特征在于,所述土壤水分平衡模型,用公式表示为:
7.如权利要求5所述的一种基于土壤水分相关性分析的土壤墒情预测方法,其特征在于,所述Philip入渗模型,用公式表示为
8.如权利要求5所述的一种基于土壤水分相关性分析的土壤墒情预测方法,其特征在于,所述FAO-Penman-Monteith土壤蒸散校正公式,用公式表示为:
9.如权利要求1所述的一种基于土壤水分相关性分析的土壤墒情预测方法,其特征在于,最终确定的对土壤墒情产生影响的气象特征,包括选取大气压力、风速、风向、雨量、空气温度、太阳辐射强度和累计太阳辐射量这七个气象参数。
10.一种基于土壤水分相关性分析的土壤墒情预测系统,其特征在于,包括相关性分析模块、数据获取模块、第一预测模块和第二预测模块:
...【技术特征摘要】
1.一种基于土壤水分相关性分析的土壤墒情预测方法,其特征在于,包括:
2.如权利要求1所述的一种基于土壤水分相关性分析的土壤墒情预测方法,其特征在于,所述分析不同深度土层与土壤水分相关性,具体为:
3.如权利要求1所述的一种基于土壤水分相关性分析的土壤墒情预测方法,其特征在于,所述对初始的lstm模型进行重构,具体为:
4.如权利要求3所述的一种基于土壤水分相关性分析的土壤墒情预测方法,其特征在于,所述分析各类气象数据与土壤水分相关性,具体为:
5.如权利要求3所述的一种基于土壤水分相关性分析的土壤墒情预测方法,其特征在于,所述根据土壤水分平衡模型、philip入渗模型和fao-penman-monteith土壤蒸散校正公式,从气象因素中筛选出lstm模型的输入参数,具体为:
6.如权利要求5所...
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。