CN101276446B - 一种区域作物需水量测算方法 - Google Patents

Abstract

本发明公开了一种区域作物需水量的测算方法，包括如下步骤：选定测算区域，从系统数据库中调用测算区域的DEM、作物种植结构、土壤类型、气象因子和作物需水数据；对地形因子数据、气象因子数据进行插值处理，获得区域的影响因子的栅格数据库集；从各地形因子数据、土壤类型数据和气象因子数据提取影响作物需水量的综合因子数据；将综合因子数据与作物需水量建立非线性影射关系，获得不同作物的需水量数据；本发明可对不同的影响因子采用不同的空间化处理方法，充分考虑各影响因素的空间变异性，经过原始数据的变换处理和统计学习理论的应用，有效地减少运算工作量和提高数据分析效率，提高复杂地形稀疏站点条件下区域作物需水量的测算精度。

Description

一种区域作物需水量测算方法

技术领域

本发明涉及农田水利工程领域，涉及到对农田水利以及水文水资源系统中区域作物需水量的测算方法。

背景技术

目前，作物需水量是水土资源平衡计算、灌溉工程规划设计与运行管理中不可缺少的基本数据。准确地测定和测算作物需水量不仅是制定作物灌溉制度和区域灌溉需水计划的基本依据，而且业已成为监测农业旱情、提高区域水资源利用效率的关键环节。

作物需水量的研究近200多年来一直受到国内外的高度重视，研究提出了很多测定和测算方法，但这些方法大都以计算单点的作物需水量为主，由于作物需水量具有较大的空间变异性，这些定点数据大多不能直接用于其它点上，更不能代替某一较大面积上的平均值，但是目前无论是农田水利工程的规划、设计和管理，还是地区间水量水权分配，跨流域引水、调水的决策需要的实际上都是不同尺度的区域作物需水量。传统的区域作物需水量测算方法采取的是以点代面方法但由于人力、物力、财力等的限制，人们不可能无限制地布设监测站点，特别在地形变化较大的区域，作物需水量的空间分布更为复杂，由于不能考虑地形等因子的影响，因此测算精度难以满足实际工作需求。

发明内容

针对现有技术存在的问题，本发明要解决的技术问题是提供一种区域作物需水量的测算方法，利用该方法不仅可对影响作物需水量的主要影响因子进行综合分析和数据变换，降低数据处理的工作量，提高运行效率，而且可考虑复杂地形对作物需水量空间分布的影响，提高复杂地形稀疏站点条件下区域作物需水量的测算精度，为区域水资源的优化配置方案的制定提供基础数据。

本发明解决其技术问题所采取的技术方案是：一种区域作物需水量的测算方法，该方法包括如下步骤：

(1)选定测算区域，从系统数据库中调用DEM(即Digital elevationmodel)、土壤类型、作物种植结构、气象因子和作物需水数据；

(2)考虑宏观地形因子数据、根据系统中的DEM数据派生出坡度、坡向、遮蔽度等微观地形因子数据和辐射因子数据，得到微观地形因子数据；

(3)根据用户所设定的精度和选用的数据插值方法，对地形因子数据、气象因子数据进行数据空间化处理，获得区域的影响因子的栅格数据库集；

(4)根据步骤(3)获得的区域栅格数据库集和土壤类型数据库，从各地形因子数据、土壤类型因子数据、气象因子数据提取影响作物需水量的综合因子数据；

(5)从步骤(4)获得的综合因子数据筛选出各监测点的综合因子数据并与不同作物需水量建立非线性影射关系，根据它们之间的关系获得不同作物的需水量数据；

(6)根据系统中作物种植结构情况和步骤(5)获得的不同作物需水量数据，采用地图代数方法测算出区域作物需水量；

所述的区域作物需水量的测算方法，对步骤(3)对地形因子数据和气象因子数据进行插值过程中，采用交叉验证方法，通过误差均值、误差均方根、估值标准差、平均标准差、标准均方根估值误差指标来反映插值精度。

所述的区域作物需水量的测算方法，对步骤(3)对地形因子数据和气象因子数据进行插值的方法选用反距离加权插值法、最小曲率法、改进谢别德法、自然邻点插值法、最近邻点活值法、多元回归法、径向基函数插值法、三角网线性插值法或地统计学方法。

所述的区域作物需水量的测算方法，在步骤(4)中对综合因子数据提取采用原始数据归一化或原始数据归一化和主成分分析法的结合方法。

所述的区域作物需水量的测算方法，在步骤(5)中，采用小样本统计学习理论来建立综合因子数据与作物需水量之间的非线性影射关系。

所述的区域作物需水量的测算方法，步骤(6)得出的区域作物需水量采用实现区域空间位置的可视化表达或采用数据表格形式存储。

本发明其核心是利用具有较多监测数据，又对作物需水量影响较大的地形因子、气象因子，采用系统提供的插值方法进行空间化处理，并对这些影响因子进行数据变换和主成分分析，提取出能充分代表这些因子的主成分，将提取得到的主成分(综合影响因子)与作物需水量进行非线性映射，根据综合影响因子与不同作物需水量的映射关系，再将映射数据根据特定的规则进行数据转换就可得到不同作物的需水量分布情况，考虑区域作物的种植结构情况就可得到区域作物需水量。本发明可对不同的影响因子采用不同的空间化处理方法，充分考虑各影响因素的空间变异性，因此较传统的以点代面的区域作物测算方法精度显著提高。本发明经过对原始数据的变换处理和小样本统计学习理论的应用，因此可大大提高数据处理效率和提高复杂地形稀疏站点条件下区域作物需水量的测算精度。

具体实施方式

本发明通过对原始监测数据的预处理，提出一种考虑空间变异性的区域作物需水量测算方法，该系统不仅可考虑各影响因子的空间变异性，而且可有效提高复杂地形稀疏站点条件下的测算精度，为区域水资源的优化配置方案的制定提供基础数据。

本发明的具体实施方法包括如下几个步骤：

(1)选定测算区域，

从系统数据库中调用该区域中DEM(Digital elevation model)、作物种植结构、气象因子和作物需水数据；

(2)考虑宏观地形因子数据、根据系统中的DEM数据派生出坡度、坡向、遮蔽度等微观地形因子数据和辐射因子数据，得到微观地形因子数据；

(3)根据用户所设定的精度，根据选用的方法对地形因子数据、气象因子数据进行插值处理，获得区域的影响因子的栅格数据库集；插值方法可选用反距离加权插值法、最小曲率法、改进谢别德法、自然邻点插值法、最近邻点活值法、多元回归法、径向基函数插值法、三角网线性插值法或地统计学方法；

(4)依靠步骤(3)获得区域的影响因子的栅格数据库集，对各地形因子数据、土壤类型因子数据和气象因子数据采用主成分分析方法获取影响作物需水量综合因子数据，通过数据变换和降维处理，使综合因子数据既能尽量多地反映原来较多因子所反映的信息，同时各因子之间又彼此独立，因此在有效减轻工作量的同时，还提高了精度。

本发明提供的综合代表性影响因子的提取采用以下中的一种或几种的结合：原始数据归一化、主成分分析。具体实施方式如下

原始数据归一化过程：

设P＝{P₁，P₂，...，P_m}是某一区域内站点，V＝{V₁，V₂，...，V_n}是地形、土壤类型、气象等影响因子中的n个影响因子，它们具有不同的类型和量纲.影响因子矩阵X如下：

$X=\left[\begin{array}{cccc}{X}_{11}& X_{12}& \mathrm{\Λ}& X_{1n}\\ X_{21}& X_{22}& \mathrm{\Λ}& X_{2n}\\ & & M& \\ X_{m1}& X_{m2}& \mathrm{\Λ}& X_{\mathrm{mn}}\end{array}\right]$

式中，X_ij代表第i个站点的第j个影响因子值。记第j个影响因子V_j的最小值、最大值分别为V_jmin、V_jmax：

V_jmax＝max(X_ij)，j＝1，2，...，n                     (2)

可分别选用下式进行归一化：

$Y_{\mathrm{ij}}=\frac{X_{\mathrm{ij}}-V_{j\min }}{V_{j\max }-V_{j\min }}\mathrm{\β}+\mathrm{\α}---\left(3\right)$

$Y_{\mathrm{ij}}=\frac{V_{j\max }-X_{\mathrm{ij}}}{V_{j\max }-V_{j\min }}\mathrm{\β}+\mathrm{\α}---\left(4\right)$

上式中：β一般选0.9，α＝(1-β)/2。

当X_ij≤A，则 $Y_{\mathrm{ij}}=1-\frac{A-X_{\mathrm{ij}}}{\max (A-V_{j\min },V_{j\max }-B)}---\left(5\right)$

当X_ij≥B，则 $X_{\mathrm{ij}}=1-\frac{X_{\mathrm{ij}}-B}{\max (A-V_{j\min },V_{j\max }-B)}---\left(6\right)$

式中[A，B]分别为区间型影响因子的最佳稳定区间。

通过上述计算就可得到归一化数据矩阵Y

$Y=\left[\begin{array}{cccc}{Y}_{11}& Y_{12}& \mathrm{\Λ}& Y_{1n}\\ Y_{21}& Y_{22}& \mathrm{\Λ}& Y_{2n}\\ & & M& \\ Y_{m1}& Y_{m2}& \mathrm{\Λ}& Y_{\mathrm{mn}}\end{array}\right]$

主成分分析过程：

根据确定的测算区域中的气象或灌溉试验站点数目n和确定的气象、土壤类型、地形因子p，，每个站点p个影响因子的值分别为x₁，x₂，...x_p，就得到了一个n×p阶矩阵：

$X=\left\{\begin{array}{cccc}{x}_{11}& x_{12}& \mathrm{\Λ}& x_{1p}\\ x_{21}& x_{22}& \mathrm{\Λ}& x_{2p}\\ M& M& M& M\\ x_{n1}& x_{n2}& \mathrm{\Λ}& x_{\mathrm{np}}\end{array}\right\}---\left(7\right)$

如果记原来的变量指标为x₁，x₂，...，x_p，它们的综合指标—新变量指标为y₁，y₂，...，y_m(m≤p)。则可将x＝(x₁，x₂，L，x_p)的p个指标综合成p个新指标，新的指标可以由原来的指标x₁，x₂，Λ，x_p线性表示，即

$\left\{\begin{array}{c}{y}_1={\mathrm{\μ}}_{11}{x}_1+{\mathrm{\μ}}_{12}{x}_2+\mathrm{\Λ}+{\mathrm{\μ}}_{1p}{x}_p\\ y_2={\mathrm{\μ}}_{21}{x}_1+{\mathrm{\μ}}_{22}{x}_2+\mathrm{\Λ}+{\mathrm{\μ}}_{2p}{x}_p\\ \begin{array}{ccc}M& M& M\end{array}\\ y_m={\mathrm{\μ}}_{m1}{x}_1+{\mathrm{\μ}}_{m2}{x}_2+\mathrm{\Λ}+{\mathrm{\μ}}_{\mathrm{mp}}{x}_p\end{array}\right.---\left(8\right)$

在(8)式中，系数μ_ij由下列原则来决定：

(1)y_i与y_j(i≠j；i，j＝1，2，...，m)相互无关；

(2)y₁是x₁，x₂，...，x_p的一切线性组合中方差最大者；y₂是与y₁不相关的x₁，x₂，...，x_p的所有线性组合中方差最大者；......；y_m是与y₁，y₂，......y_m-1都不相关的x₁，x₂，...，x_p的所有线性组合中方差最大者。

这样决定的新变量指标y₁，y₂，...，y_m分别称为原变量指标x₁，x₂，...，x_p的第一，第二，...，第m主成分。其中，y₁在总方差中占的比例最大，y₂，y₃，...，y_m的方差依次递减。根据用户设定的主成分选择方式得到主成分，从而达到简化系统结构，抓住问题实质的目的。通过上述数据的变换，不仅可以有效提高数据处理效率，而且可以提高测算精度。

对地形因子数据和气象因子数据进行插值过程中，充分考虑各影响因子数据的空间变异性，采用交叉验证方法，通过误差均值、误差均方根、估值标准差、平均标准差、标准均方根估值误差等指标来反映插值精度。

(5)从步骤(4)获得的综合因子数据筛选出各监测点的综合因子数据并与不同作物需水量建立非线性影射关系，根据它们之间的关系获得不同作物的需水量数据；

(6)根据系统中作物种植结构情况和获得的不同作物需水量数据，采用地图代数方法测算出区域作物需水量；

本发明提供的方法，采用了小样本统计学习理论来建立主要影响因子与作物需水量之间的非线性影射关系，可以显著提高复杂地形稀疏站点条件下的区域作物需水量。

本发明充分考虑了区域作物种植结构情况来测算区域作物需水总量。区域作物需水量测算结果既可以实现区域空间位置的可视化表达，也可以采用数据表格形式存储。

Claims (6)

1.一种区域作物需水量的测算方法，其特征在于：该方法包括如下步骤：

(1)选定测算区域，从系统数据库中调用DEM、土壤类型、作物种植结构、气象因子数据和作物需水数据；

(2)考虑宏观地形因子数据、根据系统中的DEM数据派生出微观地形因子数据和辐射因子数据；

(3)根据用户所设定的精度和选用的数据插值方法，对地形因子数据、气象因子数据进行数据空间化处理，获得区域的影响因子的栅格数据库集；

(4)根据步骤(3)获得的区域栅格数据库集和土壤类型数据库，从各地形因子数据、土壤类型因子数据、气象因子数据提取影响作物需水量的综合因子数据；

(5)从步骤(4)获得的综合因子数据筛选出各监测点的综合因子数据并与不同作物需水量建立非线性影射关系，根据它们之间的关系获得不同作物的需水量数据；

(6)根据系统中作物种植结构情况和步骤(5)获得的不同作物需水量数据，测算出区域作物需水量。

2.根据权利要求1所述的区域作物需水量的测算方法，其特征在于：对步骤(3)对地形因子数据和气象因子数据进行插值过程中，采用交叉验证方法，通过误差均值、误差均方根、估值标准差、平均标准差、标准均方根估值误差指标来反映插值精度。

3.根据权利要求1所述的区域作物需水量的测算方法，其特征在于：对步骤(3)对地形因子数据和气象因子数据进行插值的方法选用反距离加权插值法、最小曲率法、改进谢别德法、自然邻点插值法、最近邻点活值法、多元回归法、径向基函数插值法、三角网线性插值法或地统计学方法。

4.根据权利要求1所述的区域作物需水量的测算方法，其特征在于：在步骤(4)中对综合因子数据提取采用原始数据归一化或原始数据归一化和主成分分析法的结合方法。

5.根据权利要求1所述的区域作物需水量的测算方法，其特征在于：在步骤(5)中，采用小样本统计学习理论来建立综合因子数据与作物需水量之间的非线性影射关系。

6.根据权利要求1所述的区域作物需水量的测算方法，其特征在于：步骤(6)得出的区域作物需水量采用区域空间位置的可视化表达或采用数据表格形式存储。