CN108876005A - 基于天气信息的冬小麦灌溉预报方法 - Google Patents
基于天气信息的冬小麦灌溉预报方法 Download PDFInfo
- Publication number
- CN108876005A CN108876005A CN201810428429.9A CN201810428429A CN108876005A CN 108876005 A CN108876005 A CN 108876005A CN 201810428429 A CN201810428429 A CN 201810428429A CN 108876005 A CN108876005 A CN 108876005A
- Authority
- CN
- China
- Prior art keywords
- irrigation
- soil
- soil moisture
- prediction
- water
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003973 irrigation Methods 0.000 title claims abstract description 90
- 230000002262 irrigation Effects 0.000 title claims abstract description 90
- 241000209140 Triticum Species 0.000 title claims abstract description 35
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000002689 soil Substances 0.000 claims abstract description 119
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 88
- 238000009736 wetting Methods 0.000 claims abstract description 14
- 238000001556 precipitation Methods 0.000 claims description 49
- 238000004088 simulation Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 5
- 230000006735 deficit Effects 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 4
- 241000372132 Hydrometridae Species 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 239000003673 groundwater Substances 0.000 claims description 2
- 230000008020 evaporation Effects 0.000 claims 1
- 238000001704 evaporation Methods 0.000 claims 1
- 230000005068 transpiration Effects 0.000 claims 1
- 230000009466 transformation Effects 0.000 abstract description 3
- ODKSFYDXXFIFQN-UHFFFAOYSA-N Arginine Chemical compound OC(=O)C(N)CCCNC(N)=N ODKSFYDXXFIFQN-UHFFFAOYSA-N 0.000 description 7
- 230000012010 growth Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000009395 breeding Methods 0.000 description 6
- 230000001488 breeding effect Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000002948 stochastic simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于天气信息的冬小麦灌溉预报方法，包括以下步骤：(1)土壤水分预测模型：建立水量平衡方程，结合实时预报的作物和气象信息完成对土壤含水量的预测；(2)土壤水分预测模型验证；(3)墒情判别指标及灌溉预报系统的建立；本发明利用水量平衡方程，构建了土壤水分预测模型，并对冬小麦的逐旬土壤水分变化进行预测，预测值和实测值较为接近，具有较高的预测精度；依据土壤水分控制下限指标和计划湿润层深度，确定灌水时间和灌水量，构建了灌溉预报系统。
Description
技术领域
本发明涉及灌溉预报技术领域，具体涉及一种基于天气信息的冬小麦灌溉预报方法。
背景技术
基于天气信息的灌溉预报与以往预报的不同就在于它是一种动态预报，是以各种最新的实测资料和最近的预测结果为依据，结合实时天气信息、土壤水分状况和作物生长趋势等，通过计算机对各田块的土壤水分动态进行数值模拟，对作物所需要的灌水日期及灌水量做出预报。在进行灌溉预报时，需要选择适宜的预报模型，目前运用较多的是以水量平衡方程建立实时预报模型。
灌溉预报实际上是在墒情预报的基础上，结合天气预报信息进行的，因此，在灌溉预报过程中准确确定未来时段的气象状况是至关重要的。在预报过程中，作物耗水量的估算也非常重要，可利用通用的作物系数法求得。参考作物蒸散量一般选择基于天气预报可测因子(温度)的模型进行计算。同样考虑天气预报中温度的可量化性，建立基于有效积温的作物系数模拟模型。灌溉预报模型的选择是一项非常重要的工作，选择适宜的模型计算所需的参数可以获得较高的预报精度。
发明内容
本发明的目的在于提供一种基于天气信息的冬小麦灌溉预报方法，利用水量平衡方程，构建了土壤水分预测模型，并对冬小麦的逐旬土壤水分变化进行预测，预测值和实测值较为接近，具有较高的预测精度；依据土壤水分控制下限指标和计划湿润层深度，确定灌水时间和灌水量，构建了灌溉预报系统。
为实现以上目的，本发明通过以下技术方案予以实现：
一种基于天气信息的冬小麦灌溉预报方法，包括以下步骤：
(1)土壤水分预测模型
利用土壤计划湿润层内的含水量为研究对象，建立水量平衡方程，结合实时预报的作物和气象信息完成对土壤含水量的预测；水量平衡方程可以表示为：
Wi＝W0+Wri+Pei+Ii-ETci-Gi-Ri
式中：W0、Wi分别为时段初土壤含水量和任一时间i的土壤计划湿润层内的含水量；Wri为时段内由于计划湿润层增加而增加的水量；Ii为时段内的灌水量；Pei为时段内的有效降雨量；ETci为时段内作物的耗水量，通过构建的模型预测；Ri为地面径流量；Gi为地下水补给量；
(2)土壤水分预测模型验证
运用所建立的模型及水量平衡方程得到下一旬的预测值，同时对逐旬土壤水分的预测结果进行实时修正，即对下一旬的预报均以上一旬旬末的实测土壤含水量为基础；
(3)墒情判别指标及灌溉预报系统的建立
a、墒情判别指标
根据影响规律明确冬小麦不同生育阶段节水高产的土壤墒情判别指标；
b、灌溉日期和灌溉水量的预报
为了满足农作物正常生长发育的需要，任一时段内作物根系吸水层内的储水量必须经常保持在一定的适宜范围以内，实时预报中灌溉指标采用冬小麦不同生育阶段的适宜含水量下限值和田间持水量。灌溉日期即为计划湿润层的土壤水分下降到该生育阶段的适宜含水量下限的日期。灌溉水量的计算公式为：
W＝1000(θj-θmin)Hγ
式中：W为灌水量，mm；θj为田间持水率；θmin为作物生育期的适宜含水率下限；H为计划湿润层深度，m；γ为土壤干容重，g/cm3或t/m3。
c、实时灌溉预报的修正
在每次测量得到田间土壤含水量后，下一次的预测就要以此次的实测值和天气信息为基础，从而确定灌水日期和灌水定额；
d、建立灌溉预报系统。
优选地，所述时段初土壤含水量W0、任一时间i的土壤计划湿润层内的含水量Wi和时段内由于计划湿润层增加而增加的水量Wri，均通过田间实测土壤水分资料获得；时段内的灌水量Ii由量水设备和设施计量确定。
优选地，时段内作物的耗水量ETci的计算采用作物系数法，即通过某时段i的参考作物需水量ET0i和作物系数Kci确定具体作物的耗水量ETci，其具体表达式如下：
ETci＝Kci·ET0i
在水分亏缺条件下，作物耗水量的计算引入土壤水分修正因子Ksi，即
ETci＝Ksi·Kci·ET0i
式中，当Ksi＝1.0时，ETci即为水分充足条件下作物耗水量。
其中，基于天气预报的ET0逐日预测模型：
利用天气预报可测因子(温度)，借助Hargreaves公式来估算ET0，具体公式如下：
式中，Ra为大气顶层辐射，单位为MJ/(m2·d)；λ为水汽化潜热，其值为2.45MJ/kg；Tmax、Tmin分别为最高气温和最低气温，℃。
作物系数Kci的确定：
对于同一种作物某一品种而言，作物系数Kci主要受作物生长发育过程的控制，与冠层的发育有密切的关系；叶面积指数LAI与作物系数相关数据拟合分析表明，两者呈明显的线性关系，拟合方程如下：
Kci＝a·LAI+b
根据冬小麦田间试验数据回归分析显示，a、b参数分别为0.14、0.3918，决定系数R2为0.9277。
除遗传特性外，生育期内的温度是影响作物生长发育的最重要因子。作物的积温需求具有较好的稳定性，积温与冬小麦LAI具有较好的相关性，试验分析表明，Logistic曲线能对两者的变化趋势作出很好的模拟，扩充后的五次Logistic曲线较扩充前的二次Logistic曲线拟合的精度更高，扩充后的五次Logistic模型对整个生育期内的变化趋势决定系数为0.9770，估计误差SSE为0.08315，可见模型具有较高的精度。
式中，LAImax为冬小麦生育期最大叶面积指数，RGDDj为相对积温值(与整个生育期积温的比值)，aj(j＝0，……，5)和b为待定系数，其拟合参数分别为24.84、-161.4、374、-392.6、169.2、-11.46和1.169。
土壤水分修正系数(Ksi)的确定：
当实际土壤含水量小于临界含水量时,蒸发蒸腾量明显受土壤水分的影响,否则，蒸发蒸腾受土壤水分的影响不显著。土壤水分修正系数:
式中，c和d为由实测资料确定的经验系数，随生育阶段和土壤条件而变化；θi为计算时段内的平均土壤含水量，θup为凋萎含水量，θj为临界含水量。
其中，所述降水预报及有效降水量的Pei估算具体方法为：联合应用马尔科夫链和伽玛分布函数建立随机模拟模型，进而模拟预报期内的降水；
逐日降水序列的产生：当由降水日到降水日的转移概率P(W/W)，由非降水日到降水日的转移概率P(W/D)和伽玛分布参数α、β确定以后，利用计算机产生[0，1]区间上均匀分布的随机数，并将这个随机数与P(W/D)和P(W/W)相比较，确定该日降水与否；对降水日降水量的模拟就是求出指定P所对应的随机变量X的取值xp，即求出的xp应满足F(X>xp)＝P，具体公式如下：
当为降水日时，利用上式通过数值积分即可求得降水日的降水量。
本发明的有益效果是：
本发明利用多年田间试验资料，建立了基于天气信息的冬小麦逐日耗水量模型；同时，利用多年降水资料，建立了降水随机估算模型；在此基础上，利用水量平衡方程，构建了土壤水分预测模型，并对冬小麦的逐旬土壤水分变化进行预测，预测值和实测值较为接近，具有较高的预测精度。依据土壤水分控制下限指标和计划湿润层深度，确定灌水时间和灌水量，构建了灌溉预报系统，并编制相应软件；以人民胜利渠灌区为例，开展了基于墒情监测的土壤墒情预测及灌溉预报，并实时修正模型，验证表明，所选的灌溉预报模型精度可满足灌区灌溉预报的需要。
附图说明
图1为Harg逐旬计算的ET0与PM的比较及相关分析；
图2作物系数Kc与叶面积指数LAI的关系；
图3相对积温RGDD与相对叶面积指数RLAI的关系；
图4 2012-2013试验区冬小麦生育期土壤水分实测值与预测值的比较；
图5基于天气信息的冬小麦灌溉预报决策系统结构图；
图6人民胜利渠田间持水量空间分布图；
图7人民胜利渠土壤墒情监测点空间分布图；
图8冬小麦生育期干旱程度实测图和预测图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
基于天气信息的灌溉预报，是实现作物适时适量灌溉的基础，是灌区节水灌溉管理与精准灌溉技术决策的依据。
1、土壤水分预测模型
墒情预报主要是田间土壤含水率的预报，即，对作物根系层土壤水分增长和消退过程进行预报，是进行适时适量灌水的基础。利用土壤计划湿润层内的含水量为研究对象，建立水量平衡方程，结合实时预报的作物和气象信息完成对土壤含水量的预测。水量平衡方程可以表示为：
Wi＝W0+Wri+Pei+Ii-ETci-Gi-Ri
式中：W0、Wi分别为时段初土壤含水量和任一时间i的土壤计划湿润层内的含水量，mm；Wri为时段内由于计划湿润层增加而增加的水量，mm；Ii为时段内的灌水量，mm；Pei为时段内的有效降雨量，mm；ETci为时段内作物的耗水量，mm，通过构建的模型预测，mm；Ri为地面径流量，mm；Gi为地下水补给量，mm。
由于人民胜利渠灌区冬小麦生育期内的降水量不大，不产生径流，因此不考虑地表径流，即R＝0；同时试验场内的地下水埋深也基本处在5m以下，超过粘土的极限埋深，故地下水对作物的影响也可以忽略不计，即G＝0。因此，上式可以简化为：
Wi＝W0+Wri+Pei+Ii-ETci
对于以上模型参数的确定：
1.1、W0、Wi、Wri、Ii的确定
时段初土壤含水量W0、任一时间i的土壤计划湿润层内的含水量Wi和时段内由于计划湿润层增加而增加的水量Wri，均通过田间实测土壤水分资料获得，计划湿润层中的储水量可用该层土壤体积含水量与土层厚度的乘积得到；时段内的灌水量Ii由量水设备和设施计量确定。
1.2冬小麦逐日耗水量ETci预测模型
时段内作物的耗水量ETci的计算采用作物系数法，即通过某时段i的参考作物需水量ET0i和作物系数Kci确定具体作物的耗水量ETci，其具体表达式如下：
ETci＝Kci·ET0i
在水分亏缺条件下，作物耗水量的计算引入土壤水分修正因子Ksi，即
ETci＝Ksi·Kci·ET0i
式中，当Ksi＝1.0时，ETci即为水分充足条件下作物耗水量。
1.2.1基于天气预报的ET0逐日预测模型
参考作物需水量ET0是灌溉预报和灌溉决策的基础。利用天气预报可测因子(温度)，借助Hargreaves公式来估算ET0，具体公式如下：
式中，Ra为大气顶层辐射，单位为MJ/(m2·d)；λ为水汽化潜热，其值为2.45MJ/kg；Tmax、Tmin分别为最高气温和最低气温，℃。
试验区42年(1951-2002)逐日气象数据分析表明，在仅有气温数据的条件下，Harg与PM公式计算值一致性程度较好，平均偏差3.48mm，平均相对偏差10.08％，平均相关系数达到0.81，且t检验显示，Harg与PM显著相关，据此可进一步对Harg进行修正，以提高Harg的估算精度。考虑到不同地域(纬度)和不同气候条件下气温日较差(Tmax-Tmin)的指数及平均气温的偏移量可能与标准Harg公式中的参数有所不同，采用以下一般形式的通用Harg公式来修正ET0：
式中的系数K、指数n和气温偏移量Toff需要通过气温资料和PM公式计算结果来率定。通过借助统计软件DPS12.01分析计算，各率定参数分别为0.008，0.796，29.506，拟合方程相关系数R2为0.907。
1.2.2作物系数Kci的确定：
对于同一种作物某一品种而言，作物系数Kci主要受作物生长发育过程的控制，与冠层的发育有密切的关系；叶面积指数LAI与作物系数相关数据拟合分析表明，两者呈明显的线性关系，如图2所示，拟合方程如下：
Kci＝a·LAI+b
根据冬小麦田间试验数据回归分析显示，a、b参数分别为0.14、0.3918，决定系数R2为0.9277。
除遗传特性外，生育期内的温度是影响作物生长发育的最重要因子。作物的积温需求具有较好的稳定性，积温与冬小麦LAI具有较好的相关性，试验分析表明，Logistic曲线能对两者的变化趋势作出很好的模拟，如图3所示，扩充后的五次Logistic曲线较扩充前的二次Logistic曲线拟合的精度更高，扩充后的五次Logistic模型对整个生育期内的变化趋势决定系数为0.9770，估计误差SSE为0.08315，可见模型具有较高的精度。
式中，LAImax为冬小麦生育期最大叶面积指数，RGDDj为相对积温值(与整个生育期积温的比值)，aj(j＝0，……，5)和b为待定系数，其拟合参数分别为24.84、-161.4、374、-392.6、169.2、-11.46和1.169。
将以上两个模型进行整合，形成了基于有效积温的作物系数预测模型。值得说明的是，在运用对作物系数进行预测时，模型在描述有效积温不变的这段时间内的作物系数时，均按照此前的最大值处理，这显然是不合理的，需要对模型进行一些修正。根据一些实测资料，冰冻期间作物系数可按照0.4处理；而在冰冻期到来之前和冰冻期刚结束后这段时间，作物系数可通过差分得到；而且在上述时段内，作物系数一直处在较小的值内，不会引起较大的绝对误差。
1.2.3土壤水分修正系数(Ksi)的确定
当实际土壤含水量小于临界含水量时，蒸发蒸腾量明显受土壤水分的影响，否则，蒸发蒸腾受土壤水分的影响不显著。土壤水分修正系数:
式中，c和d为由实测资料确定的经验系数，随生育阶段和土壤条件而变化；θi为计算时段内的平均土壤含水量，θup为凋萎含水量，θj为临界含水量。将把冬小麦生育期划分为出苗～越冬、越冬～返青、返青～抽穗、抽穗～成熟四个阶段，根据灌区实测资料计算得到各阶段的θj分别为23.07、22.52、20.20和22.68；各阶段的d值分别为0.8156、0.9563、0.7584和0.8753。
综上所述，将以上3部分相结合即可得到冬小麦耗水量估算模型。
1.3降水预报及有效降水量的Pei估算
降水的数量和分配过程直接影响农田土壤墒情预测及灌溉预报精度，预测降水量的时间分布规律显得尤为重要。气象部门提供的天气预报资料只有对天气变化趋势的预测，没有明确的降水时间和降水量。本文从冬小麦生育期内降水的随机性出发，充分分析降水在连续多年内和年际间的分布规律，采用近些年来较通用的一种方法即联合应用马尔科夫链(Markov chain)和伽玛分布函数(gamma distribution function)建立随机模拟模型，进而模拟预报期内的降水。
逐日降水序列的产生：当由降水日到降水日的转移概率P(W/W)，由非降水日到降水日的转移概率P(W/D)和伽玛分布参数α、β确定以后，利用计算机产生[0，1]区间上均匀分布的随机数，并将这个随机数与P(W/D)和P(W/W)相比较，确定该日降水与否；对降水日降水量的模拟就是求出指定P所对应的随机变量X的取值xp，即求出的xp应满足F(X>xp)＝P，具体公式如下：
当为降水日时，利用上式通过数值积分即可求得降水日的降水量。
通过对试验区的100年逐日降水过程模拟，月降水天数和月降水量的模拟值均与实测值符合很好，月降水天数的模拟值与实测值相对误差分别在0.48％～6.31％之间，平均相对误差为2.98％；月降水量的模拟值与实测值相对误差分别在0.41％～10.68％之间，平均相对误差为2.33％。另外，冬小麦生育期降雨次数及次降雨量一般较小，因此可认为降雨量全部有效。
2、土壤水分预测模型验证
运用所建立的模型及水量平衡方程得到下一旬的预测值，同时对逐旬土壤水分的预测结果进行实时修正，即对下一旬的预报均以上一旬旬末的实测土壤含水量为基础。图4为试验区2012-2013年冬小麦生育期土壤水分逐旬预测值与实际值的比较，图中显示，实际值与预测值基本一致，相对误差介于0.18％～7.01％之间，平均相对误差2.45％。这说明逐旬预报的精度满足要求，同时也能为灌水方案的准确制定提供可靠的依据。
3、墒情判别指标及灌溉预报系统的建立
3.1、墒情判别指标
基于对冬小麦进行的非充分灌溉研究，探索了不同生育期不同程度的水分亏缺对作物生长发育、产量的影响，根据影响规律明确了冬小麦不同生育阶段节水高产的土壤墒情判别指标，如表1所示。
表1冬小麦不同生育阶段的土壤墒情判别指标
3.2、灌溉日期和灌溉水量的预报
为了满足农作物正常生长发育的需要，任一时段内作物根系吸水层内的储水量必须经常保持在一定的适宜范围以内，实时预报中灌溉指标采用冬小麦不同生育阶段的适宜含水量下限值和田间持水量。灌溉日期即为计划湿润层的土壤水分下降到该生育阶段的适宜含水量下限的日期。灌溉水量的计算公式为：
W＝1000(θj-θmin)Hγ
式中：W为灌水量，mm；θj为田间持水率；θmin为作物生育期的适宜含水率下限；H为计划湿润层深度，m；γ为土壤干容重，g/cm3或t/m3。
3.3、实时灌溉预报的修正
实时灌溉预报的修正是一项非常重要的工作，实时灌溉预报强调正确地估计“初始状态”和掌握最新的预测资料，所以实时天气信息和每次土壤含水量实测结果便是每次预测的初始状态，也就是说，在每次测量得到田间土壤含水量后，下一次的预测就要以此次的实测值和天气信息为基础，从而确定灌水日期和灌水定额，这样才能做到真正实时并且准确。
D、建立灌溉预报系统。
灌溉预报系统的建立是进行灌溉预报的基础工作，灌溉预报决策系统整体框架图5如下所示。
利用计算机.Net C#语言，结合以上各模型，编制了冬小麦灌溉预报决策系统运行软件。
4、灌区墒情预测应用
以人民胜利渠灌区为研究对象，灌区土壤水分监测点的选取主要是在分析土壤墒情空间变异的基础上(图6)，用经典统计学确定合理的采样数目，同时考虑土壤类型、轮灌顺序，通过测算比较，确定灌区布置24个土壤水分测试点(图7)，利用SWR-管式土壤水分测定仪，每隔10d各点测定土壤含水量1次，取土深度0-100cm。
利用构建的灌溉预报决策系统，结合天气预报信息，基于人民胜利渠灌区冬小麦土壤墒情实测数据对未来10d的土壤墒情进行预测，并借助ArcGIS软件，采用kring方法插值，得到整个研究区域的土壤含水量分布，根据冬小麦不同生育期干旱程度的土壤含水量适宜下限指标分为重度干旱、中度干旱、轻度干旱、适宜水分，分别采用不同的颜色标示，并计算区域内不同干旱程度的面积。预测结果分布如图8所示。同时，10d后对灌区土壤墒情进行实测，以验证系统的预报精度。通过冬小麦生育期内灌区土壤墒情的预报值与实测值之间的对比分析可以看出，模型能较好的预测灌区冬小麦土壤水分的变化情况，预测值与实测值相对对误差为0.3％～27.3％，平均相对误差6.7％；相对误差小于10％的占83.9％，相对误差小于20％的占95.7％，由此可见，灌溉预报系统具有较好的模拟精度，对灌区的用水调度起到了重要的参考价值。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.基于天气信息的冬小麦灌溉预报方法，其特征在于，包括以下步骤：
(1)土壤水分预测模型
利用土壤计划湿润层内的含水量为研究对象，建立水量平衡方程，结合实时预报的作物和气象信息完成对土壤含水量的预测；水量平衡方程可以表示为：
Wi＝W0+Wri+Pei+Ii-ETci-Gi-Ri
式中：W0、Wi分别为时段初土壤含水量和任一时间i的土壤计划湿润层内的含水量；Wri为时段内由于计划湿润层增加而增加的水量；Ii为时段内的灌水量；Pei为时段内的有效降雨量；ETci为时段内作物的耗水量，通过构建的模型预测；Ri为地面径流量；Gi为地下水补给量；
(2)土壤水分预测模型验证
运用所建立的模型及水量平衡方程得到下一旬的预测值，同时对逐旬土壤水分的预测结果进行实时修正；
(3)墒情判别指标及灌溉预报系统的建立
a、墒情判别指标
根据影响规律明确冬小麦不同生育阶段节水高产的土壤墒情判别指标；
b、灌溉日期和灌溉水量的预报
实时预报中灌溉指标采用冬小麦不同生育阶段的适宜含水量下限值和田间持水量；灌溉日期即为计划湿润层的土壤水分下降到该生育阶段的适宜含水量下限的日期；灌溉水量的计算公式为：
W＝1000(θj-θmin)Hγ
式中：W为灌水量；θj为田间持水率；θmin为作物生育期的适宜含水率下限；H为计划湿润层深度；γ为土壤干容重；
c、实时灌溉预报的修正
在每次测量得到田间土壤含水量后，下一次的预测就要以此次的实测值和天气信息为基础，从而确定灌水日期和灌水定额；
d、建立灌溉预报系统。
2.根据权利要求1所述的基于天气信息的冬小麦灌溉预报方法，其特征在于：所述时段初土壤含水量W0、任一时间i的土壤计划湿润层内的含水量Wi和时段内由于计划湿润层增加而增加的水量Wri，均通过田间实测土壤水分资料获得；时段内的灌水量Ii由量水设备和设施计量确定。
3.根据权利要求1所述的基于天气信息的冬小麦灌溉预报方法，其特征在于：所述时段内作物的耗水量ETci的计算采用作物系数法，即通过某时段i的参考作物需水量ET0i和作物系数Kci确定具体作物的耗水量ETci，其具体表达式如下：
ETci＝Kci·ET0i
在水分亏缺条件下，作物耗水量的计算引入土壤水分修正因子Ksi，即
ETci＝Ksi·Kci·ET0i
式中，当Ksi＝1.0时，ETci即为水分充足条件下作物耗水量。
4.根据权利要求3所述的基于天气信息的冬小麦灌溉预报方法，其特征在于：
基于天气预报的ET0逐日预测模型：
利用天气预报可测因子，借助Hargreaves公式来估算ET0，具体公式如下：
式中，Ra为大气顶层辐射；λ为水汽化潜热，其值为2.45MJ/kg；Tmax、Tmin分别为最高气温和最低气温。
5.根据权利要求3所述的基于天气信息的冬小麦灌溉预报方法，其特征在于：
作物系数Kci的确定：
叶面积指数LAI与作物系数Kci呈明显的线性关系，拟合方程如下：
Kci＝a·LAI+b
a、b参数分别为0.14、0.3918，决定系数R2为0.9277；
式中，LAImax为冬小麦生育期最大叶面积指数，RGDDj为相对积温值，aj(j＝0，……，5)和b为待定系数，其拟合参数分别为24.84、-161.4、374、-392.6、169.2、-11.46和1.169。
6.根据权利要求3所述的基于天气信息的冬小麦灌溉预报方法，其特征在于：
土壤水分修正系数(Ksi)的确定：
当实际土壤含水量小于临界含水量时，蒸发蒸腾量明显受土壤水分的影响，否则，蒸发蒸腾受土壤水分的影响不显著；土壤水分修正系数:
式中，c和d为由实测资料确定的经验系数，随生育阶段和土壤条件而变化；θi为计算时段内的平均土壤含水量，θup为凋萎含水量，θj为临界含水量。
7.根据权利要求1所述的基于天气信息的冬小麦灌溉预报方法，其特征在于：所述降水预报及有效降水量的Pei估算具体方法为：联合应用马尔科夫链和伽玛分布函数建立随机模拟模型，进而模拟预报期内的降水；
逐日降水序列的产生：当由降水日到降水日的转移概率P(W/W)，由非降水日到降水日的转移概率P(W/D)和伽玛分布参数α、β确定以后，利用计算机产生[0，1]区间上均匀分布的随机数，并将这个随机数与P(W/D)和P(W/W)相比较，确定该日降水与否；对降水日降水量的模拟就是求出指定P所对应的随机变量X的取值xp，即求出的xp应满足F(X>xp)＝P，具体公式如下：
当为降水日时，利用上式通过数值积分求得降水日的降水量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810428429.9A CN108876005A (zh) | 2018-05-07 | 2018-05-07 | 基于天气信息的冬小麦灌溉预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810428429.9A CN108876005A (zh) | 2018-05-07 | 2018-05-07 | 基于天气信息的冬小麦灌溉预报方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108876005A true CN108876005A (zh) | 2018-11-23 |
Family
ID=64327386
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810428429.9A Pending CN108876005A (zh) | 2018-05-07 | 2018-05-07 | 基于天气信息的冬小麦灌溉预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108876005A (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109343358A (zh) * | 2018-10-08 | 2019-02-15 | 中国农业科学院农田灌溉研究所 | 一种灌区智能用水决策信息化结构体系 |
| CN109892214A (zh) * | 2019-02-22 | 2019-06-18 | 固安京蓝云科技有限公司 | 用于农作物的缺水处理方法及装置 |
| CN109977515A (zh) * | 2019-03-19 | 2019-07-05 | 固安京蓝云科技有限公司 | 用于农作物的实际耗水量处理方法及装置、服务器 |
| CN110084539A (zh) * | 2018-11-30 | 2019-08-02 | 武汉大学 | 灌溉决策学习方法、装置、服务器和存储介质 |
| CN110419415A (zh) * | 2019-04-29 | 2019-11-08 | 扬州大学 | 一种基于降水预报的大型灌区水稻田灌溉计划优化方法 |
| CN110458335A (zh) * | 2019-07-23 | 2019-11-15 | 华北水利水电大学 | 基于动态干旱预测的适应性节水灌溉方法 |
| CN111126662A (zh) * | 2019-11-25 | 2020-05-08 | 中工武大设计研究有限公司 | 基于大数据的灌溉决策制定方法、装置、服务器和介质 |
| CN111401750A (zh) * | 2020-03-18 | 2020-07-10 | 四川省水利科学研究院 | 一种水库灌区的田间水资源优化调配方法 |
| CN111435135A (zh) * | 2019-01-11 | 2020-07-21 | 通用电气航空系统有限公司 | 经由uav收集数据的土地监测系统和方法 |
| CN112493100A (zh) * | 2020-12-03 | 2021-03-16 | 塔里木大学 | 基于土壤水势的棉花水分监测滴灌控制方法及系统 |
| CN112540992A (zh) * | 2020-12-16 | 2021-03-23 | 辛集市气象局 | 夏玉米水分亏缺指数数据综合显示系统 |
| CN112819332A (zh) * | 2021-02-02 | 2021-05-18 | 中国水利水电科学研究院 | 一种基于全渠道输配的水量分配方法、装置及计算机设备 |
| CN112906477A (zh) * | 2021-01-21 | 2021-06-04 | 中国农业科学院农田灌溉研究所 | 一种基于无人机光谱数据的灌溉处方图反演方法 |
| CN114190264A (zh) * | 2021-11-18 | 2022-03-18 | 国网河北省电力有限公司营销服务中心 | 一种精准灌溉方案确定方法、系统及终端设备 |
| CN114647820A (zh) * | 2022-03-17 | 2022-06-21 | 昆明理工大学 | 一种三七栽培设施内参考作物蒸散量的估算方法 |
| CN114698535A (zh) * | 2022-04-06 | 2022-07-05 | 武汉禾大科技有限公司 | 农作物精准灌溉方法、系统、电子设备及存储介质 |
| CN114722605A (zh) * | 2022-04-07 | 2022-07-08 | 南宁师范大学 | 一种基于降水量的差减间隔天数法土壤含水量诊断模型 |
| CN115049126A (zh) * | 2022-06-10 | 2022-09-13 | 中国水利水电科学研究院 | 基于温度效应和历史阈值的蒸散量预测方法 |
| CN115104515A (zh) * | 2021-03-22 | 2022-09-27 | 霍君灌溉工程(上海)有限公司 | 一种基于降雨利用最大化的灌溉决策云计算方法、云计算平台和灌溉终端 |
| CN116451886A (zh) * | 2023-06-20 | 2023-07-18 | 创辉达设计股份有限公司 | 一种高标准农田水平衡计算方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886392A (zh) * | 2014-03-26 | 2014-06-25 | 中国农业科学院农田灌溉研究所 | 一种基于天气预报信息的冬小麦耗水量预测方法 |
-
2018
- 2018-05-07 CN CN201810428429.9A patent/CN108876005A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886392A (zh) * | 2014-03-26 | 2014-06-25 | 中国农业科学院农田灌溉研究所 | 一种基于天气预报信息的冬小麦耗水量预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 付强等: "《耦合马尔科夫链和伽马分布函数的降水模拟模型及其应用》", 《黑龙江大学工程学报》 * |
| 李迎: "《基于墒情监测的冬小麦灌溉预报研究》", 《中国优秀硕士学位论文全文数据库农业科技辑》 * |
Cited By (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109343358A (zh) * | 2018-10-08 | 2019-02-15 | 中国农业科学院农田灌溉研究所 | 一种灌区智能用水决策信息化结构体系 |
| CN110084539A (zh) * | 2018-11-30 | 2019-08-02 | 武汉大学 | 灌溉决策学习方法、装置、服务器和存储介质 |
| CN110084539B (zh) * | 2018-11-30 | 2021-10-22 | 武汉大学 | 灌溉决策学习方法、装置、服务器和存储介质 |
| CN111435135A (zh) * | 2019-01-11 | 2020-07-21 | 通用电气航空系统有限公司 | 经由uav收集数据的土地监测系统和方法 |
| CN109892214A (zh) * | 2019-02-22 | 2019-06-18 | 固安京蓝云科技有限公司 | 用于农作物的缺水处理方法及装置 |
| CN109977515A (zh) * | 2019-03-19 | 2019-07-05 | 固安京蓝云科技有限公司 | 用于农作物的实际耗水量处理方法及装置、服务器 |
| CN110419415A (zh) * | 2019-04-29 | 2019-11-08 | 扬州大学 | 一种基于降水预报的大型灌区水稻田灌溉计划优化方法 |
| CN110419415B (zh) * | 2019-04-29 | 2021-10-12 | 扬州大学 | 一种基于降水预报的大型灌区水稻田灌溉计划优化方法 |
| CN110458335A (zh) * | 2019-07-23 | 2019-11-15 | 华北水利水电大学 | 基于动态干旱预测的适应性节水灌溉方法 |
| CN111126662A (zh) * | 2019-11-25 | 2020-05-08 | 中工武大设计研究有限公司 | 基于大数据的灌溉决策制定方法、装置、服务器和介质 |
| CN111126662B (zh) * | 2019-11-25 | 2023-04-28 | 中工武大设计研究有限公司 | 基于大数据的灌溉决策制定方法、装置、服务器和介质 |
| CN111401750B (zh) * | 2020-03-18 | 2020-11-17 | 四川省水利科学研究院 | 一种水库灌区的田间水资源优化调配方法 |
| CN111401750A (zh) * | 2020-03-18 | 2020-07-10 | 四川省水利科学研究院 | 一种水库灌区的田间水资源优化调配方法 |
| CN112493100A (zh) * | 2020-12-03 | 2021-03-16 | 塔里木大学 | 基于土壤水势的棉花水分监测滴灌控制方法及系统 |
| CN112493100B (zh) * | 2020-12-03 | 2022-04-22 | 塔里木大学 | 基于土壤水势的棉花水分监测滴灌控制方法及系统 |
| CN112540992B (zh) * | 2020-12-16 | 2024-05-24 | 辛集市气象局 | 夏玉米水分亏缺指数数据综合显示系统 |
| CN112540992A (zh) * | 2020-12-16 | 2021-03-23 | 辛集市气象局 | 夏玉米水分亏缺指数数据综合显示系统 |
| CN112906477A (zh) * | 2021-01-21 | 2021-06-04 | 中国农业科学院农田灌溉研究所 | 一种基于无人机光谱数据的灌溉处方图反演方法 |
| CN112906477B (zh) * | 2021-01-21 | 2022-09-02 | 中国农业科学院农田灌溉研究所 | 一种基于无人机光谱数据的灌溉处方图反演方法 |
| CN112819332A (zh) * | 2021-02-02 | 2021-05-18 | 中国水利水电科学研究院 | 一种基于全渠道输配的水量分配方法、装置及计算机设备 |
| CN115104515A (zh) * | 2021-03-22 | 2022-09-27 | 霍君灌溉工程(上海)有限公司 | 一种基于降雨利用最大化的灌溉决策云计算方法、云计算平台和灌溉终端 |
| CN115104515B (zh) * | 2021-03-22 | 2023-09-22 | 霍君灌溉工程(上海)有限公司 | 一种基于降雨利用最大化的灌溉决策云计算方法、云计算平台和灌溉终端 |
| CN114190264A (zh) * | 2021-11-18 | 2022-03-18 | 国网河北省电力有限公司营销服务中心 | 一种精准灌溉方案确定方法、系统及终端设备 |
| CN114190264B (zh) * | 2021-11-18 | 2022-11-08 | 国网河北省电力有限公司营销服务中心 | 一种精准灌溉方案确定方法、系统及终端设备 |
| CN114647820A (zh) * | 2022-03-17 | 2022-06-21 | 昆明理工大学 | 一种三七栽培设施内参考作物蒸散量的估算方法 |
| CN114647820B (zh) * | 2022-03-17 | 2024-06-07 | 昆明理工大学 | 一种三七栽培设施内参考作物蒸散量的估算方法 |
| CN114698535A (zh) * | 2022-04-06 | 2022-07-05 | 武汉禾大科技有限公司 | 农作物精准灌溉方法、系统、电子设备及存储介质 |
| CN114698535B (zh) * | 2022-04-06 | 2024-03-15 | 武汉禾大科技有限公司 | 农作物精准灌溉方法、系统、电子设备及存储介质 |
| CN114722605A (zh) * | 2022-04-07 | 2022-07-08 | 南宁师范大学 | 一种基于降水量的差减间隔天数法土壤含水量诊断模型 |
| CN115049126A (zh) * | 2022-06-10 | 2022-09-13 | 中国水利水电科学研究院 | 基于温度效应和历史阈值的蒸散量预测方法 |
| CN116451886A (zh) * | 2023-06-20 | 2023-07-18 | 创辉达设计股份有限公司 | 一种高标准农田水平衡计算方法 |
| CN116451886B (zh) * | 2023-06-20 | 2023-10-10 | 创辉达设计股份有限公司 | 一种高标准农田水平衡计算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108876005A (zh) | 基于天气信息的冬小麦灌溉预报方法 | |
| JP7149348B2 (ja) | 農業灌漑水需要量予測方法 | |
| CN110209077B (zh) | 基于互联网的远程灌排系统实时动态监测系统 | |
| Liu et al. | A consolidated evaluation of the FAO-56 dual crop coefficient approach using the lysimeter data in the North China Plain | |
| Isidoro et al. | Predicting soil salinity in response to different irrigation practices, soil types and rainfall scenarios | |
| CN104521699A (zh) | 田间智能灌溉在线控制管理方法 | |
| Silva et al. | Estimating reference evapotranspiration (ETo) using numerical weather forecast data in central Chile | |
| Tsakmakis et al. | Operational precise irrigation for cotton cultivation through the coupling of meteorological and crop growth models | |
| CN108401854B (zh) | 一种基于土壤水分检测的脐橙节水灌溉方法 | |
| US11944048B2 (en) | Decision-making method for variable rate irrigation management | |
| CN108958329A (zh) | 一种滴灌水肥一体化智能决策方法 | |
| CN111160680A (zh) | 一种基于信息同化融合的农业干旱评估方法 | |
| CN111460744B (zh) | 一种内陆河上游地区的土地利用规划方法及规划系统 | |
| Liu et al. | Comparison of evapotranspiration measurements between eddy covariance and lysimeters in paddy fields under alternate wetting and drying irrigation | |
| Chatterjee et al. | Actual evapotranspiration and crop coefficients for tropical lowland rice (Oryza sativa L.) in eastern India | |
| CN110432046A (zh) | 一种温室内的智能灌溉系统 | |
| CN116595333B (zh) | 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法 | |
| Wang et al. | Decision-making method for maize irrigation in supplementary irrigation areas based on the DSSAT model and a genetic algorithm | |
| CN108491963A (zh) | 一种考虑植被生长季节演替的蒸散发计算方法 | |
| Flores-Cayuela et al. | Verifiable water use inventory using ICTs in industrial agriculture | |
| Huntington et al. | Evapotranspiration and net irrigation water requirements for Nevada | |
| Cordery et al. | Forecasting wheat yields using a water budgeting model | |
| CN113080035B (zh) | 农田作物需水量的确定方法、装置、灌水方法及灌水系统 | |
| Chen et al. | Assimilating multi-site measurements for semi-distributed hydrological model updating | |
| CN104102806A (zh) | 多品种农作物的农业气候区划方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181123 |