CN110348043B - 土壤蓄水能力的估算方法、装置、设备及存储介质 - Google Patents

土壤蓄水能力的估算方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN110348043B
CN110348043B CN201910440601.7A CN201910440601A CN110348043B CN 110348043 B CN110348043 B CN 110348043B CN 201910440601 A CN201910440601 A CN 201910440601A CN 110348043 B CN110348043 B CN 110348043B
Authority
CN
China
Prior art keywords
water storage
storage capacity
period
soil
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.)
Active
Application number
CN201910440601.7A
Other languages
English (en)
Other versions
CN110348043A (zh
Inventor
刘俊国
冒甘泉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southern University of Science and Technology
Original Assignee
Southern University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southern University of Science and Technology filed Critical Southern University of Science and Technology
Priority to CN201910440601.7A priority Critical patent/CN110348043B/zh
Publication of CN110348043A publication Critical patent/CN110348043A/zh
Application granted granted Critical
Publication of CN110348043B publication Critical patent/CN110348043B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G01N33/246—Earth materials for water content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geometry (AREA)
  • Geology (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种土壤蓄水能力的估算方法、装置、设备及存储介质，所述土壤蓄水能力的估算方法，包括：根据第二周期内各第一周期的土壤的蓄水量变化值，确定所述第二周期内各第一周期的累计水量值；从各第一周期的累计水量值中，选择最大累计水量值和最小累计水量值；根据所述最大累计水量值和所述最小累计水量值，确定所述土壤的蓄水能力指标。本申请技术方案实现了根据第一周期的蓄水量变化值确定土壤的蓄水能力指标，由于蓄水能力变化值不需要根据植物根系深度和土壤的属性进行估算，与现有技术中的通过土壤信息数据和植被根系深度分布数据，来估算土壤的蓄水能力相比，提高了灵活性。

Description

土壤蓄水能力的估算方法、装置、设备及存储介质
技术领域
本申请涉及水文计量技术领域，特别是涉及一种土壤蓄水能力的估算方法、装置、设备及存储介质。
背景技术
土壤的蓄水能力决定了土壤中可以用于植被蒸腾的最大水分含量，因此土壤的蓄水能力对植被蒸腾具有重大影响。
传统技术中，土壤蓄水能力的估算方法包括实地测量法、查表法和模型反演法。其中，实地测量法是通过根据实地测量获得的一个地区的土壤信息数据和植被根系深度分布数据，来估算该地区的土壤的蓄水能力。查表法是基于不同土壤信息数据和植被根系深度分布数据与蓄水能力的对应关系以及通过估计得到的一个地区的土壤信息数据和植被根系深度分布数据，来估算该地区的土壤的蓄水能力。模型反演法是根据一个地区的土壤的属性建立该地区的下垫面模型，根据该地区的植被生产力确定该地区的不同类型植物的植被根系深度分布数据，并将该地区的不同类型植物的植被根系深度分布数据输入该地区的下垫面模型，得到该地区的土壤的蓄水能力。
然而，传统技术中的上述估算方法均是基于一个地区的土壤信息数据和植被根系深度分布数据来实现，存在灵活性较差的问题。
发明内容
基于此，有必要针对传统的土壤蓄水能力的估算方法均是基于一个地区的土壤信息数据和植被根系深度分布数据来实现，存在灵活性较差的问题，提供一种土壤蓄水能力的估算方法、装置、设备及存储介质。
第一方面，本申请实施例提供一种土壤蓄水能力的估算方法，包括：
根据第二周期内各第一周期的土壤的蓄水量变化值，确定所述第二周期内各第一周期的累计水量值；其中，所述第二周期内包括多个第一周期，所述第二周期内的第i个第一周期的累计水量值用于指示所述第i个第一周期至所述第二周期内的第1个第一周期的土壤的蓄水量变化值，i为大于0的自然数；
从各第一周期的累计水量值中，选择最大累计水量值和最小累计水量值；
根据所述最大累计水量值和所述最小累计水量值，确定所述土壤的蓄水能力指标，所述蓄水能力指标用于表征土壤的蓄水量的大小。
第二方面，本申请实施例提供一种土壤的蓄水能力估算装置，包括：
累计水量值确定模块，用于根据第二周期内各第一周期的土壤的蓄水量变化值，确定所述第二周期内各第一周期的累计水量值；其中，所述第二周期内包括多个第一周期，所述第二周期内的第i个第一周期的累计水量值用于指示所述第i个第一周期至所述第二周期内的第1个第一周期的土壤的蓄水量变化值，i为大于0的自然数；
选择模块，用于从各第一周期的累计水量值中，选择最大累计水量值和最小累计水量值；
蓄水能力指标确定模块，用于根据所述最大累计水量值和所述最小累计水量值，确定所述土壤的蓄水能力指标，所述蓄水能力指标用于表征土壤的蓄水量的大小。
第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现以上第一方面任一实施例该的步骤。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现以上第一方面任一实施例该的步骤。
本申请提供的土壤蓄水能力的估算方法、装置、设备及存储介质，通过第二周期内各第一周期的土壤的蓄水量变化值，确定第二周期内各第一周期的累计水量值，从各第一周期的累计水量值中确定最大累计水量值和最小累计水量值，由于第一周期的蓄水量变化值表征第一周期内土壤中的水量变化量，第i个第一周期的累计水量值表征第二周期内第一个第一周期至第i个第一周期土壤中的水量变化量，因此最大累计水量值能够表征土壤在测量开始状态下允许的最大盈余水量，最小累计水量值能够表征土壤在测量开始状态下允许的最大亏损水量，由此最大累计水量值和最小累计水量值在一定程度上可以表征第二周期内土壤的库容，即蓄水能力，因此实现了基于蓄水量变化值确定该待估算区域的土壤的蓄水能力指标，由于蓄水量变化值无需基于土壤信息数据和植被根系深度分布数据确定，因此提高了灵活性。
附图说明
图1为一个实施例提供的一种计算机设备的内部结构示意图；
图2为一个实施例提供的一种土壤蓄水能力的估算方法的流程图；
图3为又一个实施例提供的一种土壤蓄水能力的估算方法的流程图；
图4为又一个实施例提供的一种土壤蓄水能力的估算方法的流程图；
图5为又一个实施例提供的一种土壤蓄水能力的估算方法的流程图；
图6为又一个实施例提供的一种土壤蓄水能力的估算方法的流程图；
图7为又一个实施例提供的一种土壤蓄水能力的估算方法的流程图；
图8(a)为流入土壤的水量曲线；
图8(b)为流入土壤的累计水量曲线；
图8(c)为流入土壤和从土壤出流出的水量变化曲线图；
图8(d)所示的蓄水量变化值曲线；
图9为又一个实施例提供的一种土壤蓄水能力的估算方法的流程图；
图10为全球不同维度对应的土壤蓄水能力分布图；
图11为不同植被类型-全球土壤蓄水能力对比图；
图12为一个实施例提供的一种土壤蓄水能力的估算装置的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请实施例提供的土壤蓄水能力的估算方法，可以应用于如图1所示的计算机设备中。该计算机设备可以是终端，或服务器，以计算机设备为终端为例，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时实现一种土壤蓄水能力的估算方法的步骤。该计算机设备可以包括液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
目前的土壤蓄水能力的估算方法均需要根据不同类型植物根系深度和土壤的属性估算土壤的蓄水能力，灵活性差。下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为一个实施例提供的一种土壤蓄水能力的估算方法的流程图。该方法的执行主体为图1中的计算机设备，该方法涉及的是计算机设备根据第二周期内各第一周期的土壤的蓄水量变化值，确定土壤的蓄水能力指标的具体过程，如图2所示，该方法具体包括以下步骤：
S101、根据第二周期内各第一周期的土壤的蓄水量变化值，确定所述第二周期内各第一周期的累计水量值；其中，所述第二周期内包括多个第一周期，所述第二周期内的第i个第一周期的累计水量值用于指示所述第i个第一周期至所述第二周期内的第1个第一周期的土壤的蓄水量变化值，i为大于0的自然数。
其中，第一周期的蓄水量变化值ΔS(i)表征第一周期内土壤中的水量变化量，可以基于流入和流出土壤的水量，确定土壤的蓄水量变化值。第二周期内第i个第一周期的累计水量值X(i)表示从该第i个第一周期到第二周期内的第1个第一周期的连续的时间段内土壤中水量变化量。每一个第一周期均对应具有一个蓄水量变化值ΔS(i)和一个累计水量值X(i)。
由于在雨季时，流入土壤的水量多而从土壤中流出的水量少，雨季时累计水量值能够更准确的表征土壤在测量开始状态下允许的最大盈余水量，旱季时流入土壤的水量少而从土壤中流出的水量多，旱季时的累计水量值能够更准确的表征土壤在测量开始状态下允许的最大亏损水量，因此为了提高对土壤的蓄水能力估算精度，本实施例中，第二周期的设定可以考虑雨季和旱季的影响，可选的，一个第二周期的时间跨度至少包括一个雨季和与该雨季连接的旱季；将第二周期进行均等分，形成多个第一周期，可选的，一个第一周期例如可以为10min、1h、12h、24h、2天、7天、15天、一个月等，这里不进行穷举。
本实施例中，例如第一周期可以为1天，第二周期可以为1年，第二周期包括365个第一周期(闰年为366)，使用1至365对该365个第一周期编号；各第一周期的蓄水量变化值用于表示水量变化的多少，各第一周期的蓄水量变化值相互不影响。例如第1个第一周期内流入土壤的水量大于从土壤中流出的水量，蓄水量变化值ΔS(1)为40；第2个第一周期内流入土壤的水量大于从土壤中流出的水量，蓄水量变化值ΔS(2)为10；第3个第一周期内流入土壤的水量小于从土壤中流出的水量，蓄水量变化值ΔS(3)为5；第4个第一周期内流入土壤的水量小于从土壤中流出的水量，蓄水量变化值ΔS(4)为20；第5个第一周期内流入土壤的水量大于从土壤中流出的水量，蓄水量变化值ΔS(5)为15；第6个第一周期内流入土壤的水量小于从土壤中流出的水量，蓄水量变化值ΔS(6)为20；……第365个第一周期内流入土壤的水量小于从土壤中流出的水量，蓄水量变化值ΔS(365)为30。其中，各第一周期的累计水量值是通过第二周期内的第1个第一周期至当前第一周期的土壤的蓄水量变化值确定，举例而言，i＝6表示当前第一周期为第二周期内的第6个第一周期，那么第6个第一周期的累计水量值X(6)就是由第二周期内的第1个第一周期至第6个第一周期分别对应的6个蓄水量变化值ΔS(1)、ΔS(2)、ΔS(3)、ΔS(4)、ΔS(5)、ΔS(6)一起确定，即第6个第一周期的累计水量值X(6)＝40+10-5-20+15-20。
由于上述实施例中蓄水量变化值仅用于表示水量变化的多少，而不能明确指示是流入土壤的水量大于从土壤中流出的水量，还是流入土壤的水量小于从土壤中流出的水量，因此在计算累计水量值时，需要针对流入土壤的水量大于从土壤中流出的水量的情况采用加法运算，而流入土壤的水量小于从土壤中流出的水量的情况采用减法运算，导致运算复杂且容易出错。为了便于计算，本实施例中，可选的，蓄水量变化值的正负可以表示流入流出。相应的，确定累计水量值的方法可以替换为：
S1011、将所述第二周期内的第i个第一周期至所述第二周期内的第1个第一周期的蓄水量变化值之和，作为所述第i个第一周期的累计水量值。
其中，蓄水量变化值的正负表示流入流出表示：当流入土壤的水量大于流出土壤的水量时，蓄水量变化值用正数表示；当流入土壤的水量小于流出土壤的水量时，蓄水量变化值用负数表示。
举例而言，第1个第一周期内流入土壤的水量大于从土壤中流出的水量，蓄水量变化值ΔS(1)为40；第2个第一周期内流入土壤的水量大于从土壤中流出的水量，蓄水量变化值ΔS(2)为10；第3个第一周期内流入土壤的水量小于从土壤中流出的水量，蓄水量变化值ΔS(3)为-5；第4个第一周期内流入土壤的水量小于从土壤中流出的水量-20，蓄水量变化值ΔS(4)为-20；第5个第一周期内流入土壤的水量大于从土壤中流出的水量，蓄水量变化值ΔS(5)为15；第6个第一周期内流入土壤的水量小于从土壤中流出的水量，蓄水量变化值ΔS(6)为-20；……第365个第一周期内流入土壤的水量小于从土壤中流出的水量，蓄水量变化值ΔS(365)为-30；举例而言，i＝6表示当前第一周期为第二周期内的第6个第一周期，计算第6个第一周期的累计水量值X(6)，具体为：X(6)＝40+10+(-5)+(-20)+15+(-20)。
S102、从各第一周期的累计水量值中，选择最大累计水量值和最小累计水量值。
其中，最大累计水量值为各第一周期各自的累计水量值中的最大值，最大累计水量值＝Max(X(1),X(2),X(3)...,X(n))；最小累计水量值为各第一周期各自的累计水量值中的最小值，最小累计水量值＝Min(X(1),X(2),X(3)...,X(n))，其中n表示第一周期的总个数。
举例而言，第二周期内365个第一周期对应365个累计水量值X(1)至X(365)，那么一年之内的最大累计水量值＝Max(X(1),X(2),X(3)...,X(365))；最小累计水量值＝Min(X(1),X(2),X(3)...,X(365))。
在流入土壤的水量多，从土壤流出的水量少时，土壤中的累计水量不断增多，对应的最大累计水量值为土壤中累计增多的水量峰值，因此最大累计水量值能够表征土壤在测量开始状态下允许的最大盈余水量；而当流入土壤的水量少，从土壤流出的水量多时，土壤中的累计水量不断地减少，当流出的水量将之前累计的水量消耗完之后，依然会从土壤中不断地流出水，对应的最小累计水量为从土壤中累计减少的水量峰值，因此最小累计水量值能够表征土壤在测量开始状态下允许的最大亏损水量。例如表1所示，表1中第二周期为30天，第一周期为1天。可以看出最大累计水量值为60，而最小累计水量值为-90，最小累计水量值是在将最大累计水量值消耗完之后，依然不断从土壤流出的水量的峰值。
表1
Figure GDA0003229043680000071
S103、根据所述最大累计水量值和所述最小累计水量值，确定所述土壤的蓄水能力指标，所述蓄水能力指标用于表征土壤的蓄水量的大小。
其中，由于最大累计水量值能够表征土壤在测量开始状态下允许的最大盈余水量，最小累计水量值能够表征土壤在测量开始状态下允许的最大亏损水量，因此最大累计水量值和最小累计水量值在一定程度上可以表征第二周期内土壤的库容，即土壤能够容纳的水量的大小，因此可以根据最大累计水量值和最小累计水量值，确定土壤的蓄水能力指标。可选的，土壤的蓄水能力指标K的计算方法如下：
K＝Max(X(1),X(2),X(3)...,X(n))-Min(X(1),X(2),X(3)...,X(n))
例如：最大累计水量值为50，表示第二周期内土壤在测量开始状态下允许的最大盈余水量为50，最小累计水量值-400，表示第二周期内土壤在测量开始状态下允许的最大亏损水量为400，那么待估算区域的土壤的蓄水能力指标为450。
上述实施例通过第二周期内各第一周期的土壤的蓄水量变化值，确定第二周期内各第一周期的累计水量值，从各第一周期的累计水量值中确定最大累计水量值和最小累计水量值，由于第一周期的蓄水量变化值表征第一周期内土壤中的水量变化量，第i个第一周期的累计水量值表征第二周期内第一个第一周期至第i个第一周期土壤中的水量变化量，因此最大累计水量值能够表征土壤在测量开始状态下允许的最大盈余水量，最小累计水量值能够表征土壤在测量开始状态下允许的最大亏损水量，由此最大累计水量值和最小累计水量值在一定程度上可以表征第二周期内土壤的库容，即蓄水能力，因此实现了基于蓄水量变化值确定该待估算区域的土壤的蓄水能力指标，由于蓄水量变化值无需基于土壤信息数据和植被根系深度分布数据确定，因此提高了灵活性。
由于一个第二周期的最大累计水量值和最小累计水量值存在偶然性，因此一个第二周期的最大累计水量值和最小累计水量值所表征第二周期内土壤的蓄水能力指标可能存在准确性较低的问题，可选的，为了改善这个问题，上述第二周期的个数可以为多个，如图3所示，图3为又一个实施例提供的一种土壤蓄水能力的估算方法的流程图；该方法的执行主体为图1中的计算机设备，该方法涉及的是计算机设备根据各第二周期的最大累计水量值和最小累计水量值，确定土壤的蓄水能力指标的具体过程，该方法具体包括以下步骤：
S201、根据各第二周期的最大累计水量值和最小累计水量值，确定各第二周期的蓄水能力指标。
其中，第二周期的个数为多个；例如第二周期的时长为1年，多个第二周期例如分别对应2011年、2012年、2013年、2014年、2015年、2016年、2017年、2018年。各第二周期的最大累计水量值和最小累计水量值是指每一年对应的最大累计水量值和最小累计水量值，例如2011年的最大累计水量值和最小累计水量值、2012年的最大累计水量值和最小累计水量值；各第二周期的蓄水能力指标例如可以是：2011年的蓄水能力指标、2012年的蓄水能力指标。在此不做穷举。
本实施例中，设定第一周期的时长为1天；以2011年为例：第二周期对应2011年，第二周期包括365个第一周期，获取2011年内每一天的土壤的蓄水量变化值，根据蓄水量变化值采用上述步骤S101的内容，得到2011年内每一天的累计水量值；然后执行步骤S102的内容，从2011年内的365个累计水量值中选择最大累计水量值和最小累计水量值，根据最大累计水量值和最小累计水量值确定2011年的蓄水能力指标。
采用与上述相同的方法，获得其他第二周期的蓄水能力指标，例如分别获得2012年的蓄水能力指标、2013年的蓄水能力指标、2014年的蓄水能力指标、2015年的蓄水能力指标、2016年的蓄水能力指标、2017年的蓄水能力指标、2018年的蓄水能力指标。
S202、从各第二周期的蓄水能力指标中选择一个第二周期的蓄水能力指标作为所述土壤的蓄水能力指标。
本实施例中，将各第二周期的蓄水能力指标综合在一起，扩大了土壤的蓄水能力指标的候选项数，从各第二周期的蓄水能力指标中选择一个能够准确代表土壤的蓄水能力情况的第二周期的蓄水能力指标作为土壤的蓄水能力指标，能够提高估算结果的准确性。
本实施例中，例如从2011年的蓄水能力指标、2012年的蓄水能力指标、2013年的蓄水能力指标、2014年的蓄水能力指标、2015年的蓄水能力指标、2016年的蓄水能力指标、2017年的蓄水能力指标、2018年的蓄水能力指标中，选择一个可以认为能够准确代表土壤的蓄水能力情况的蓄水能力指标作为土壤的蓄水能力指标。具体的选择办法例如是：从2011年-2018年的蓄水能力指标中，2015年的蓄水能力指标最大，那么可以认为2015年的蓄水能力指标能够准确代表土壤的蓄水能力情况，因此选择2015年的蓄水能力指标作为待估算区域的土壤的蓄水能力指标。
本实施例通过获取各第二周期的最大累计水量值和最小累计水量值确定各第二周期的土壤的蓄水能力指标，然后从各第二周期的土壤的蓄水能力指标中选择一个作为待估算区域的土壤的蓄水能力指标，由于各第二周期的最大累计水量值和最小累计水量值在一定程度上可以表征各第二周期内土壤的库容，即蓄水能力，由此将各第二周期的蓄水能力指标综合起来，可以从各第二周期的蓄水能力指标中选择出能够准确代表土壤的蓄水能力作为土壤的蓄水能力指标，从而提高了估算结果的准确性。
考虑到从各第二周期的蓄水能力指标中选择一个第二周期的蓄水能力指标的过程，如果以各第二周期的蓄水能力指标均作为候选项，候选项数量较多，因此运算量巨大，可选的，为了减少数据运算量，如图4所示，本实施例中，计算机设备还可以进一步的执行：将各第二周期的蓄水能力指标划分为多个分组，并根据分组确定蓄水能力指标的具体过程，该方法具体包括以下步骤：
S301、根据不同蓄水能力指标范围，将各第二周期的蓄水能力指标进行分组。
本实施例中，不同蓄水能力指标范围可以表示多个蓄水能力指标区间，不同蓄水能力指标范围的确定可以是根据经验得来，也可以是根据多个第二周期的蓄水能力指标来进行设计，不同蓄水能力指标范围的蓄水能力指标区间的间隔越小，则根据不同蓄水能力指标范围确定的每一个分组中的各第二周期的蓄水能力指标的差异越小。例如第一指标范围为(499，499.9)，第二指标范围为(500，500.9)，第三指标范围为(501，501.9)。各第二周期的蓄水能力指标例如是：2011年的蓄水能力指标为500.4、2012年的蓄水能力指标500.8、2013年的蓄水能力指标499、2014年的蓄水能力指标500.5、2015年的蓄水能力指标500.4、2016年的蓄水能力指标500.4、2017年的蓄水能力指标501.2、2018年的蓄水能力指标501.6。那么各分组的情况如下：
第一分组为落入第一指标范围的蓄水能力指标：2013年的蓄水能力指标499。
第二分组为落入第二指标范围的蓄水能力指标：2011年的蓄水能力指标为500.4，2012年的蓄水能力指标500.8，2014年的蓄水能力指标500.5，2015年的蓄水能力指标500.4，2016年的蓄水能力指标500.4。
第三分组为落入第三指标范围的蓄水能力指标：2017年的蓄水能力指标501.2、2018年的蓄水能力指标501.6。
S302、从蓄水能力指标个数最多的分组中选择一个蓄水能力指标作为所述土壤的蓄水能力指标。
其中，一个分组中蓄水能力指标的个数越多，那么出现最接近实际蓄水能力指标的概率就越大，说明该分组中的蓄水能力指标能够代表土壤的蓄水能力的可能性越大，由于第一分组中包括的蓄水能力指标的个数为1；第二分组中包括的蓄水能力指标的个数为5，因此第二分组包括的蓄水能力指标的个数最多，因此，从第二分组中的蓄水能力指标中可以任选一个，例如选择第二分组中的2014年的蓄水能力指标500.5作为土壤的蓄水能力指标。
或者，从第二分组中的蓄水能力指标中，选择出现次数最多的蓄水能力指标500.4作为土壤的蓄水能力指标。
上述实施例，通过根据不同蓄水能力指标范围将各第二周期的蓄水能力指标进行分组，并从蓄水能力指标个数最多的分组中选择一个蓄水能力指标作为土壤的蓄水能力指标。由于不同蓄水能力指标范围表示多个蓄水能力指标区间，根据不同蓄水能力指标范围进行划分之后，处于同一蓄水能力指标区间的蓄水能力指标能够被划分到同一分组中，因此分组中蓄水能力指标的个数越多，说明处于同一蓄水能力指标区间的蓄水能力指标的个数越多，那么出现最接近实际蓄水能力指标的概率就越大，即该分组中的蓄水能力指标能够代表土壤的蓄水能力的可能性越大，由此，只需要从蓄水能力指标的个数最多的分组中就可以选择出能够准确代表土壤的蓄水能力的蓄水能力指标，减少了候选项数量，因此降低了数据运算量，且提高了估算结果的准确性。
由于一个地区的待估算区域的土壤与该地区的水文环境，例如下垫面环境、土地利用情况、温度气象数据、降水、季风等因素均有非常密切的关联，因此该些因素对土壤的蓄水能力具有较大影响，因此，在确定待估算区域的土壤的蓄水能力指标时可以将待估算区域的水文环境信息考虑在内。因此本实施例中，如图5所示，计算机设备还可以进一步的执行：将各第二周期的蓄水能力指标分别输入水文模型中，根据水文模型的输出确定土壤的蓄水能力指标的具体过程，该方法具体包括以下步骤：
S401、将各第二周期的蓄水能力指标分别输入水文模型中，得到各所述第二周期的第一蒸散量。
其中，蒸散是植被及地面整体向大气输送的水汽总通量，主要包括植被蒸腾和地表蒸发，蒸散量表示待估算区域内的植被蒸腾量和地表蒸发量的总和。水文模型指用模拟方法将复杂的水文现象和过程经概化所给出的近似的科学模型，水文模型的模拟过程为：根据待估算区域的下垫面环境、土地利用情况、温度气象数据、降水、季风等因素对自然系统进行动态描述的过程。可以根据实际需求设定对应的水文模拟结果。
本实施例中，将各第二周期的蓄水能力指标分别输入水文模型中，即将第二周期的蓄水能力指标与待估算区域的下垫面环境、土地利用情况、温度气象数据、降水、季风等因素相结合处理的过程，水文模型的模拟结果就是对第二周期的蓄水能力指标、待估算区域的下垫面环境、土地利用情况、温度气象数据、降水、季风等全部因素综合处理之后的结果，模拟结果包括多项内容，这里不进行展开，本实施例以各第二周期的第一蒸散量为目标模拟结果。
具体的，本实施例中，第二周期各自的蓄水能力指标例如是：2011年的蓄水能力指标为500.4、2012年的蓄水能力指标500.8、2013年的蓄水能力指标499、2014年的蓄水能力指标500.5、2015年的蓄水能力指标500.4、2016年的蓄水能力指标500.4、2017年的蓄水能力指标501.2、2018年的蓄水能力指标501.6。
以2011年为例，将2011年的蓄水能力指标输入水文模型中进行水文模拟，可以得到2011年对应的第一蒸散量，同样的，分别将各第二周期的蓄水能力指标输入水文模型中进行水文模拟，得到各第二周期的第一蒸散量，其中各第二周期的第一蒸散量例如是：2012年对应的第一蒸散量，2013年对应的第一蒸散量，2014年对应的第一蒸散量，2015年对应的第一蒸散量，2016年对应的第一蒸散量，2017年对应的第一蒸散量，2018年对应的第一蒸散量。
S402、从各第二周期的第一蒸散量中，选择与第二蒸散量的差异程度小于程度阈值的目标蒸散量，所述第二蒸散量为通过测量获得的所述土壤的蒸散量。
其中，第二蒸散量是通过测量和计算获得的待估算区域的土壤的蒸散量(其具体过程不在此进行论述)，一般将第二蒸散量看作是待估算区域的实际蒸散量，因此以第二蒸散量为标准值对第一蒸散量进行评估，能够确定出最接近实际蒸散量的第一蒸散量。程度阈值表示第一蒸散量与第二蒸散量的差异程度最大的值，当第一蒸散量与第二蒸散量之间的差异程度大于程度阈值时，说明该第一蒸散量与第二蒸散量差别较大，那么该第一蒸散量对应的第二周期的蓄水能力指标与实际的土壤的蓄水能力指标也差别较大，该第一蒸散量对应的第二周期的蓄水能力指标不能用于代表土壤的蓄水能力。而当第一蒸散量与第二蒸散量之间的差异程度小于程度阈值时，说明该第一蒸散量与第二蒸散量的差异较小或者没有差异，该第一蒸散量最接近实际蒸散量即为目标蒸散量。根据上述原理将多个第一蒸散量与第二蒸散量进行分别对比，选出目标蒸散量。
S403、将所述目标蒸散量对应的蓄水能力指标作为所述土壤的蓄水能力指标。
由于目标蒸散量是最接近实际蒸散量的第一蒸散量，相应的，目标蒸散量对应的第二周期的蓄水能力指标也是最能准确代表土壤的蓄水能力的蓄水能力指标，因此将目标蒸散量对应的蓄水能力指标作为所述土壤的蓄水能力指标。
上述实施例中，通过将各第二周期的蓄水能力指标分别输入水文模型中进行水文模拟，得到各第二周期的第一蒸散量，根据程度阈值和第二蒸散量，从各第二周期的第一蒸散量中选择目标蒸散量，进而根据目标蒸散量确定土壤的蓄水能力指标。由于通过水文模型的模拟将多种水文现象和过程与第二周期的蓄水能力指标结合起来，能够全面反映待估算区域的土壤的实际水文情况，因此得到的第一蒸散量较为准确，进一步的，将第一蒸散量与第二蒸散量相比，由于一般将第二蒸散量看作实际蒸散量，因此能够从各第二周期的第一蒸散量中选择出最接近实际蒸散量的目标蒸散量，相应的，目标蒸散量对应的第二周期的蓄水能力指标为最接近实际的土壤的蓄水能力指标，因此，本实施例能够提高土壤的蓄水能力评估的准确性。
由于各第二周期的蓄水能力指标逐一地输入水文模型中进行水文模拟，需要对各第二周期的蓄水能力指标进行逐一模拟运算，数据运算量较大，因此本实施例中，如图6所示，计算机设备还可以进一步的执行：对各第二周期的蓄水能力指标划进行分组，从各分组中选择一个待验证蓄水能力指标输入到水文模型中得到各分组的第一蒸散量，然后根据各分组的第一蒸散量选出土壤的蓄水能力指标的具体过程，该方法具体包括以下步骤：
S501、根据不同蓄水能力指标范围，将各第二周期的蓄水能力指标进行分组。
其中，不同蓄水能力指标范围表示多个蓄水能力指标区间，不同蓄水能力指标范围的确定可以是根据经验得来，也可以是根据多个第二周期的蓄水能力指标来进行设计，不同蓄水能力指标范围的蓄水能力指标区间的间隔越小，则根据不同蓄水能力指标范围确定的每一个分组中，各第二周期的蓄水能力指标的差异越小。
本实施例中，对多个第二周期各自的蓄水能力指标的划分过程与步骤S301中的可以相同，假设经过分组之后得到的分组结果为：
第一分组为：2013年的蓄水能力指标499。
第二分组为：2011年的蓄水能力指标为500.4，2012年的蓄水能力指标500.8，2014年的蓄水能力指标500.5，2015年的蓄水能力指标500.4，2016年的蓄水能力指标500.4。
第三分组为：2017年的蓄水能力指标501.2、2018年的蓄水能力指标501.6。
S502、从各分组中选择一个蓄水能力指标作为各所述分组的待验证蓄水能力指标。
其中，由于不同蓄水能力指标范围表示多个蓄水能力指标区间，根据不同蓄水能力指标范围进行划分之后，差异较小的蓄水能力指标被划分到同一分组中，因此从各分组中选择出来的待验证蓄水能力指标能够代表该分组的所有第二周期的蓄水能力指标。待验证蓄水能力指标可以是从分组的多个第二周期的蓄水能力指标中随机选择出来的，或者是选择分组中出现次数最多的蓄水能力指标，或者是选择分组中最接近该分组的蓄水能力指标中值的蓄水能力指标，本申请对此不做限制。
本实施例中，例如选择2013年的蓄水能力指标499为第一分组的待验证蓄水能力指标。选择2011年的蓄水能力指标500.4为第二分组的待验证蓄水能力指标。选择2017年的蓄水能力指标501.2为第三分组的待验证蓄水能力指标。
S503、将各分组的所述待验证蓄水能力指标输入水文模型中，得到各所述分组的第一蒸散量。
本实施例中，分别将第一分组、第二分组和第三分组的待验证蓄水能力指标输入到水文模型中，对应得到三个分组各自的第一蒸散量，只需要进行三次模拟，而不需要对全部的多个第二周期的蓄水能力指标进行模拟验证，降低了数据处理量。
S504、从各分组的第一蒸散量中，选择与第二蒸散量的差异程度小于程度阈值的目标蒸散量，所述第二蒸散量为通过测量获得的所述土壤的蒸散量。
本实施例中，第二蒸散量是通过测量和计算获得的待估算区域的土壤的蒸散量(其具体过程不在此进行论述)，一般将第二蒸散量看作是待估算区域的实际蒸散量，因此以第二蒸散量为标准值对第一蒸散量进行评估，能够确定出最接近实际蒸散量的第一蒸散量。程度阈值表示第一蒸散量与第二蒸散量的差异程度最大的值，当第一蒸散量与第二蒸散量之间的差异程度大于程度阈值时，说明该第一蒸散量与第二蒸散量差别较大，那么该第一蒸散量对应的分组的待验证蓄水能力指标与实际的土壤的蓄水能力指标也差别较大，该第一蒸散量对应的分组的待验证蓄水能力指标不能用于代表土壤的蓄水能力。而当第一蒸散量与第二蒸散量之间的差异程度小于程度阈值时，说明该第一蒸散量与第二蒸散量的差异较小或者没有差异，该第一蒸散量最接近实际蒸散量即为目标蒸散量。根据上述原理将多个第一蒸散量与第二蒸散量进行分别对比，选出目标蒸散量。
S505、将所述目标蒸散量对应分组的待验证蓄水能力指标作为所述土壤的蓄水能力指标。
由于目标蒸散量是最接近实际蒸散量的第一蒸散量，相应的，目标蒸散量对应的分组的待验证蓄水能力指标也是最能准确代表土壤的蓄水能力的蓄水能力指标，因此将目标蒸散量对应的蓄水能力指标作为所述土壤的蓄水能力指标。例如选择第二分组的待验证蓄水能力指标500.4作为土壤的蓄水能力指标。
上述实施例，通过对各第二周期的蓄水能力指标进行分组，然后从每个分组中选出一个待验证蓄水能力指标，仅将各分组的待验证蓄水能力指标输入水文模型中进行水文模拟，相比于将各第二周期的蓄水能力指标逐一地输入水文模型中，减少了数据运算量，并且，将待验证蓄水能力指标输入到水文模型中，通过水文模型的模拟将多种水文现象和过程与第二周期的蓄水能力指标结合起来，能够全面反映待估算区域的土壤的实际水文情况，因此得到的第一蒸散量较为准确，进一步的，将第一蒸散量与第二蒸散量相比，能够从各分组的第一蒸散量中选择出最接近实际蒸散量的目标蒸散量，相应的，目标蒸散量对应的各分组的待验证蓄水能力指标为最接近实际的土壤的蓄水能力指标，因此，本实施例能够不仅减少了数据运算量，而且提高了土壤的蓄水能力评估的准确性。
由于蓄水量变化值ΔS(i)表征第一周期内土壤中的水量变化量，可以基于流入和流出土壤的水量来确定，为了提高蓄水量变化值的精度，本实施例中，如图7所示，计算机设备还可以进一步的执行：获取各第一周期的水文通量，根据水文通量计算各第一周期的蓄水量变化值的具体过程，该方法具体包括以下步骤：
S601、获取待估算区域内各第一周期的水文通量，所述水文通量用于指示流入所述土壤的水量值和从所述土壤流出的水量值。
本实施例中，水文通量表示第一周期内待估算区域的土壤与外部环境进行水汽交换的总量。水文通量一般包括有效降水量Pe、融雪入渗量SM、灌溉入渗量IR、地表蒸发量E、植被蒸腾量T、地表径流量Rs和地下径流量Rss中的一种或多种，每个第一周期均具有各自对应的水文通量，多个第一周期各自的水文通量相互之间没有关联。每一个第一周期的水文通量可以通过测量得来，也可以是根据数据库中的现有数据进行计算得来。
S602、根据各第一周期的水文通量，确定各第一周期的蓄水量变化值。
本实施例中，把土壤作为主体，识别水文通量中第一周期内流入土壤中的入库水量F入和从土壤中流出的出库水量F出，其中，F入包括但不限于：有效降水量Pe、融雪入渗量SM、灌溉入渗量IR中的一种或多种；其中有效降水量包括有效降雨量、有效降雪量。F出包括但不限于：地表蒸发量E、植被蒸腾量T、地表径流量Rs、地下径流量Rss中的一种或多种。例如：第一周期内有效降水量Pe为20，融雪入渗量为30，灌溉入渗量为15；那么F入＝20+30+15＝65；地表蒸发量E为45，植被蒸腾量为15，地表径流量20，地下径流量为10，那么F出＝45+15+20+10＝90，那么该第一周期流入土壤的水量与流出土壤的水量的差值为-25，蓄水量变化值为25。
按照上述计算过程，根据每一个第一周期的水文通量，能够得到每一个第一周期的蓄水量变化值。
本实施例中，根据水文通量确定第一周期的蓄水量变化值的方法还可以是：
S6021：对各第一周期的水文通量以所述第一周期为时间步长进行积分运算，得到各第一周期的所述蓄水量变化值。
其中，水文通量具体用于指示流入所述土壤的水量值的瞬时值和从所述土壤流出的水量值的瞬时值；即第一周期内的某一时刻的待估算区域的土壤与外部环境之间的水汽交换量。根据水文通量计算得到某一时刻土壤的水量变化量ΔS，ΔS＝F入-F出，设定第一周期的时间长度t为一天，以t为时间步长进行积分，根据公式1得到第一周期的蓄水量变化值。
Figure GDA0003229043680000161
其中，t＝1,2,...n，F入包括但不限于：有效降水量Pe、融雪入渗量SM、灌溉入渗量IR中的一种或多种；其具体可通过图8(a)表示，图8(a)为流入土壤的水量曲线，图8(b)与图8(a)对应，具体的图8(b)为流入土壤的累计水量曲线；图8(a)中横坐标表示时间，纵坐标表示流入土壤的水量值，其中阴影区域的面积Vt表示流入土壤的t时间累计水量。图8(b)中横坐标表示时间，纵坐标表示流入土壤的累计水量值，图8(a)中阴影区域的面积Vt为图8(b)中在t时刻的纵坐标对应的累计水量值Vt。
F出包括但不限于：地表蒸发量E、植被蒸腾量T、地表径流量Rs、地下径流量Rss中的一种或多种，其具体可以通过图8(c)中的曲线2表示，图8(c)为流入土壤和从土壤出流出的水量变化曲线图；对应于公式1中的积分运算过程得到如图8(d)所示的蓄水量变化值曲线，具体的；图8(c)中横坐标表示时间，纵坐标表示流入流出水量，其中曲线1表示流入土壤的水量曲线，曲线2表示从土壤中流出的水量曲线；其中，流入土壤的水量大于从土壤中流出的水量时，二者的差值用曲线1和曲线2之间的点状区域表示，而当流入土壤的水量小于从土壤中流出的水量时，二者的差值用曲线1和曲线2之间的斜线区域表示。对应到图8(d)中，图8(d)的横坐标表示时间，纵坐标表示蓄水量变化值，即曲线1与曲线2的差值，具体的，图8(c)中流入土壤的水量大于从土壤中流出的水量时，图8(d)中蓄水量变化值表示为正数，图8(c)中流入土壤的水量小于从土壤中流出的水量时，图8(d)中蓄水量变化值表示为负数。
上述实施例通过获取水文通量，并根据土壤与周围环境之间的水汽交换过程，确定水文通量中流入土壤中的瞬时入库水量F入和从土壤中流出的瞬时出库水量F出，从而能够准确确定出蓄水量变化值，在此基础上可以得到更准确的土壤的蓄水能力指标，因此，提高了土壤的蓄水能力的评估精度。
由于流入和流出土壤的水量类型非常多，而各水量类型对应的参数值的精度直接影响最终确定的土壤的蓄水能力指标，因此准确获得待估算区域内各第一周期的水文通量显得尤为重要。本实施例中，获取待估算区域内各第一周期的水文通量的过程如图9所示，计算机设备还可以进一步的执行：根据植被类型和映射关系，确定水文通量对应的参数类型，然后基于多源数据融合技术获得各参数类型对应的参数值的具体过程，该方法具体包括以下步骤：
S701：获取所述待估算区域中的植被类型。
其中，植被类型例如包括：常绿针叶林、常绿阔叶林、常绿阔叶与落叶阔叶混交林、落叶阔叶林、针叶阔叶混交林、针叶林灌丛、高山灌丛、高山草甸、草原、农业作物、戈壁、沙漠。
本实施例中，由于不同的植被类型可以对应有不同的环境信息，因此可以根据环境信息确定植被类型，这里环境信息例如可以包括温度气象数据、下垫面信息、植被类型等；或者，可以通过用户输入获取待估算区域中的植被类型。对于获取所述待估算区域中的植被类型的具体方式，本申请可以不做限定。
S702、根据所述植被类型以及映射关系，确定与所述植被类型匹配的参数类型，所述参数类型为用于表征水文通量的参数类型，所述映射关系包括不同的参数类型与各植被类型的对应关系；
其中，水文通量的参数类型一般包括流入土壤的有效降水量、融雪入渗量和灌溉入渗量中的一种或者多种组合，以及从土壤流出的地表蒸发量、植被蒸腾量、地表径流量和地下径流量中的一种或者多种组合。
由于不同的植被类型对应有不同的地理环境特点和气象环境特点，而不同的地理环境特点和气象环境特点影响土壤的与外部环境进行水汽交换的水文通量，例如草原区域，一般不会有降雪或者融雪入渗；沙漠区域，一般不会有灌溉入渗等，因此根据不同的地理环境特点和气象环境特点能够建立水文通量的参数类型与各植被类型之间的映射关系。例如农业作物，对应的参数类型包括：有效降水量、灌溉入渗量、地表蒸发量、植被蒸腾量、地下径流量。高山灌丛这一植被类型对应的待估算区域的土壤的水来源包括：降雨、融雪；水的使用包括：蒸发、蒸腾、地表流水、地下流水。那么对应的水文通量的多个参数类型就包括：有效降水量Pe、融雪入渗量SM、地表蒸发量E、植被蒸腾量T、地表径流量Rs、地下径流量Rss。
S703、基于多源数据融合技术确定水文通量的所述参数类型对应的参数值。
其中，多源数据融合技术，是指将同一地区不同来源的空间数据全部综合到一起，进行分析和评价，并对信息进行统一评价。多源数据例如可以包括遥感反演数据、再分析数据以及陆面同化系统数据，其中，遥感反演数据例如可以包括美国地质调查局(USGS)遥感反演降雨数据CHIRPS(0.05弧度，日尺度)，澳大利亚联邦科学与工业研究组织(CSIRO)遥感反演陆面蒸发数据CMRSET(0.05弧度，日尺度)，美国地质调查局(USGS)遥感反演陆面蒸发数据SSEBop(30弧秒，日尺度)，美国国家航空航天局(NASA)遥感反演陆面蒸发数据MOD16(0.05弧度，日尺度)。再分析数据和陆面同化系统数据例如可以包括欧洲中尺度天气预测中心(ECMWF)再分析数据ERA-Interim/Land(80公里，日尺度)，美国国家航空航天局(NASA)陆面同化系统数据GLDAS2.0和GLDAS2.1(0.25弧度，日尺度)，中国国家气象信息中心(CMA)高分辨率陆面数据同化系统HRCLDAS(1公里，日尺度)。
从上述该些多源数据中可以根据需求选择对应的水文通量的参数值，例如当水文通量的参数类型对应的参数值的空间分辨率较高时，则根据该水文通量计算得到的土壤的蓄水能力指标的精度更高。
当多源数据集中不能直接获取表征水文通量的参数类型的参数值时，本实施例中，计算机设备还可以进一步的执行：采用叶面积指数进行估算待估算区域的植被截留量，从而计算有效降水量的具体过程，该方法具体包括以下步骤：
S704、将所述第二周期内所述待估算区域的降水量与所述第二周期内所述待估算区域的植被截留量之差，作为所述有效降水量参数类型的参数值。
降雨或者降雪过程中，因为植被截留会使得部分降水滞留在植被的冠层，然后直接蒸发以水汽形式进入大气，而不会流入土壤。本实施例中的第三参数表征的是最终流入土壤的降水量，即有效降水量Pe。Pe＝P-Pi，其中，P表示第二周期内待估算区域的降水量，Pi表示第二周期内待估算区域的植被截留量。
植被截留量数据可以通过多源数据获取，也可以通过公式2计算得来。
Figure GDA0003229043680000191
其中S0待估算区域内的植被冠层最大截流能力,So＝0.3×LAI，LAI为叶面积指数，LAI可通过全球叶面积指数数据库(http://glcf.umd.edu/data/lai/)或者遥感反演实时数据库(https://neo.sci.gsfc.nasa.gov/view.php？datasetId＝MOD15A2_M_LAI)获取。
进一步的，SM表示融雪入渗量，仅在温度大于0且有积雪时产生，部分数据产品包含融雪数据，如没有可按照经验公式，对森林取2mm/day/degree(0度以上，每超过1度，融雪量增加2mm/day)，其他土地覆盖类型取4mm/day/degree进行估算，但不能超过积雪总量。比如某地区积雪为3mm，土地覆盖类型为草地，当日平均气温为2度，根据经验公式算得融雪SM＝4×2＝8mm，超过积雪总量，故而最终实际融雪量为3mm。本方式作为融雪入渗量的补充算法，当从多源数据中不能直接获取融雪入渗量时，可以采用该种计算方式获得融雪入渗这一参数类型对应的参数值。
上述实施例通过根据植被类型和映射关系，确定水文通量对应的参数类型，然后基于多源数据融合技术获得各参数类型对应的参数值，由于不同的植被类型对应有不同的地理环境特点和气象环境特点，因此根据植被类型确定的水文通量的参数类型能够体现出待估算区域的实际地理环境特点和气象环境特点，因此得到的水文通量的参数类型更加切合实际，更加准确，进一步地，通过多源数据融合技术能够对同一地区采用不同测量方式得到的多种空间分辨率数据，不仅能够获得高空间分辨率的参数值，而且根据多源数据融合技术获得的参数值精度更高，在高精度的水文通量的基础上，对待估算区域的土壤的蓄水能力评估更加准确。
在上述实施例的基础上，本实施例中，对全球范围内的土壤进行估算，具体的将全球范围的土壤进行区域划分，得到多个待估算区域，然后根据上述实施例中所述的方法对多个待估算区域的土壤的蓄水能力进行估算，并得到多个待估算区域的土壤的蓄水能力指标，最终形成一套能够反映全球范围内的土壤的蓄水能力分布曲线。
考虑到一套水文通量对应的待估算区域的土壤的库容存在不确定性，本实施例中，从多源数据中获取每一待估算区域的3套水文通量，最终形成3套能够反映全球范围内的土壤的蓄水能力分布的示意图，例如是图10和图11所示的曲线图。
其中，图10为全球不同维度对应的土壤蓄水能力分布图；其包括曲线A、曲线B和曲线C三条曲线，是根据3套水文通量进行反演和统计分析之后得来的，图10中的横坐标表示土壤的蓄水能力指标，纵坐标表示纬度，通过图10可以看出三条曲线在北纬80度，南纬60度的区域土壤的蓄水能力指标均较小，而位于赤道附近的土壤的蓄水能力指标较大，这与南极北极区域土壤蓄水能力较差、赤道雨林区域土壤蓄水能力较大的实际经验较为吻合。
图11为不同植被类型-全球土壤蓄水能力对比图。其包括不同植被类型对应的土壤的蓄水能力指标，每一植被类型对应的3套土壤的蓄水能力指标是根据3套水文通量进行反演和统计分析之后得来的，图11的横坐标为不同植被类型，纵坐标表示蓄水能力指标。
从图10可以看出，在北纬80度，曲线A和曲线B比较接近，那么该区域的土壤蓄水能力值倾向于根据曲线A和曲线B确定；而在赤道附近，曲线B与曲线C拟合度高，而曲线A与二者差距较大，因此该区域的土壤的蓄水能力值倾向于根据曲线B和曲线C确定。从图11可以看出，在常绿阔叶林这一植被区柱2与柱3比较接近，而柱1与二者差距较大，因此，在常绿阔叶林这一植被区，土壤蓄水能力值倾向于根据柱2与柱3确定；对应的在贫瘠土地这一区域，柱1与柱2较为接近，而与柱3差异性较大，因此在贫瘠土地这一区域，土壤蓄水能力值倾向于根据柱1与柱2确定。根据上述对图10和图11的分析进行数据同化处理，以3套水文通量对应计算得到的土壤的蓄水能力中选择最合适的土壤的蓄水能力指标作为该区域的土壤的蓄水能力指标，该种通过3套数据进行对比选择的过程，能够避免单套数据带来的不确定性影响，最终获得全球高精度土壤总蓄水能力产品。
在一个实施例中，如图12所示，提供了一种土壤蓄水能力的估算装置，包括：累计水量值确定模块11、选择模块12和蓄水能力指标确定模块13，其中：
累计水量值确定模块11，用于根据第二周期内各第一周期的土壤的蓄水量变化值，确定所述第二周期内各第一周期的累计水量值；其中，所述第二周期内包括多个第一周期，所述第二周期内的第i个第一周期的累计水量值用于指示所述第i个第一周期至所述第二周期内的第1个第一周期的土壤的蓄水量变化值，i为大于0的自然数；选择模块12，用于从各第一周期的累计水量值中，选择最大累计水量值和最小累计水量值；蓄水能力指标确定模块13，用于根据所述最大累计水量值和所述最小累计水量值，确定所述土壤的蓄水能力指标，所述蓄水能力指标用于表征土壤的蓄水量的大小。
在一个实施例中，所述蓄水能力指标确定模块13，包括：
确定单元，用于根据各第二周期的最大累计水量值和最小累计水量值，确定各第二周期的蓄水能力指标；选择单元，用于从各第二周期的蓄水能力指标中选择一个第二周期的蓄水能力指标作为所述土壤的蓄水能力指标。
在一个实施例中，所述选择单元，具体用于根据不同蓄水能力指标范围，将各第二周期的蓄水能力指标进行分组；从蓄水能力指标个数最多的分组中选择一个蓄水能力指标作为所述土壤的蓄水能力指标。
在一个实施例中，所述选择单元，具体用于将各第二周期的蓄水能力指标分别输入水文模型中，得到各所述第二周期的第一蒸散量；从各第二周期的第一蒸散量中，选择与第二蒸散量的差异程度小于程度阈值的目标蒸散量，所述第二蒸散量为通过测量获得的所述土壤的蒸散量；将所述目标蒸散量对应的蓄水能力指标作为所述土壤的蓄水能力指标。
在一个实施例中，所述选择单元，具体用于根据不同蓄水能力指标范围，将各第二周期的蓄水能力指标进行分组；从各分组中选择一个蓄水能力指标作为各所述分组的待验证蓄水能力指标；将各分组的所述待验证蓄水能力指标输入水文模型中，得到各所述分组的第一蒸散量；从各分组的第一蒸散量中，选择与第二蒸散量的差异程度小于程度阈值的目标蒸散量，所述第二蒸散量为通过测量获得的所述土壤的蒸散量；将所述目标蒸散量对应分组的待验证蓄水能力指标作为所述土壤的蓄水能力指标。
在一个实施例中，所述装置还包括：水文通量获取模块，用于获取待估算区域内各第一周期的水文通量，所述水文通量用于指示流入所述土壤的水量值和从所述土壤流出的水量值；蓄水量变化值确定模块，用于根据各第一周期的水文通量，确定各所述第一周期的蓄水量变化值。
在一个实施例中，所述水文通量用于指示流入所述土壤的水量值的瞬时值和从所述土壤流出的水量值的瞬时值；所述蓄水量变化值确定模块，具体用于对各第一周期的水文通量以所述第一周期为时间步长进行积分运算，得到各所述第一周期的所述蓄水量变化值。
在一个实施例中，所述蓄水量变化值的正负表示流入流出；所述累计水量值确定模块，具体用于将所述第二周期内的第i个第一周期至所述第二周期内的第1个第一周期的蓄水量变化值之和，作为所述第i个第一周期的累计水量值。
在一个实施例中，所述水文通量获取模块包括：植被类型确定单元，用于获取所述待估算区域中的植被类型；参数类型确定单元，用于根据所述植被类型以及映射关系，确定与所述植被类型匹配的参数类型，所述参数类型为用于表征水文通量的参数类型，所述映射关系包括不同的参数类型与各植被类型的对应关系；参数值确定单元，用于基于多源数据融合技术确定水文通量的所述参数类型对应的参数值。
在一个实施例中，所述参数类型包括有效降水量参数类型；所述参数值确定单元，具体用于将所述第二周期内所述待估算区域的降水量与所述第二周期内所述待估算区域的植被截留量之差，作为所述有效降水量参数类型的参数值。
关于土壤蓄水能力的估算装置的具体限定可以参见上文中对于土壤蓄水能力的估算方法的限定，在此不再赘述。上述土壤蓄水能力的估算装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
根据第二周期内各第一周期的土壤的蓄水量变化值，确定所述第二周期内各第一周期的累计水量值；其中，所述第二周期内包括多个第一周期，所述第二周期内的第i个第一周期的累计水量值用于指示所述第i个第一周期至所述第二周期内的第1个第一周期的土壤的蓄水量变化值，i为大于0的自然数；
从各第一周期的累计水量值中，选择最大累计水量值和最小累计水量值；
根据所述最大累计水量值和所述最小累计水量值，确定所述土壤的蓄水能力指标，所述蓄水能力指标用于表征土壤的蓄水量的大小。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
根据第二周期内各第一周期的土壤的蓄水量变化值，确定所述第二周期内各第一周期的累计水量值；其中，所述第二周期内包括多个第一周期，所述第二周期内的第i个第一周期的累计水量值用于指示所述第i个第一周期至所述第二周期内的第1个第一周期的土壤的蓄水量变化值，i为大于0的自然数；
从各第一周期的累计水量值中，选择最大累计水量值和最小累计水量值；
根据所述最大累计水量值和所述最小累计水量值，确定所述土壤的蓄水能力指标，所述蓄水能力指标用于表征土壤的蓄水量的大小。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (20)

1.一种土壤蓄水能力的估算方法，其特征在于，包括：
根据第二周期内的第i个第一周期至所述第二周期内的第1个第一周期的蓄水量变化值之和，确定所述第i个第一周期的累计水量值；其中，所述第二周期内包括多个第一周期，所述第二周期内的第i个第一周期的累计水量值用于指示所述第i个第一周期至所述第二周期内的第1个第一周期的土壤的蓄水量变化值，i为大于0的自然数；
从各第一周期的累计水量值中，选择最大累计水量值和最小累计水量值；
根据各第二周期的最大累计水量值和最小累计水量值的差值，确定各第二周期的蓄水能力指标；根据各第二周期的蓄水能力指标确定所述土壤的蓄水能力指标，所述蓄水能力指标用于表征土壤的蓄水量的大小；所述最大累计水量值表征土壤在测量开始状态下允许的最大盈余水量，所述最小累计水量值表征土壤在测量开始状态下允许的最大亏损水量。
2.根据权利要求1所述的估算方法，其特征在于，所述根据各第二周期的蓄水能力指标确定所述土壤的蓄水能力指标，包括：
从各第二周期的蓄水能力指标中选择一个第二周期的蓄水能力指标作为所述土壤的蓄水能力指标。
3.根据权利要求2所述的估算方法，其特征在于，所述从各第二周期的蓄水能力指标中选择一个第二周期的蓄水能力指标作为所述土壤的蓄水能力指标，包括：
根据不同蓄水能力指标范围，将各第二周期的蓄水能力指标进行分组；
从蓄水能力指标个数最多的分组中选择一个蓄水能力指标作为所述土壤的蓄水能力指标。
4.根据权利要求2所述的估算方法，其特征在于，所述从各第二周期的蓄水能力指标中，选择一个第二周期的蓄水能力指标作为所述土壤的蓄水能力指标，包括：
将各第二周期的蓄水能力指标分别输入水文模型中，得到各所述第二周期的第一蒸散量；
从各第二周期的第一蒸散量中，选择与第二蒸散量的差异程度小于程度阈值的目标蒸散量，所述第二蒸散量为通过测量获得的所述土壤的蒸散量；
将所述目标蒸散量对应的蓄水能力指标作为所述土壤的蓄水能力指标。
5.根据权利要求2所述的估算方法，其特征在于，所述从各第二周期的蓄水能力指标中，选择一个第二周期的蓄水能力指标作为所述土壤的蓄水能力指标，包括：
根据不同蓄水能力指标范围，将各第二周期的蓄水能力指标进行分组；
从各分组中选择一个蓄水能力指标作为各所述分组的待验证蓄水能力指标；
将各所述分组的待验证蓄水能力指标输入水文模型中，得到各所述分组的第一蒸散量；
从各分组的第一蒸散量中，选择与第二蒸散量的差异程度小于程度阈值的目标蒸散量，所述第二蒸散量为通过测量获得的所述土壤的蒸散量；
将所述目标蒸散量对应分组的待验证蓄水能力指标作为所述土壤的蓄水能力指标。
6.根据权利要求1所述的估算方法，其特征在于，所述方法还包括：
获取待估算区域内各第一周期的水文通量，所述水文通量用于指示流入所述土壤的水量值和从所述土壤流出的水量值；
根据各第一周期的水文通量，确定各所述第一周期的蓄水量变化值。
7.根据权利要求6所述的估算方法，其特征在于，所述水文通量具体用于指示流入所述土壤的水量值的瞬时值和从所述土壤流出的水量值的瞬时值；
所述根据第二周期内各第一周期的土壤的蓄水量变化值，确定所述第二周期内各第一周期的累计水量值，包括：
对各第一周期的水文通量以所述第一周期为时间步长进行积分运算，得到各所述第一周期的所述蓄水量变化值。
8.根据权利要求6所述的估算方法，其特征在于，所述获取待估算区域内各第一周期的水文通量，包括：
获取所述待估算区域中的植被类型；
根据所述植被类型以及映射关系，确定与所述植被类型匹配的参数类型，所述参数类型为用于表征水文通量的参数类型，所述映射关系包括不同的参数类型与各植被类型的对应关系；
基于多源数据融合技术确定水文通量的所述参数类型对应的参数值。
9.根据权利要求8所述的估算方法，其特征在于，所述参数类型包括有效降水量参数类型；
所述方法还包括：
将所述第二周期内所述待估算区域的降水量与所述第二周期内所述待估算区域的植被截留量之差，作为所述有效降水量参数类型的参数值。
10.一种土壤蓄水能力的估算装置，其特征在于，包括：
累计水量值确定模块，用于根据第二周期内的第i个第一周期至所述第二周期内的第1个第一周期的蓄水量变化值之和，确定所述第i个第一周期的累计水量值；其中，所述第二周期内包括多个第一周期，所述第二周期内的第i个第一周期的累计水量值用于指示所述第i个第一周期至所述第二周期内的第1个第一周期的土壤的蓄水量变化值，i为大于0的自然数；
选择模块，用于从各第一周期的累计水量值中，选择最大累计水量值和最小累计水量值；
蓄水能力指标确定模块，用于根据各第二周期的最大累计水量值和最小累计水量值的差值，确定各第二周期的蓄水能力指标；根据各第二周期的蓄水能力指标确定所述土壤的蓄水能力指标，所述蓄水能力指标用于表征土壤的蓄水量的大小；所述最大累计水量值表征土壤在测量开始状态下允许的最大盈余水量，所述最小累计水量值表征土壤在测量开始状态下允许的最大亏损水量。
11.根据权利要求10所述的估算装置，其特征在于，所述蓄水能力指标确定模块，包括：
确定单元，用于根据各第二周期的最大累计水量值和最小累计水量值，确定各第二周期的蓄水能力指标；
选择单元，用于从各第二周期的蓄水能力指标中选择一个第二周期的蓄水能力指标作为所述土壤的蓄水能力指标。
12.根据权利要求11所述的估算装置，其特征在于，
所述选择单元，具体用于根据不同蓄水能力指标范围，将各第二周期的蓄水能力指标进行分组；从蓄水能力指标个数最多的分组中选择一个蓄水能力指标作为所述土壤的蓄水能力指标。
13.根据权利要求11所述的估算装置，其特征在于，
所述选择单元，具体用于将各第二周期的蓄水能力指标分别输入水文模型中，得到各所述第二周期的第一蒸散量；从各第二周期的第一蒸散量中，选择与第二蒸散量的差异程度小于程度阈值的目标蒸散量，所述第二蒸散量为通过测量获得的所述土壤的蒸散量；将所述目标蒸散量对应的蓄水能力指标作为所述土壤的蓄水能力指标。
14.根据权利要求11所述的估算装置，其特征在于，
所述选择单元，具体用于根据不同蓄水能力指标范围，将各第二周期的蓄水能力指标进行分组；从各分组中选择一个蓄水能力指标作为各所述分组的待验证蓄水能力指标；将各所述分组的待验证蓄水能力指标输入水文模型中，得到各所述分组的第一蒸散量；从各分组的第一蒸散量中，选择与第二蒸散量的差异程度小于程度阈值的目标蒸散量，所述第二蒸散量为通过测量获得的所述土壤的蒸散量；将所述目标蒸散量对应分组的待验证蓄水能力指标作为所述土壤的蓄水能力指标。
15.根据权利要求10所述的估算装置，其特征在于，所述装置还包括：
水文通量获取模块，用于获取待估算区域内各第一周期的水文通量，所述水文通量用于指示流入所述土壤的水量值和从所述土壤流出的水量值；
蓄水量变化值确定模块，用于根据各第一周期的水文通量，确定各所述第一周期的蓄水量变化值。
16.根据权利要求15所述的估算装置，其特征在于，所述水文通量用于指示流入所述土壤的水量值的瞬时值和从所述土壤流出的水量值的瞬时值；
所述蓄水量变化值确定模块，具体用于对各第一周期的水文通量以所述第一周期为时间步长进行积分运算，得到各所述第一周期的所述蓄水量变化值。
17.根据权利要求15所述的估算装置，其特征在于，所述水文通量获取模块包括：
植被类型确定单元，用于获取所述待估算区域中的植被类型；
参数类型确定单元，用于根据所述植被类型以及映射关系，确定与所述植被类型匹配的参数类型，所述参数类型为用于表征水文通量的参数类型，所述映射关系包括不同的参数类型与各植被类型的对应关系；
参数值确定单元，用于基于多源数据融合技术确定水文通量的所述参数类型对应的参数值。
18.根据权利要求17所述的估算装置，其特征在于，所述参数类型包括有效降水量参数类型；
所述参数值确定单元，具体用于将所述第二周期内所述待估算区域的降水量与所述第二周期内所述待估算区域的植被截留量之差，作为所述有效降水量参数类型的参数值。
19.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述土壤蓄水能力的估算方法。
20.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至9中任一项所述土壤蓄水能力的估算方法。
CN201910440601.7A 2019-05-24 2019-05-24 土壤蓄水能力的估算方法、装置、设备及存储介质 Active CN110348043B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910440601.7A CN110348043B (zh) 2019-05-24 2019-05-24 土壤蓄水能力的估算方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910440601.7A CN110348043B (zh) 2019-05-24 2019-05-24 土壤蓄水能力的估算方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN110348043A CN110348043A (zh) 2019-10-18
CN110348043B true CN110348043B (zh) 2021-11-23

Family

ID=68173972

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910440601.7A Active CN110348043B (zh) 2019-05-24 2019-05-24 土壤蓄水能力的估算方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN110348043B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112734306A (zh) * 2021-02-25 2021-04-30 澜途集思生态科技集团有限公司 一种流域生态蓄水能力评估方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103413035A (zh) * 2013-07-30 2013-11-27 中国科学院遥感与数字地球研究所 一种农田净灌溉用水模型及灌溉用水量估算方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201035900A (en) * 2009-03-19 2010-10-01 Iner Aec Executive Yuan Performance assessment system for deep geologic repository for radioactive waste

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103413035A (zh) * 2013-07-30 2013-11-27 中国科学院遥感与数字地球研究所 一种农田净灌溉用水模型及灌溉用水量估算方法

Also Published As

Publication number Publication date
CN110348043A (zh) 2019-10-18

Similar Documents

Publication Publication Date Title
Kraaijenbrink et al. Climate change decisive for Asia’s snow meltwater supply
CN106295194B (zh) 一种基于流域水量平衡原理的冰川蓄变量评估方法
Frost et al. The Australian landscape water balance model (AWRA-L v6)
Tang et al. An application of the Ts–VI triangle method with enhanced edges determination for evapotranspiration estimation from MODIS data in arid and semi-arid regions: Implementation and validation
Corbari et al. Calibration and validation of a distributed energy–water balance model using satellite data of land surface temperature and ground discharge measurements
Tesemma et al. The effect of year-to-year variability of leaf area index on Variable Infiltration Capacity model performance and simulation of runoff
Eswar et al. Disaggregation of LST over India: comparative analysis of different vegetation indices
Zhao et al. Estimation of soil moisture using modified antecedent precipitation index with application in landslide predictions
Tobin et al. Improving the degree-day method for sub-daily melt simulations with physically-based diurnal variations
Koboltschnig et al. Runoff modelling of the glacierized Alpine Upper Salzach basin (Austria): Multi‐criteria result validation
Zhuo et al. Appraisal of NLDAS-2 multi-model simulated soil moistures for hydrological modelling
Abera et al. Estimating the water budget components and their variability in a pre-alpine basin with JGrass-NewAGE
Park et al. Estimation of evapotranspiration from ground-based meteorological data and global land data assimilation system (GLDAS)
Alexandridis et al. Combining remotely sensed surface energy fluxes and GIS analysis of groundwater parameters for irrigation system assessment
Kim et al. Evaluation of a MODIS triangle-based evapotranspiration algorithm for semi-arid regions
Chirico et al. Forecasting potential evapotranspiration by combining numerical weather predictions and visible and near-infrared satellite images: An application in southern Italy
Tian et al. Partitioning the causes of spatiotemporal variation in the sunny day sap flux density of a larch plantation on a hillslope in northwest China
Kong et al. Estimation of evapotranspiration for the blown-sand region in the Ordos basin based on the SEBAL model
Corbari et al. Irrigation efficiency optimization at multiple stakeholders’ levels based on remote sensing data and energy water balance modelling
Di et al. Integrating two layers of soil moisture parameters into the MOD16 algorithm to improve evapotranspiration estimations
CN110348043B (zh) 土壤蓄水能力的估算方法、装置、设备及存储介质
Zhuo et al. Multi-source hydrological soil moisture state estimation using data fusion optimisation
Munawir et al. SEBAL Model to Estimate Biophysics and Energy Flux Variable: Availability of Evapotranspiration Distribution Using Remote Sensing in Lore Lindu National Park
Leng et al. First results of all-weather soil moisture retrieval from an optical/thermal infrared remote-sensing-based operational system in China
Follum et al. A radiation-derived temperature-index snow routine for the GSSHA hydrologic model

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
GR01 Patent grant
GR01 Patent grant