CN110533258A - 一种稻麦轮作农田涝渍预警评估方法及系统 - Google Patents
一种稻麦轮作农田涝渍预警评估方法及系统 Download PDFInfo
- Publication number
- CN110533258A CN110533258A CN201910837494.1A CN201910837494A CN110533258A CN 110533258 A CN110533258 A CN 110533258A CN 201910837494 A CN201910837494 A CN 201910837494A CN 110533258 A CN110533258 A CN 110533258A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- level
- depth
- water
- rice
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 30
- 240000000359 Triticum dicoccon Species 0.000 title claims abstract description 27
- 239000003673 groundwater Substances 0.000 claims abstract description 77
- 241000209094 Oryza Species 0.000 claims abstract description 41
- 235000007164 Oryza sativa Nutrition 0.000 claims abstract description 41
- 235000009566 rice Nutrition 0.000 claims abstract description 41
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000013178 mathematical model Methods 0.000 claims abstract description 32
- 238000010801 machine learning Methods 0.000 claims abstract description 27
- 241000209140 Triticum Species 0.000 claims abstract description 22
- 235000021307 Triticum Nutrition 0.000 claims abstract description 22
- 238000009395 breeding Methods 0.000 claims abstract description 9
- 230000001488 breeding effect Effects 0.000 claims abstract description 9
- 239000002352 surface water Substances 0.000 claims description 20
- 239000002689 soil Substances 0.000 claims description 13
- 241000196324 Embryophyta Species 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000007717 exclusion Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003967 crop rotation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 1
- 230000000536 complexating effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012279 drainage procedure Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Marine Sciences & Fisheries (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- General Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Mining & Mineral Resources (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种稻麦轮作农田涝渍预警评估方法及系统。该方法包括:获取历史气象数据;根据所述历史气象数据采用机器学习法,建立降雨量数学模型;获取未来设定天数的降雨量数据;根据所述降雨量数据和所述降雨量数学模型,预测未来田间地面水深或地下水位;获取水稻各生育期的允许淹水深度和麦季允许最高地下水位;判断所述地面水深是否超过所述允许淹水深度或地下水位是否超过允许最高地下水位;若是,则发布预警信息,并计算水稻或小麦的减产率;根据所述减产率,评估涝渍灾害;若否,则不发布预警信息。通过本发明的方法或系统能够提高农业灾害预报预警的能力和更好地对涝渍灾害进行准确的评估。
Description
技术领域
本发明涉及灾害预警领域,特别是涉及一种稻麦轮作农田涝渍预警评估方 法及系统。
背景技术
中国是一个水资源分布时空严重不均的国家,南方地区在雨季涝渍灾害频 发,在造成了巨大的经济损失的同时,也阻碍了农业的进一步发展。然而,目 前人们对于涝渍灾害的认知仍然存在着严重不足,农田涝渍灾害是降雨、下垫 面条件及农作物对涝渍灾害响应特性等复杂作用的结果,难以评估和预测,农 田涝渍灾害的评估问题有待解决。而稻麦轮作是我国农田的一种重要轮作方 式,其面积占到稻田面积的1/5左右,因此,开发出一种评估预警和评估稻麦 轮作农田涝渍灾害的方法是很有必要的。
当前,国家和政府也愈加注重灾害预警技术的发展。譬如,国家 综合防灾减灾规划(2016—2020年)中就明确指出,加强灾害监测 预报预警与风险防范能力建设,提高灾害预警信息发布的准确性、时 效性;加强工程防灾减灾能力建设。
目前关于农田涝渍灾害防控方面的研究较少,已有装置及方法多关注改良 现有农田沟渠及灌溉模式等方面,如中国专利CN102031768B公开了一种新型 农田涝渍防治装置及其应用技术,但是需要构建多级排水装置和地下水位调控 装置,缺乏对于未来涝渍灾害的预报预警和评估,装置复杂、投资较高,短期 内也难以在全国范围内推广使用。
发明内容
本发明的目的是提供一种稻麦轮作农田涝渍预警评估方法及系统,能够提 高农业灾害预报预警的能力和更好地对涝渍灾害进行准确的评估。
为实现上述目的,本发明提供了如下方案:
一种稻麦轮作农田涝渍预警评估方法,包括:
获取历史气象数据;
根据所述历史气象数据采用机器学习法,建立降雨量数学模型;
获取未来设定天数的降雨量数据;
根据所述降雨量数据和所述降雨量数学模型,预测未来田间地面水深或地 下水位;
获取水稻各生育期的允许淹水深度和麦季允许最高地下水位;
判断所述地面水深是否超过所述允许淹水深度或地下水位是否超过允许 最高地下水位;
若是,则发布预警信息,并计算水稻或小麦的减产率;
根据所述减产率,评估涝渍灾害;
若否,则不发布预警信息。
可选的,所述获取历史气象数据,具体包括:
获取历史洪涝灾害资料和中国暴雨洪涝灾害数据集。
可选的,所述根据所述历史气象数据采用机器学习法,建立降雨量数学模 型,具体包括:
根据所述历史气象数据采用机器学习法,建立降雨量数学模型 R=f(d,c)+ΔR,其中,R为历史降雨量,d为田面水深,c为地下水位,ΔR为 根据上一次得到的田面水深d和上一次得到的地下水位c计算得到的降雨量 R1与实际历史降雨量R0的差值;
所述机器学习法采用卷积神经网络法、支持向量机或随机森林法中的任意 一种。
可选的,所述获取未来设定天数的降雨量数据,具体包括:
采用爬虫方法从中国天气智慧云平台或OpenWeatherMap气象数据网站上 获取未来设定天数的降雨量数据,所述设定天数为5天、6天或7天。
可选的,所述计算水稻或小麦的减产率,具体包括:
采用公式计算水稻的涝渍减产率;
其中,Y0为作物的减产率,m、n、k为参数,H为水稻株高,h为淹水深 度,T为淹水时间,H0为作物淹水损失下限;
或采用公式计算小麦的涝渍减产率;
其中,a、b、c为参数,e为地下水位回降至控制埋深的天数,lc为设定地 下水位埋深,dt为地面水排除第t天后的地下水位埋深。
一种稻麦轮作农田涝渍预警评估系统,包括:
第一获取模块,用于获取历史气象数据;
降雨量数学模型建立模块,用于根据所述历史气象数据采用机器学习法, 建立降雨量数学模型;
第二获取模块,用于获取未来设定天数的降雨量数据;
预测模块,用于根据所述降雨量数据和所述降雨量数学模型,预测未来田 间地面水深或地下水位;
第三获取模块,用于获取水稻各生育期的允许淹水深度和麦季允许最高地 下水位;
判断模块,用于判断所述地面水深是否超过所述允许淹水深度或地下水位 是否超过允许最高地下水位;
预警模块,用于当所述地面水深超过所述允许淹水深度或地下水位超过允 许最高地下水位时发布预警信息;或当所述地面水深不超过所述允许淹水深度 和地下水位不超过允许最高地下水位时不发布预警信息;
减产率计算模块,用于计算水稻或小麦的减产率;
评估模块,用于根据所述减产率,评估涝渍灾害。
可选的,所述第一获取模块,具体包括:
第一获取单元,用于获取历史洪涝灾害资料和中国暴雨洪涝灾害数据集。
可选的,所述降雨量数学模型建立模块,具体包括:
降雨量数学模型建立单元,用于根据所述历史气象数据采用机器学习法, 建立降雨量数学模型R=f(d,c)+ΔR,其中,R为历史降雨量,d为田面水深,c 为地下水位,ΔR为根据上一次得到的田面水深d和上一次得到的地下水位c 计算得到的降雨量R1与实际历史降雨量R0的差值;
所述机器学习法采用卷积神经网络法、支持向量机或随机森林法中的任意 一种。
可选的,所述第二获取模块,具体包括:
第二获取单元,用于采用爬虫方法从中国天气智慧云平台或 OpenWeatherMap气象数据网站上获取未来设定天数的降雨量数据,所述设定 天数为5天、6天或7天。
可选的,所述减产率计算模块,具体包括:
减产率计算单元,用于采用公式计算水 稻的涝渍减产率;
其中,Y0为作物的减产率,m、n、k为参数,H为水稻株高,h为淹水深 度,T为淹水时间,H0为作物淹水损失下限;
或采用公式计算小麦的涝渍减产率;
其中,a、b、c为参数,e为地下水位回降至控制埋深的天数,lc为设定地 下水位埋深,dt为地面水排除第t天后的地下水位埋深。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供一种稻麦轮作农田涝渍预警评估方法,包括:获取历史气象数 据;根据所述历史气象数据采用机器学习法,建立降雨量数学模型;获取未来 设定天数的降雨量数据;根据所述降雨量数据和所述降雨量数学模型,预测未 来田间地面水深或地下水位;获取水稻各生育期的允许淹水深度和麦季允许最 高地下水位;判断所述地面水深是否超过所述允许淹水深度或地下水位是否超 过允许最高地下水位;若是,则发布预警信息,并计算水稻或小麦的减产率; 根据所述减产率,评估涝渍灾害;若否,则不发布预警信息。通过上述方法能 够提高农业灾害预报预警的能力和更好地对涝渍灾害进行准确的评估。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施 例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是 本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性 的前提下,还可以根据这些附图获得其他的附图。
图1为本发明稻麦轮作农田涝渍预警评估方法流程图;
图2为本发明稻麦轮作农田涝渍预警评估系统结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清 楚、完整地描述,显然,所描述的实施例仅仅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做出创造 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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和 具体实施方式对本发明作进一步详细的说明。
图1为本发明稻麦轮作农田涝渍预警评估方法流程图。如图1所示,一种 稻麦轮作农田涝渍预警评估方法包括:
步骤101:获取历史气象数据,具体包括:
获取历史洪涝灾害资料和中国暴雨洪涝灾害数据集。
步骤102:根据所述历史气象数据采用机器学习法,建立降雨量数学模型, 具体包括:
根据所述历史气象数据采用机器学习法,建立降雨量数学模型 R=f(d,c)+ΔR,其中,R为历史降雨量,d为田面水深,c为地下水位,ΔR为 根据上一次得到的田面水深d和上一次得到的地下水位c计算得到的降雨量 R1与实际历史降雨量R0的差值;这里采用的是迭代算法,用头一天的f关系 式和后一天的d、c计算得到后一天的理论降雨量R1计算与历史上的实际降雨 量R0的差值。
所述机器学习法采用卷积神经网络法、支持向量机或随机森林法中的任意 一种。所述的机器学习方法可以用不同降雨强度、不同田间水深等数据对模型 进行训练,提出相应预案如工程预降水位,通过涝渍预警为闸站等工程的调度 提供支撑。
步骤103:获取未来设定天数的降雨量数据,具体包括:
采用爬虫方法从中国天气智慧云平台或OpenWeatherMap气象数据网站上 获取未来设定天数的降雨量数据,所述设定天数为5天、6天或7天。
步骤104:根据所述降雨量数据和所述降雨量数学模型,预测未来田间地 面水深或地下水位;
步骤105:获取水稻各生育期的允许淹水深度和麦季允许最高地下水位;
步骤106:判断所述地面水深是否超过所述允许淹水深度或地下水位是否 超过允许最高地下水位;
步骤107:若是,则发布预警信息,并计算水稻或小麦的减产率。
所述计算水稻或小麦的减产率,具体包括:
采用公式计算水稻的涝渍减产率;
其中,Y0为作物的减产率,m、n、k为参数,H为水稻株高,h为淹水深 度,T为淹水时间,H0为作物淹水损失下限;
或采用公式计算小麦的涝渍减产率;
其中,a、b、c为参数,e为地下水位回降至控制埋深的天数,lc为设定地 下水位埋深,dt为地面水排除第t天后的地下水位埋深。
步骤108:根据所述减产率,评估涝渍灾害;所述评估涝渍灾害的指标是 指,分别获取稻麦轮作农田的稻季下水稻不同生育期的田面淹水深度和涝害间 的关系、麦季的小麦地下水位与渍害间的关系,再根据作物减产率及作物平均 市场价格建立其易损性指标,从而评估稻麦轮作农田涝渍灾害。
步骤109:若否,则不发布预警信息。
图2为本发明稻麦轮作农田涝渍预警评估系统结构图。如图2所示,一种 稻麦轮作农田涝渍预警评估系统包括:
第一获取模块201,用于获取历史气象数据;
降雨量数学模型建立模块202,用于根据所述历史气象数据采用机器学习 法,建立降雨量数学模型;
第二获取模块203,用于获取未来设定天数的降雨量数据;
预测模块204,用于根据所述降雨量数据和所述降雨量数学模型,预测未 来田间地面水深或地下水位;
第三获取模块205,用于获取水稻各生育期的允许淹水深度和麦季允许最 高地下水位;
判断模块206,用于判断所述地面水深是否超过所述允许淹水深度或地下 水位是否超过允许最高地下水位;
预警模块207,用于当所述地面水深超过所述允许淹水深度或地下水位超 过允许最高地下水位时发布预警信息;或当所述地面水深不超过所述允许淹水 深度和地下水位不超过允许最高地下水位时不发布预警信息;
减产率计算模块208,用于计算水稻或小麦的减产率;
评估模块209,用于根据所述减产率,评估涝渍灾害。
所述第一获取模块201,具体包括:
第一获取单元,用于获取历史洪涝灾害资料和中国暴雨洪涝灾害数据集。
所述降雨量数学模型建立模块202,具体包括:
降雨量数学模型建立单元,用于根据所述历史气象数据采用机器学习法, 建立降雨量数学模型R=f(d,c)+ΔR,其中,R为历史降雨量,d为田面水深,c 为地下水位,ΔR为根据上一次得到的田面水深d和上一次得到的地下水位c 计算得到的降雨量R1与实际历史降雨量R0的差值;
所述机器学习法采用卷积神经网络法、支持向量机或随机森林法中的任意 一种。
所述第二获取模块203,具体包括:
第二获取单元,用于采用爬虫方法从中国天气智慧云平台或 OpenWeatherMap气象数据网站上获取未来设定天数的降雨量数据,所述设定 天数为5天、6天或7天。
所述减产率计算模块208,具体包括:
减产率计算单元,用于采用公式计算水 稻的涝渍减产率;
其中,Y0为作物的减产率,m、n、k为参数,H为水稻株高,h为淹水深 度,T为淹水时间,H0为作物淹水损失下限;
或采用公式计算小麦的涝渍减产率;
其中,a、b、c为参数,e为地下水位回降至控制埋深的天数,lc为设定地 下水位埋深,dt为地面水排除第t天后的地下水位埋深。
实施例1:
选择长江中下游易涝易渍地区湖北潜江的典型圩垸区为研究对象,收集试 验区的历史气象、涝渍灾害数据,训练机器学习方法,对农区涝渍灾害进行快 速预警与发布,同时,驱动涝渍动态模拟模型,实现农田涝渍过程模拟;设置 研究区不同致灾情景,驱动农田涝渍过程模拟模型,提出应急预案。
首先收集研究区地形、水系、水利工程、土地利用以及历史涝渍灾情等数 据。历史涝渍灾情数据主要包括历史气象数据(历史降雨日期、降雨量、降雨 历时、降雨雨型等数据)、历史涝渍灾害损失数据以及历史社会经济数据,泵 闸工程运行数据等。
以易涝易渍地区湖北潜江为研究对象,选择典型圩垸区开展农田-排水沟 塘-区域-圩区多尺度农田涝渍过程多要素监测试验。农田主要监测典型次降雨 过程及排水过程数据、农田地表水层、土壤水分、地下水位等数据;排水沟塘 主要监测水位及出口流量;区域和圩区主要监测河道节点水位流量以及出口断 面水位和流量。
水稻的涝渍减产率函数如下:
其中,Y0为作物的减产率,m、n、k为参数,H为水稻株高,h为淹水深 度,T为淹水时间,H0为作物淹水损失下限。
小麦的涝渍减产率函数为:
其中,a、b、c为参数,e为地下水位回降至控制埋深的天数(d),lc为设 定地下水位埋深,dt为地面水排除第t天后的地下水位埋深。
减产风险指数为:
其中,Iy为减产率风险指数,Yi代表不同等级的减产率,yi为实际单产, 即趋势产量(由模型分析得到),xi为单产减产率(xi<0为歉年),Fi为不同减 产率发生的概率,h为核密度函数估计中的窗宽,n为样本数,s为样本标准 差,Q为四分位距。
根据预测的未来田间地面水深、地下水位和水稻、小麦的涝渍减产率函数 可以计算水稻、小麦的减产率。
预报预警:通过多个气象数据网站或气象站点建立多源降雨量数据库。拟 采用的气象数据网站包括OpenWeatherMap、中国天气智慧云平台等获取未来 降雨量预报,其中,OpenWeatherMap网站的气象数据接口可提供未来5天每 3小时的数据,中国天气智慧云平台可提供国内1×1公里3天逐小时格点预报。 通过编程和网络爬虫方法访问与研究站点相应的数据接口和网站地址,自动获 取气象数据并进行处理,存储至云端数据库,开发短期强降雨预报采集模块。
根据收集到的试验地历史洪涝灾害资料,以及中国气象数据网提供的“中 国暴雨洪涝灾害数据集”与历史气象数据资料,采用机器学习方法(如卷积神 经网络、随机森林等)对不同气象条件下的暴雨灾害进行学习和预测,实现基 于智能算法的涝渍灾害快速预报预警和发布。基于降雨预报采集模块采集的存 储于云端数据库的气象预报数据,结合智能学习算法与农田涝渍动态模拟模 型,预测未来暴雨灾害发生概率,实现预警并发布。同时,在实时预警过程中, 评价气象数据库中不同源数据的可靠性,建立基于权重的气象预测数据库,提 高暴雨灾害预测的准确性。
本发明基于前期数据收集和实地试验,用机器学习的方法建立历史降雨与 田间水深和地下水位间的关系,并通过多元短期预报降雨数据,预测未来的田 间水深或地下水位,并根据水稻各生育期的淹水深度允许值和麦季的地下水位 最大允许值,判断是否会出现涝渍灾害,从而开发基于短期强降雨预报的农田 涝渍灾害预报预警技术。再通过耦合农田涝渍灾害损失动态评估和优化方法, 建立高效的农田除涝降渍工程联合调度方法,从而开发出一套集涝渍灾害风险 分析、损失评估、快速信息反馈与决策分析于一体的农区涝渍灾害应急响应调 度系统。
本发明运用了基于短期强降雨预报的农田涝渍灾害预报预警技术,提高了 涝渍灾害预报的准确度和预警的时效性,通过提出水稻/小麦涝渍灾害损失综 合评估方法,并基于机器学习的方法训练模型,建立降雨与田间水位/地下水 位的关系后,可以在抓取多元短期预报降雨数据之后,实时评估预测出涝渍灾 害的易损性,便于及时制定预防策略和灌区的闸泵水量调配等。本发明的方法 可行、便于实施,适用性较广。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是 与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于 实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较 简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施 例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的 一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变 之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种稻麦轮作农田涝渍预警评估方法,其特征在于,包括:
获取历史气象数据;
根据所述历史气象数据采用机器学习法,建立降雨量数学模型;
获取未来设定天数的降雨量数据;
根据所述降雨量数据和所述降雨量数学模型,预测未来田间地面水深或地下水位;
获取水稻各生育期的允许淹水深度和麦季允许最高地下水位;
判断所述地面水深是否超过所述允许淹水深度或地下水位是否超过允许最高地下水位;
若是,则发布预警信息,并计算水稻或小麦的减产率;
根据所述减产率,评估涝渍灾害;
若否,则不发布预警信息。
2.根据权利要求1所述的稻麦轮作农田涝渍预警评估方法,其特征在于,所述获取历史气象数据,具体包括:
获取历史洪涝灾害资料和中国暴雨洪涝灾害数据集。
3.根据权利要求1所述的稻麦轮作农田涝渍预警评估方法,其特征在于,所述根据所述历史气象数据采用机器学习法,建立降雨量数学模型,具体包括:
根据所述历史气象数据采用机器学习法,建立降雨量数学模型R=f(d,c)+ΔR,其中,R为历史降雨量,d为田面水深,c为地下水位,ΔR为根据上一次得到的田面水深d和上一次得到的地下水位c计算得到的降雨量R1与实际历史降雨量R0的差值;
所述机器学习法采用卷积神经网络法、支持向量机或随机森林法中的任意一种。
4.根据权利要求1所述的稻麦轮作农田涝渍预警评估方法,其特征在于,所述获取未来设定天数的降雨量数据,具体包括:
采用爬虫方法从中国天气智慧云平台或OpenWeatherMap气象数据网站上获取未来设定天数的降雨量数据,所述设定天数为5天、6天或7天。
5.根据权利要求1所述的稻麦轮作农田涝渍预警评估方法,其特征在于,所述计算水稻或小麦的减产率,具体包括:
采用公式计算水稻的涝渍减产率;
其中,Y0为作物的减产率,m、n、k为参数,H为水稻株高,h为淹水深度,T为淹水时间,H0为作物淹水损失下限;
或采用公式计算小麦的涝渍减产率;
其中,a、b、c为参数,e为地下水位回降至控制埋深的天数,lc为设定地下水位埋深,dt为地面水排除第t天后的地下水位埋深。
6.一种稻麦轮作农田涝渍预警评估系统,其特征在于,包括:
第一获取模块,用于获取历史气象数据;
降雨量数学模型建立模块,用于根据所述历史气象数据采用机器学习法,建立降雨量数学模型;
第二获取模块,用于获取未来设定天数的降雨量数据;
预测模块,用于根据所述降雨量数据和所述降雨量数学模型,预测未来田间地面水深或地下水位;
第三获取模块,用于获取水稻各生育期的允许淹水深度和麦季允许最高地下水位;
判断模块,用于判断所述地面水深是否超过所述允许淹水深度或地下水位是否超过允许最高地下水位;
预警模块,用于当所述地面水深超过所述允许淹水深度或地下水位超过允许最高地下水位时发布预警信息;或当所述地面水深不超过所述允许淹水深度和地下水位不超过允许最高地下水位时不发布预警信息;
减产率计算模块,用于计算水稻或小麦的减产率;
评估模块,用于根据所述减产率,评估涝渍灾害。
7.根据权利要求6所述的稻麦轮作农田涝渍预警评估系统,其特征在于,所述第一获取模块,具体包括:
第一获取单元,用于获取历史洪涝灾害资料和中国暴雨洪涝灾害数据集。
8.根据权利要求6所述的稻麦轮作农田涝渍预警评估系统,其特征在于,所述降雨量数学模型建立模块,具体包括:
降雨量数学模型建立单元,用于根据所述历史气象数据采用机器学习法,建立降雨量数学模型R=f(d,c)+ΔR,其中,R为历史降雨量,d为田面水深,c为地下水位,ΔR为根据上一次得到的田面水深d和上一次得到的地下水位c计算得到的降雨量R1与实际历史降雨量R0的差值;
所述机器学习法采用卷积神经网络法、支持向量机或随机森林法中的任意一种。
9.根据权利要求6所述的稻麦轮作农田涝渍预警评估系统,其特征在于,所述第二获取模块,具体包括:
第二获取单元,用于采用爬虫方法从中国天气智慧云平台或OpenWeatherMap气象数据网站上获取未来设定天数的降雨量数据,所述设定天数为5天、6天或7天。
10.根据权利要求6所述的稻麦轮作农田涝渍预警评估系统,其特征在于,所述减产率计算模块,具体包括:
减产率计算单元,用于采用公式计算水稻的涝渍减产率;
其中,Y0为作物的减产率,m、n、k为参数,H为水稻株高,h为淹水深度,T为淹水时间,H0为作物淹水损失下限;
或采用公式计算小麦的涝渍减产率;
其中,a、b、c为参数,e为地下水位回降至控制埋深的天数,lc为设定地下水位埋深,dt为地面水排除第t天后的地下水位埋深。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910837494.1A CN110533258B (zh) | 2019-09-05 | 2019-09-05 | 一种稻麦轮作农田涝渍预警评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910837494.1A CN110533258B (zh) | 2019-09-05 | 2019-09-05 | 一种稻麦轮作农田涝渍预警评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110533258A true CN110533258A (zh) | 2019-12-03 |
CN110533258B CN110533258B (zh) | 2022-05-10 |
Family
ID=68666972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910837494.1A Active CN110533258B (zh) | 2019-09-05 | 2019-09-05 | 一种稻麦轮作农田涝渍预警评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533258B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291478A (zh) * | 2020-01-21 | 2020-06-16 | 太原理工大学 | 基于随机森林算法的降雨—径流模拟方法 |
CN111460965A (zh) * | 2020-03-27 | 2020-07-28 | 珠海欧比特宇航科技股份有限公司 | 一种基于无人机影像的涝渍区智能分析系统及其方法 |
CN112418542A (zh) * | 2020-12-03 | 2021-02-26 | 浙江知水信息技术有限公司 | 基于气象数据利用机器深度学习实现汛情提前预警的方法 |
CN112990108A (zh) * | 2021-04-19 | 2021-06-18 | 四川省水利科学研究院 | 一种基于卷积神经网络实现堤坝护坡的系统 |
TWI806321B (zh) * | 2021-12-28 | 2023-06-21 | 財團法人國家實驗研究院 | 淹水評估方法及其運算裝置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004197554A (ja) * | 2002-12-03 | 2004-07-15 | Foundation Of River & Basin Integrated Communications Japan | リアルタイム動的氾濫シミュレーションシステム |
CN104408900A (zh) * | 2014-11-10 | 2015-03-11 | 柳州师范高等专科学校 | 基于动态优化的神经网络洪水预警装置及其方法 |
CN108052732A (zh) * | 2017-12-08 | 2018-05-18 | 河海大学 | 一种基于涝水过程的水稻受涝减产损失率估算方法 |
CN109255485A (zh) * | 2018-09-13 | 2019-01-22 | 中国地质调查局南京地质调查中心 | 基于rbfn机器学习的降雨型地质灾害预警预报模型及学习方法 |
-
2019
- 2019-09-05 CN CN201910837494.1A patent/CN110533258B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004197554A (ja) * | 2002-12-03 | 2004-07-15 | Foundation Of River & Basin Integrated Communications Japan | リアルタイム動的氾濫シミュレーションシステム |
CN104408900A (zh) * | 2014-11-10 | 2015-03-11 | 柳州师范高等专科学校 | 基于动态优化的神经网络洪水预警装置及其方法 |
CN108052732A (zh) * | 2017-12-08 | 2018-05-18 | 河海大学 | 一种基于涝水过程的水稻受涝减产损失率估算方法 |
CN109255485A (zh) * | 2018-09-13 | 2019-01-22 | 中国地质调查局南京地质调查中心 | 基于rbfn机器学习的降雨型地质灾害预警预报模型及学习方法 |
Non-Patent Citations (4)
Title |
---|
张旭辉等: "江苏渍涝灾害气象监测预警", 《中国农学通报》 * |
贾茜淳等: "钟山县山洪地质灾害风险评估与预警", 《水土保持研究》 * |
赵思健等: "农作物气象灾害风险识别与评估研究", 《灾害学》 * |
黄涛珍等: "BP神经网络在洪涝灾损失快速评估中的应用", 《河海大学学报(自然科学版)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291478A (zh) * | 2020-01-21 | 2020-06-16 | 太原理工大学 | 基于随机森林算法的降雨—径流模拟方法 |
CN111291478B (zh) * | 2020-01-21 | 2023-12-22 | 太原理工大学 | 基于随机森林算法的降雨—径流模拟方法 |
CN111460965A (zh) * | 2020-03-27 | 2020-07-28 | 珠海欧比特宇航科技股份有限公司 | 一种基于无人机影像的涝渍区智能分析系统及其方法 |
CN111460965B (zh) * | 2020-03-27 | 2024-05-31 | 珠海欧比特宇航科技股份有限公司 | 一种基于无人机影像的涝渍区智能分析系统及其方法 |
CN112418542A (zh) * | 2020-12-03 | 2021-02-26 | 浙江知水信息技术有限公司 | 基于气象数据利用机器深度学习实现汛情提前预警的方法 |
CN112990108A (zh) * | 2021-04-19 | 2021-06-18 | 四川省水利科学研究院 | 一种基于卷积神经网络实现堤坝护坡的系统 |
TWI806321B (zh) * | 2021-12-28 | 2023-06-21 | 財團法人國家實驗研究院 | 淹水評估方法及其運算裝置 |
Also Published As
Publication number | Publication date |
---|---|
CN110533258B (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533258A (zh) | 一种稻麦轮作农田涝渍预警评估方法及系统 | |
CN108022053A (zh) | 洪水风险评估方法和装置 | |
CN114252128B (zh) | 一种地下管廊涌水量监测及预警系统、方法 | |
CN109859442A (zh) | 山地灾害链预测预报及监测预警系统及实现流程 | |
Elkaduwa et al. | Use of historical data as a decision support tool in watershed management: a case study of the Upper Nilwala basin in Sri Lanka | |
Ali et al. | Climate change: Implications and adaptation of water resources in pakistan | |
CN115619211A (zh) | 利用数字孪生技术提升流域水库群风险防控能力的系统 | |
CN107563096A (zh) | 一种基于fcm的内涝建模分析方法 | |
CN209417901U (zh) | 基于土壤墒情实时校正的山洪灾害动态预警系统 | |
Nyayapathi et al. | Drought vulnerability assessment by employing the Geographical Information System and analytical hierarchy process for the Kurnool district of Andhra Pradesh, India | |
KR102143039B1 (ko) | 다중 경로식 원격감시제어장치 | |
Huang et al. | Flood vulnerability to climate change through hydrological modeling: a case study of the Swift Current Creek watershed in western Canada | |
CN115293241A (zh) | 基于多源数据融合的河道崩岸预警方法及装置 | |
CN212160921U (zh) | 一种用于山洪预警的雨量监测组网系统 | |
De Wrachien et al. | Drainage and Land Reclamation in a Changing Environment: Overview and Challenges | |
Wahyuddin et al. | Instrumenting GIS as smart city tools to identify the impact of tidal flood threat in the coastal zone of Pekalongan City | |
Ler | Flood resilience and smart water management: implementation strategies for smart cities | |
Lenka et al. | Scientific endeavours for natural resource management in India | |
CN117831231B (zh) | 一种对易淹易涝片区进行积淹预警的方法 | |
Subramanian | Implementation of neural networks in flood forecasting | |
CN117314175B (zh) | 一种基于恶劣天气下的电网系统地质风险监测评估方法 | |
Erwanto et al. | Application of Geographic Information System For The Identification of Flood And Landslide Mitigation In Badeng Watershed | |
Jović et al. | Flood Risk Management Modelling in the River Ibar Catchment Area | |
Cui et al. | Disaster Risk Assessment | |
Dorle et al. | Hydrology and Hydrological Information Systems (HIS) in India |
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 |