CN113591288A - 一种基于克里格插值的土壤湿度数据预测方法及装置 - Google Patents

一种基于克里格插值的土壤湿度数据预测方法及装置 Download PDF

Info

Publication number
CN113591288A
CN113591288A CN202110814899.0A CN202110814899A CN113591288A CN 113591288 A CN113591288 A CN 113591288A CN 202110814899 A CN202110814899 A CN 202110814899A CN 113591288 A CN113591288 A CN 113591288A
Authority
CN
China
Prior art keywords
data
sampling points
sample area
moment
soil
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
Application number
CN202110814899.0A
Other languages
English (en)
Inventor
周祖煜
陈煜人
王俊霞
余敏
李天齐
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.)
Hangzhou Lingjian Digital Agricultural Technology Co ltd
Original Assignee
Hangzhou Lingjian Digital Agricultural Technology Co ltd
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 Hangzhou Lingjian Digital Agricultural Technology Co ltd filed Critical Hangzhou Lingjian Digital Agricultural Technology Co ltd
Priority to CN202110814899.0A priority Critical patent/CN113591288A/zh
Publication of CN113591288A publication Critical patent/CN113591288A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

本发明公开了一种基于克里格插值的土壤湿度数据预测方法，包括在样方区域内确定多个采样点，获取第一时刻样方区域的水文站数据和所述多个采样点的地形数据；根据多元线性回归最小二乘法建立所述水文台数据和所述多个采样点的土壤湿度数据的映射关系；获取第二时刻所述样方区域的水文站数据，并基于所述映射关系和所述第二时刻所述样方区域的水文站数据，得到第二时刻所述多个采样点的土壤湿度数据；利用克里格插值法将所述第二时刻所述多个采样点的土壤湿度数据空间化，得到第二时刻所述样方区域的土壤湿度数据。本申请建立水文台与样方区域的映射关系，根据映射关系可时时推测样方区域的土壤湿度数据，为因地制宜实现土壤水分科学管理提供决策基础。

Description

一种基于克里格插值的土壤湿度数据预测方法及装置
技术领域
本发明涉及农业种植业领域，尤其涉及一种基于克里格插值的土壤湿度数据预测方法及装置。
背景技术
土地是农业生产最重要的物质基础，是农民最基本的生产资料和最基本的生活保障。土壤水分是控制陆地表面与大气之间水和能量循环的最活跃变量，在陆地和大气的物质、能量交换中发挥着重要功能，同时土壤水分也是全球水循环过程中的关键参数之一。影响土壤水分的因素有很多，例如温度、植被覆盖、土地利用、气候以及土壤质地等，导致土壤水分具有较强的空间异质性。准确获取区域土壤水分时空分布和变化对于水文过程模拟、农业估产、生态系统平衡、洪旱灾害监测、水资源管理及气候预测等方面具有重要意义。
传统的站点土壤水分监测法可以提供区域分布的点状土壤水分信息，但是受到气象条件和复杂下垫面的影响，土壤水分在时间、空间尺度上通常变现出强烈的异质性。物联网设备中的水文气象站往往只能获取其中一处点位的水分信息，数据为点源数据，无法代表一个较大尺度内的土壤水分情况，因此希望结合距离、地形等多源数据，并结合地理空间处理方式中进行插值，来快速估测园区土壤水分情况。
现有土壤水分估计方法，最主要的方法为干燥法、土壤湿度传感器测量法。传统的干燥法一直被用作土壤含水率测定的标准技术方法，但是该方法耗时耗力，且具有破坏性；传感器测量法则存在设备成本高、准确性差等缺点。
现有土壤水分估计方法，数据时效性较差，从样品采集到实验室干燥获取土壤含水量之间存在时间差，造成数据滞后性，无法用于指导农业种植活动开展。
现有土壤水分估计方法，是以“点”的形式采集数据，现有方法大多采用布置水文物联网设备进行土壤温度湿度的测量。除去设备成本问题，该方法获取的水分信息往往以点数据作为面状地块数据。
现有土壤水分估计方法，土壤采集费用、化学试剂费用、仪器费用、设备费用都是一笔不小的开支，占据很大一部分的生产成本，影响测土点位数与物联网设备布置数，无法很好平衡支出与监测精度。
发明内容
本发明提供的一种基于克里格插值的土壤湿度数据预测方法，旨在解决现有技术中计算土壤湿度数据会随着时间和空间的变化而导致预测土壤的湿度数据不精准的问题。
为实现上述目的，本发明采用以下技术方案：
在样方区域内确定多个采样点，获取第一时刻样方区域的水文站数据和所述多个采样点的地形数据；
以所述第一时刻样方区域的水文站数据和所述多个采样点的地形数据为自变量，根据多元线性回归最小二乘法建立所述自变量和所述多个采样点的土壤湿度数据的映射关系；
获取第二时刻所述样方区域的水文站数据，并基于所述映射关系和所述第二时刻所述样方区域的水文站数据，得到第二时刻所述多个采样点的土壤湿度数据；
利用克里格插值法将所述第二时刻所述多个采样点的土壤湿度数据空间化，得到第二时刻所述样方区域的土壤湿度数据。
作为优选，所述在样方区域内确定多个采样点，包括：
根据计算公式N＝t2*s2/D2计算样方区域内的最少采样点个数，其中N表示采样点个数，t表示选定置信水平一定自由度下的t值，s2为均方差，D为可接受的绝对偏差；以及
根据计算公式L＝(A/N)1/2计算所述最少采样点个数之间的间距，其中L为间距，A为所述样方区域的面积，N表示采样点个数；
根据所述最少采样点个数和间距在样方区域内确定多个采样点。
作为优选，所述以所述第一时刻样方区域的水文站数据和所述多个采样点的地形数据为自变量，根据多元线性回归最小二乘法建立所述自变量和所述多个采样点的土壤湿度数据的映射关系，包括：
所述地形数据包括所述多个采样点的海拔、坡度以及所述多个采样点到水文站的距离；
以所述第一时刻样方区域的水文站数据和所述多个采样点的海拔、坡度以及所述多个采样点到水文站的距离为自变量，所述多个采样点的土壤湿度数据为因变量建立线性回归方程；
获取所述自变量的多组观测值计算所述线性回归方程的回归系数，得到所述自变量和所述因变量的映射关系。
一种基于克里格插值的土壤湿度数据预测装置，包括：
第一获取模块：用于在样方区域内确定多个采样点，获取第一时刻样方区域的水文站数据和所述多个采样点的地形数据；
映射模块：用于以所述第一获取模块获取的所述第一时刻样方区域的水文站数据和所述多个采样点的地形数据为自变量，根据多元线性回归最小二乘法建立所述自变量和所述多个采样点的土壤湿度数据的映射关系；
第二获取模块：用于获取第二时刻所述样方区域的水文站数据，并基于所述映射模块得到的所述映射关系和所述第二时刻所述样方区域的水文站数据，得到第二时刻所述多个采样点的土壤湿度数据；
空间化模块：用于利用克里格插值法将所述第二获取模块得到的所述第二时刻所述多个采样点的土壤湿度数据空间化，得到第二时刻所述样方区域的土壤湿度数据。
作为优选，所述第一获取模块具体包括：
第一计算单元：用于根据计算公式N＝t2*s2/D2计算样方区域内的最少采样点个数，其中N表示采样点个数，t表示选定置信水平一定自由度下的t值，s2为均方差，D为可接受的绝对偏差；以及
第二计算单元：用于根据计算公式L＝(A/N)1/2计算所述最少采样点个数之间的间距，其中L为间距，A为所述样方区域的面积，N表示采样点个数；
采样点确定单元：用于根据所述最少采样点个数和间距在样方区域内确定多个采样点。
作为优选，所述映射模块具体包括：
回归单元：用于所述地形数据包括所述多个采样点的海拔、坡度以及所述多个采样点到水文站的距离；以所述第一时刻样方区域的水文站数据和所述多个采样点的海拔、坡度以及所述多个采样点到水文站的距离为自变量，所述多个采样点的土壤湿度数据为因变量建立线性回归方程；
映射子单元：用于获取所述自变量的多组观测值计算所述线性回归方程的回归系数，得到所述自变量和所述因变量的映射关系。
一种基于克里格插值的土壤湿度数据预测装置，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如上述中任一项所述的一种基于克里格插值的土壤湿度数据预测方法。
一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机执行时实现如上述中任一项所述的一种基于克里格插值的土壤湿度数据预测方法。
本发明具有如下有益效果：
土壤湿度数据的测量中，在首次测得土壤湿度数据时会比较精准，但是随着时间和空间的推移，土壤湿度数据会发生翻天覆地的变化，本申请通过首次测得的土壤湿度数据建立与水文站数据的映射关系，因为水文站的数据是监测的数据随着时间和空间的推移变化较小，因此利用水文站为基础数据对全区进行估计，更新频率与水文站监测数据保持一致，为因地制宜实现土壤水分科学管理提供决策基础。除此之外还有如下四点有益效果：
1、针对监测效率问题。本专利通过气象水文站获取数据，该数据精度虽然略低于实验室干燥法获取的土壤湿度数据，但仍然高于使用手持水分传感器测量土壤水分。而且相较其他两种方法，通过气象水文站获取数据能高效的得到全园区水分情况。
2、针对数据时效性问题。本专利能够以气象水文站数据估计全园区水分情况，且能实时得到土壤水分数据，有效避免了数据滞后性，有即测即得的特点。
3、针对面状插值问题。本专利采取了地统计学方法来完成该步骤。地统计学由分析空间变异与结构的变异函数及其参数和空间局部估计的克里格插值法两个主要部分组成，在地球物理、地质、生态、土壤等领域应用，为面状插值操作提供了值得信任的理论依据。
4、针对成本费用问题。相较传统土壤水分检测方法，本方法节约了大量人力成本，成本的主要来源即水文气象站布置时的成本与水分反演模型建立初期的土壤采样成本，后续在进行模型校正时花费一定成本即可。
附图说明
图1是本发明实施例实现一种基于克里格插值的土壤湿度数据预测方法第一流程图；
图2是本发明实施例实现一种基于克里格插值的土壤湿度数据预测方法第二流程图；
图3是本发明实施例实现一种基于克里格插值的土壤湿度数据预测方法第三流程图；
图4是本发明实施例实现一种基于克里格插值的土壤湿度数据预测装置示意图；
图5是本发明实施例实现一种基于克里格插值的土壤湿度数据预测装置的第一获取模块示意图；
图6是本发明实施例实现一种基于克里格插值的土壤湿度数据预测装置的映射模块示意图；
图7是本发明实施例实现一种基于克里格插值的土壤湿度数据预测装置的一种电子设备示意图。
具体实施方式
下面将结合附图，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。
本申请的权利要求书和说明书的术语“第一”、“第二”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术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式，此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，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他单元。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同，本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本申请。
实施例1
如图1所示，一种基于克里格插值的土壤湿度数据预测方法，包括以下步骤：
S110、在样方区域内确定多个采样点，获取第一时刻样方区域的水文站数据和所述多个采样点的地形数据；
S120、以所述第一时刻样方区域的水文站数据和所述多个采样点的地形数据为自变量，根据多元线性回归最小二乘法建立所述自变量和所述多个采样点的土壤湿度数据的映射关系；
S130、获取第二时刻所述样方区域的水文站数据，并基于所述映射关系和所述第二时刻所述样方区域的水文站数据，得到第二时刻所述多个采样点的土壤湿度数据；
S140、利用克里格插值法将所述第二时刻所述多个采样点的土壤湿度数据空间化，得到第二时刻所述样方区域的土壤湿度数据。
在实施例1中，确定目标样方区域，则在样方区域内确定多个采样点，采样点的选取要尽可能最具有代表性的地方。在第一时刻，获取第一时刻样方区域的水文站数据和所述多个采样点的地形数据，所述地形数据包括所述多个采样点的海拔、坡度以及所述多个采样点到水文站的距离；这里第一时刻并不是指具体某一时刻，只要保证获取样方区域的水文站数据和所述所述多个采样点的海拔、坡度以及所述多个采样点到水文站的距离是同一时刻就行，因为会随着时间的变化，这些数据会变化，但是映射关系不会改变，这样建立所述第一时刻样方区域的水文站数据和所述多个采样点的土壤湿度数据的映射关系是最精准的，这里得到的映射关系是能反映水文台数据和土壤数据的关系，这样在第二时刻，也就是未来的任一时刻，通过水文台数据可以反映出样方区域内的多个采样点的土壤湿度数据，再根据克里格插值法通过多个采样点的土壤湿度数据反映整个样方区域的土壤湿度数据。因而，土壤湿度数据的测量中，在首次测得土壤湿度数据时会比较精准，但是随着时间和空间的推移，土壤湿度数据会发生翻天覆地的变化，本申请通过首次测得的土壤湿度数据建立与水文站数据的映射关系，因为水文站的数据是监测的数据随着时间和空间的推移变化较小，因此利用水文站为基础数据对全区进行估计，更新频率与水文站监测数据保持一致，为因地制宜实现土壤水分科学管理提供决策基础。
实施例2
如图2所示，一种基于克里格插值的土壤湿度数据预测方法，包括：
S210、根据计算公式N＝t2*s2/D2计算样方区域内的最少采样点个数，其中N表示采样点个数，t表示选定置信水平一定自由度下的t值，s2为均方差，D为可接受的绝对偏差；
S220、根据计算公式L＝(A/N)1/2计算所述最少采样点个数之间的间距，其中L为间距，A为所述样方区域的面积，N表示采样点个数；
S230、根据所述最少采样点个数和间距在样方区域内确定多个采样点；
S240、获取第一时刻样方区域的水文站数据；根据对角线法取所述多个采样点的土壤混合样，并利用干燥法测得所述土壤混合样的土壤湿度数据。
由实施例2可知，确定目标样方区域后，计算最少要采样的点，按公式计算出的点数目是最小点位数量，用于保证这些点位数据可以描述整个研究区域的信息。比如在这里计算出的数量为25，在实际应用中点位数量大于等于25都可。并计算相邻采样点的间距，根据实际情况可适当减小网格间距，适当调整网格的起始经纬度，避开过多网格落在道路或河流上，使样品更具有代表性。首先采样点的自然景观应符合土壤环境背景值研究的要求。采样点选在被采土壤类型特征明显的地方，地形相对平坦、稳定、植被良好的地点；坡脚、洼地等具有从属景观特征的地点不设采样点；城镇、住宅、道路、沟渠、粪坑、坟墓附近等处人为干扰大，失去土壤的代表性，不宜设采样点，采样点离铁路、公路至少300米以上；采样点以剖面发育完整、层次较清楚、无侵入体为准，不在水土流失严重或表土被破坏处设采样点；选择不施或少施化肥、农药的地块作为采样点，以使样品点尽可能少受人为活动的影响；不在多种土类、多种母质母岩交错分布、面积较小的边缘地区布设采样点。采样点可采表层样或土壤剖面，一般监测采集表层土，采样深度0～20厘米，特殊要求的监测(土壤背景、环评、污染事故等)必要时选择部分采样点采集剖面样品。剖面的规格一般长为1.5米，宽0.8米，深1.2米。挖掘土壤剖面要使观察面向阳，表土和底土分两侧放置。
一般每个剖面采集A、B、C三层土样。地下水位较高时，剖面挖至地下水出露时为止；山地丘陵土层较薄时，剖面挖至风化层。对B层发育不完整(不发育)的山地土壤，只采A、C两层；干旱地区剖面发育不完善的土壤，在表层5～20厘米、心土层50厘米、底土层100厘米左右采样。水稻土按照A耕作层、P犁底层、C母质层(或G潜育层、W潴育层)分层采样；对P层太薄的剖面，只采A、C两层(或A、G层或A、W层)。对A层特别深厚，沉积层不甚发育，一米内见不到母质的土类剖面，按A层5～20厘米、A/B层60～90厘米、B层100～200厘米采集土壤。草甸土和潮土一般在A层5～20厘米、C1层(或B层)50厘米、C2层100～120厘米处采样。采样次序自下而上，先采剖面的底层样品，再采中层样品，最后采上层样品。测量重金属的样品尽量用竹片或竹刀去除与金属采样器接触的部分土壤，再用其采样。这里采样点得到的土壤样本是混合样本，在确定采样点后，在该采样点以对角线分五等分，在五等分的点采集土壤混合后就是该采样点的土壤样本，这里混合采样的方法还有梅花点法、棋盘式法和蛇形法。
实施例3
如图3所示，一种基于克里格插值的土壤湿度数据预测方法，包括：
S310、在样方区域内确定多个采样点，获取第一时刻样方区域的水文站数据和所述多个采样点的地形数据；
S320、所述地形数据包括所述多个采样点的海拔、坡度以及所述多个采样点到水文站的距离；以所述第一时刻样方区域的水文站数据和所述多个采样点的海拔、坡度以及所述多个采样点到水文站的距离为自变量，所述多个采样点的土壤湿度数据为因变量建立线性回归方程；
S330、获取所述自变量的多组观测值计算所述线性回归方程的回归系数，得到所述自变量和所述因变量的映射关系；
S340、获取第二时刻所述样方区域的水文站数据，并基于所述映射关系和所述第二时刻所述样方区域的水文站数据，得到第二时刻所述多个采样点的土壤湿度数据；
S350、利用克里格插值法将所述第二时刻所述多个采样点的土壤湿度数据空间化，得到第二时刻所述样方区域的土壤湿度数据。
实施例3中，根据多元线性回归分析，多个采样点的土壤湿度数据为因变量Y及自变量X0，X1，X2，X3的n组观测值做线性回归分析，X0，X1，X2，X3可视为海拔、坡度、水文站到所述多个采样点的距离、水文站的土壤湿度数据这四个自变量，建立线性表达式Y＝a0X0+a1X1+a2X2+a3X3+a4水对观测数据进行回归分析，其中a0，a1，a2，a3，a4为回归系数，根据最小二乘原理将回归系数建立方程组，求得回归系数，得到线性表达式就是所述自变量和所述因变量的映射关系。
其中，数字高程模型是通过有限的地形高程数据实现对地面地形的数字化模拟，是用一组有序数值阵列形式表示地面高程的一种实体地面模型。本专利通过地理数据空间云获取DEM数据，该数据以30米网格形式表现各区域的海拔情况，转换至地理坐标系WGS-84备用。之后利用ArcGIS中的【坡度】工具进行坡度计算，获取目标区域的坡度信息。
一个物联网水文设备通常包括雨量计、水位计、蒸发池、量雨杯、水尺、流速流向仪、墒情测量仪、温度计、湿度仪、气压表。本专利中所用到的为土壤墒情监测设备，将物联网设备布置到待监测园区中，记录下对应位置信息，提取海拔、坡度、土壤湿度等信息。根据映射关系和时时更新的水文台数据即可求得样方区域的采样点的土壤湿度数据，再根据克里格插值法样方区域的土壤湿度数据，克里格插值方法以变异函数理论和结构分析为基础，是在有限区域内对区域化变量进行无偏最优估计的一种方法。在克里格方法中，不同的方法有其适用的条件。数据不服从正态分布、服从对数正态分布时，选用对数正态克里格；若不服从简单分布时，选取析取克里格；当数据存在主导趋势时，选用泛克里格；当只需了解属性值是否超过某一阈值时，选用指示克里格；当同一事物的两种属性存在相关关系，且一种属性不易获取时，可选用协同克里格；当假设属性值为某一已知常数时，选用简单克里格；当假设属性值的期望值是未知的，选用普通克里格。
实施例4
如图4所示，一种基于克里格插值的土壤湿度数据预测装置，包括：
第一获取模块10：用于在样方区域内确定多个采样点，获取第一时刻样方区域的水文站数据和所述多个采样点的地形数据；
映射模块20：用于以所述第一获取模块10获取的所述第一时刻样方区域的水文站数据和所述多个采样点的地形数据为自变量，根据多元线性回归最小二乘法建立所述自变量和所述多个采样点的土壤湿度数据的映射关系；
第二获取模块30：用于获取第二时刻所述样方区域的水文站数据，并基于所述映射模块20得到的所述映射关系和所述第二时刻所述样方区域的水文站数据，得到第二时刻所述多个采样点的土壤湿度数据；
空间化模块40：用于利用克里格插值法将所述第二获取模块30得到的所述第二时刻所述多个采样点的土壤湿度数据空间化，得到第二时刻所述样方区域的土壤湿度数据。
上述装置的一种实施方式可为：第一获取模块10在样方区域内确定多个采样点，获取第一时刻样方区域的水文站数据和所述多个采样点的地形数据；映射模块20以所述第一获取模块10获取的所述第一时刻样方区域的水文站数据和所述多个采样点的地形数据为自变量，根据多元线性回归最小二乘法建立所述自变量和所述多个采样点的土壤湿度数据的映射关系；第二获取模块30获取第二时刻所述样方区域的水文站数据，并基于所述映射模块20得到的所述映射关系和所述第二时刻所述样方区域的水文站数据，得到第二时刻所述多个采样点的土壤湿度数据；空间化模块40利用克里格插值法将所述第二获取模块30得到的所述第二时刻所述多个采样点的土壤湿度数据空间化，得到第二时刻所述样方区域的土壤湿度数据。
实施例5
如图5所述，一种基于克里格插值的土壤湿度数据预测装置的第一获取模块10包括：
第一计算单元12：用于根据计算公式N＝t2*s2/D2计算样方区域内的最少采样点个数，其中N表示采样点个数，t表示选定置信水平一定自由度下的t值，s2为均方差，D为可接受的绝对偏差；以及
第二计算单元14：用于根据计算公式L＝(A/N)1/2计算所述最少采样点个数之间的间距，其中L为间距，A为所述样方区域的面积，N表示采样点个数；
采样点确定单元16：用于根据所述最少采样点个数和间距在样方区域内确定多个采样点。
上述装置的第一获取模块10的一种实施方式可为：第一计算单元12根据计算公式N＝t2*s2/D2计算样方区域内的最少采样点个数，其中N表示采样点个数，t表示选定置信水平一定自由度下的t值，s2为均方差，D为可接受的绝对偏差；以及第二计算单元14根据计算公式L＝(A/N)1/2计算所述最少采样点个数之间的间距，其中L为间距，A为所述样方区域的面积，N表示采样点个数；采样点确定单元16根据所述最少采样点个数和间距在样方区域内确定多个采样点。
实施例6
如图6所示，一种基于克里格插值的土壤湿度数据预测装置的映射模块20包括：
回归单元22：用于用于所述地形数据包括所述多个采样点的海拔、坡度以及所述多个采样点到水文站的距离；以所述第一时刻样方区域的水文站数据和所述多个采样点的海拔、坡度以及所述多个采样点到水文站的距离为自变量，所述多个采样点的土壤湿度数据为因变量建立线性回归方程；
映射子单元24：用于获取所述自变量的多组观测值计算所述线性回归方程的回归系数，得到所述自变量和所述因变量的映射关系。
上述装置的映射模块20的一种实施方式可为：回归单元22所述地形数据包括所述多个采样点的海拔、坡度以及所述多个采样点到水文站的距离；以所述第一时刻样方区域的水文站数据和所述多个采样点的海拔、坡度以及所述多个采样点到水文站的距离为自变量，所述多个采样点的土壤湿度数据为因变量建立线性回归方程；映射子单元24获取所述自变量的多组观测值计算所述线性回归方程的回归系数，得到所述自变量和所述因变量的映射关系。
实施例7
如图7所示，一种电子设备，包括存储器701和处理器702，所述存储器701用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器702执行以实现上述的一种基于克里格插值的土壤湿度数据预测方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的电子设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机执行时实现如上述的一种基于克里格插值的土壤湿度数据预测方法。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器701中，并由处理器702执行，并由输入接口705和输出接口706完成数据的I/O接口传输，以完成本发明,一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机设备中的执行过程。
计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可包括，但不仅限于，存储器701、处理器702,本领域技术人员可以理解，本实施例仅仅是计算机设备的示例，并不构成对计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入器707、网络接入设备、总线等。
处理器702可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器702、数字信号处理器702(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgRAM503mableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器702可以是微处理器702或者该处理器702也可以是任何常规的处理器702等。
存储器701可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器701也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(SmartMediaCard,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(FlashCard)等,进一步地，存储器701还可以既包括计算机设备的内部存储单元也包括外部存储设备,存储器701用于存储计算机程序以及计算机设备所需的其他程序和数据,存储器701还可以用于暂时地存储在输出器708，而前述的存储介质包括U盘、移动硬盘、只读存储器ROM703、随机存储器RAM704、碟盘或光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的具体实施例，但本发明的技术特征并不局限于此，任何本领域的技术人员在本发明的领域内，所作的变化或修饰皆涵盖在本发明的专利范围之中。

Claims (8)

1.一种基于克里格插值的土壤湿度数据预测方法，其特征在于，包括：
在样方区域内确定多个采样点，获取第一时刻样方区域的水文站数据和所述多个采样点的地形数据；
以所述第一时刻样方区域的水文站数据和所述多个采样点的地形数据为自变量，根据多元线性回归最小二乘法建立所述自变量和所述多个采样点的土壤湿度数据的映射关系；
获取第二时刻所述样方区域的水文站数据，并基于所述映射关系和所述第二时刻所述样方区域的水文站数据，得到第二时刻所述多个采样点的土壤湿度数据；
利用克里格插值法将所述第二时刻所述多个采样点的土壤湿度数据空间化，得到第二时刻所述样方区域的土壤湿度数据。
2.根据权利要求1所述的一种基于克里格插值的土壤湿度数据预测方法，其特征在于，所述在样方区域内确定多个采样点，包括：
根据计算公式N＝t2*s2/D2计算样方区域内的最少采样点个数，其中N表示采样点个数，t表示选定置信水平一定自由度下的t值，s2为均方差，D为可接受的绝对偏差；以及
根据计算公式L＝(A/N)1/2计算所述最少采样点个数之间的间距，其中L为间距，A为所述样方区域的面积，N表示采样点个数；
根据所述最少采样点个数和间距在样方区域内确定多个采样点。
3.根据权利要求1所述的一种基于克里格插值的土壤湿度数据预测方法，其特征在于，所述以所述第一时刻样方区域的水文站数据和所述多个采样点的地形数据为自变量，根据多元线性回归最小二乘法建立所述自变量和所述多个采样点的土壤湿度数据的映射关系，包括：
所述地形数据包括所述多个采样点的海拔、坡度以及所述多个采样点到水文站的距离；
以所述第一时刻样方区域的水文站数据和所述多个采样点的海拔、坡度以及所述多个采样点到水文站的距离为自变量，所述多个采样点的土壤湿度数据为因变量建立线性回归方程；
获取所述自变量的多组观测值计算所述线性回归方程的回归系数，得到所述自变量和所述因变量的映射关系。
4.一种基于克里格插值的土壤湿度数据预测装置，其特征在于，包括：
第一获取模块：用于在样方区域内确定多个采样点，获取第一时刻样方区域的水文站数据和所述多个采样点的地形数据；
映射模块：用于以所述第一获取模块获取的所述第一时刻样方区域的水文站数据和所述多个采样点的地形数据为自变量，根据多元线性回归最小二乘法建立所述自变量和所述多个采样点的土壤湿度数据的映射关系；
第二获取模块：用于获取第二时刻所述样方区域的水文站数据，并基于所述映射模块得到的所述映射关系和所述第二时刻所述样方区域的水文站数据，得到第二时刻所述多个采样点的土壤湿度数据；
空间化模块：用于利用克里格插值法将所述第二获取模块得到的所述第二时刻所述多个采样点的土壤湿度数据空间化，得到第二时刻所述样方区域的土壤湿度数据。
5.根据权利要求4所述的一种基于克里格插值的土壤湿度数据预测装置，其特征在于，所述第一获取模块具体包括：
第一计算单元：用于根据计算公式N＝t2*s2/D2计算样方区域内的最少采样点个数，其中N表示采样点个数，t表示选定置信水平一定自由度下的t值，s2为均方差，D为可接受的绝对偏差；以及
第二计算单元：用于根据计算公式L＝(A/N)1/2计算所述最少采样点个数之间的间距，其中L为间距，A为所述样方区域的面积，N表示采样点个数；
采样点确定单元：用于根据所述最少采样点个数和间距在样方区域内确定多个采样点。
6.根据权利要求4所述的一种基于克里格插值的土壤湿度数据预测装置，其特征在于，所述映射模块具体包括：
回归单元：用于所述地形数据包括所述多个采样点的海拔、坡度以及所述多个采样点到水文站的距离；以所述第一时刻样方区域的水文站数据和所述多个采样点的海拔、坡度以及所述多个采样点到水文站的距离为自变量，所述多个采样点的土壤湿度数据为因变量建立线性回归方程；
映射子单元：用于获取所述自变量的多组观测值计算所述线性回归方程的回归系数，得到所述自变量和所述因变量的映射关系。
7.一种基于克里格插值的土壤湿度数据预测装置，其特征在于，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如权利要求1～3中任一项所述的一种基于克里格插值的土壤湿度数据预测方法。
8.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被计算机执行时实现如权利要求1～3中任一项所述的一种基于克里格插值的土壤湿度数据预测方法。
CN202110814899.0A 2021-07-19 2021-07-19 一种基于克里格插值的土壤湿度数据预测方法及装置 Pending CN113591288A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110814899.0A CN113591288A (zh) 2021-07-19 2021-07-19 一种基于克里格插值的土壤湿度数据预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110814899.0A CN113591288A (zh) 2021-07-19 2021-07-19 一种基于克里格插值的土壤湿度数据预测方法及装置

Publications (1)

Publication Number Publication Date
CN113591288A true CN113591288A (zh) 2021-11-02

Family

ID=78248010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110814899.0A Pending CN113591288A (zh) 2021-07-19 2021-07-19 一种基于克里格插值的土壤湿度数据预测方法及装置

Country Status (1)

Country Link
CN (1) CN113591288A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114916276A (zh) * 2022-04-18 2022-08-19 张景燕 一种根据土层厚度进行土地平整的方法
CN114971097A (zh) * 2022-08-03 2022-08-30 北京市农林科学院智能装备技术研究中心 土壤墒情数据重建方法及预报方法
CN117851817A (zh) * 2024-03-08 2024-04-09 深圳市伟昊净化设备有限公司 一种用于潮湿空气的智能过滤分析方法、系统及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114916276A (zh) * 2022-04-18 2022-08-19 张景燕 一种根据土层厚度进行土地平整的方法
CN114971097A (zh) * 2022-08-03 2022-08-30 北京市农林科学院智能装备技术研究中心 土壤墒情数据重建方法及预报方法
CN114971097B (zh) * 2022-08-03 2022-11-29 北京市农林科学院智能装备技术研究中心 土壤墒情数据重建方法及预报方法
CN117851817A (zh) * 2024-03-08 2024-04-09 深圳市伟昊净化设备有限公司 一种用于潮湿空气的智能过滤分析方法、系统及存储介质
CN117851817B (zh) * 2024-03-08 2024-06-25 深圳市伟昊净化设备有限公司 一种用于潮湿空气的智能过滤分析方法、系统及存储介质

Similar Documents

Publication Publication Date Title
CN111651885B (zh) 一种智慧型海绵城市洪涝预报方法
Strömqvist et al. Water and nutrient predictions in ungauged basins: set-up and evaluation of a model at the national scale
CN113591288A (zh) 一种基于克里格插值的土壤湿度数据预测方法及装置
Huss et al. Glacier mass balance in the south-eastern Swiss Alps since 1900 and perspectives for the future
Bugaets et al. Modeling the hydrological regime of small testbed catchments based on field observations: a case study of the Pravaya Sokolovka River, the Upper Ussuri River basin
CN101216481A (zh) 一种反映区域土壤自然侵蚀程度的方法
Boufala et al. Hydrological modeling of water and soil resources in the basin upstream of the Allal El Fassi dam (Upper Sebou watershed, Morocco)
US20230090928A1 (en) Method for determining dynamic wetland boundary based on hydrology, organism and soil elements
McGlynn et al. A data acquisition framework for prediction of runoff in ungauged basins
CN113624716A (zh) 一种基于植被覆盖度的土壤氮素估计方法
Yu et al. Spatial and temporal scale effect in simulating hydrologic processes in a watershed
Hammouri et al. Hydrological modeling of ungauged wadis in arid environments using GIS: a case study of Wadi Madoneh in Jordan
Uzun et al. Spatial distribution of wind-driven sediment transport rate in a fallow plot in Central Anatolia, Turkey
CN114511170A (zh) 一种基于多光谱影像的土壤养分估计方法及装置
Zhang et al. Modifying SWAT-CS for simulating chloride dynamics in a Boreal Shield headwater catchment in south-central Ontario, Canada
CN105528523A (zh) 一种基于遥感数据的土壤厚度反演方法
Stratton et al. Modeling the spatially varying water balance processes in a semiarid mountainous watershed of Idaho 1
Mizukami et al. Regional approach for mapping climatological snow water equivalent over the mountainous regions of the western United States
Basnet et al. Comparative study of design discharge calculation approaches: a case study on Padhu Khola, Kaski, Nepal
Venteris et al. A comparison between contour elevation data sources for DEM creation and soil carbon prediction, Coshocton, Ohio
Daoud Integrated hydrological model to study surface-groundwater interaction in hard rock systems using an unstructured grid approach, the Sardon Catchment, Spain
Baggaley et al. Identification of key soil and terrain properties that influence the spatial variability of soil moisture throughout the growing season
Li et al. Improvement of the multi-source weighted-ensemble precipitation dataset and application in the arid area of Tianshan Mountains, central Asia
Hassan et al. Analysis of geostatistical and deterministic techniques in the spatial variation of groundwater depth in the northwestern part of Bangladesh
Shi Development of a land surface hydrologic modeling and data assimilation system for the study of subsurface-land surface interaction

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