CN114638146A - 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 - Google Patents
一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 Download PDFInfo
- Publication number
- CN114638146A CN114638146A CN202210306622.1A CN202210306622A CN114638146A CN 114638146 A CN114638146 A CN 114638146A CN 202210306622 A CN202210306622 A CN 202210306622A CN 114638146 A CN114638146 A CN 114638146A
- Authority
- CN
- China
- Prior art keywords
- irrigation
- model
- aquacrop
- data
- svr
- 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
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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法,包括以下步骤:S1、获取种植区域气象站数据、种植区域土壤数据、作物参数数据和田间管理数据;S2、通过试错法进行AquaCrop模型的本地化调试;S3、利用AquaCrop模型选择合适的灌溉策略,进行不同灌溉制度模拟;S4、基于AquaCrop模型模拟结果,结合SVR预测下一年生育期的作物日灌溉需水量。本发明利用现有的气象站数据与作物种植管理数据,将作物模型与机器学习方法结合,能够根据不同区域的水资源供需状况及作物生长需水特征选择适宜的灌溉策略,通过支持向量机结合粒子群寻优算法,预测下一年的作物日灌溉需水量,提高了预测精度,可以为当地农业规划用水提供有效的参考依据。
Description
技术领域
本发明属于农业灌溉预测方法技术领域,具体涉及一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法。
背景技术
水资源短缺是当今世界面临的一个主要问题,人口不断增长和日益严重的干旱现象对水资源的可持续利用造成了前所未有的压力,进而造成了一定程度的粮食危机。农业灌溉是淡水资源的主要消费者,但是灌溉用水有效性很差,水资源浪费严重,因此需要有效的灌溉管理策略和预测技术,使其在节水与作物生产之间取得平衡。
作物灌溉决策的核心是灌溉需水量的预测,现有的作物灌溉需水量预测方法大都基于布设田间传感器来获取土壤墒情,造价昂贵,工程量巨大。
此外,农业灌溉用水减少,水分利用效率低下,传统的按作物需水要求的充分灌溉已不适应客观现实的状况,也不符合科学灌溉的内涵。应根据不同地区的气象条件、土壤条件、水资源状况来指导该地区的非充分灌溉,合理分配水量,预测灌溉需水量,预测作物产量,使缺水对作物的影响降到最低。
传统的灌溉策略大多是基于现场试验结合优化算法的使用,如线性、非线性、动态规划和遗传算法。然而,田间试验往往费时费力,而且很难考虑不同年份和地区的气候类型、土壤类型和农学措施对作物产量的影响,极为不便。
发明内容
本发明所要解决的技术问题在于针对上述现有技术的不足,提供一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法,以解决上述背景技术中提出的问题。
为解决上述技术问题,本发明采用的技术方案是:一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法,包括以下步骤:
S1、获取种植区域气象站数据、种植区域土壤数据、作物参数数据和田间管理数据;
S2、通过试错法进行AquaCrop模型的本地化调试;
S3、利用AquaCrop模型选择合适的灌溉策略,进行不同灌溉制度模拟;
S4、基于AquaCrop模型模拟结果,结合SVR预测下一年生育期的作物日灌溉需水量。
进一步的,在S1中,气象站数据包含日尺度降水数据、温度数据、相对湿度、风速和日照时数,并利用气象站数据根据Penman-Monteith公式计算参考作物蒸发蒸腾量ET0。
进一步的,所述作物参数数据包括生育期参数数据和作物单产数据。
进一步的,S3中,在AquaCrop模型中内置了6种灌溉策略制定方式,分别为:
IrrMethod=0:雨养灌溉;
IrrMethod=1:根区土壤含水量低于指定的阈值,则触发灌溉;
IrrMethod=2:每隔N天触发一次灌溉;
IrrMethod=3:预定义的灌溉计划;
IrrMethod=4:净灌溉,每天灌满所有土层隔间,以保持土壤水分维持在预设水平;
IrrMethod=5:每天灌溉固定深度;
然后根据产量、多年平均灌水量选取最优的灌溉策略制定方式,进行作物的多年连续生长模拟,获得其每日灌溉水量数据。
进一步的,在S4中包括以下步骤:
S4.1、将气象因子,具体为最高温度Tmax,℃、最低温度Tmin,℃、降水P,mm、参考蒸发蒸腾量ET0,mm/day,日照时数SD,h/day与AquaCrop模型输出的每日灌溉水量数据按照时间序列进行合并,作为SVR的输入变量;
S4.2、将特征值进行标准差标准化Z-zero;
S4.3、将SVR的输入变量划分为训练集和测试集,通过敏感性分析确定作物灌溉需水量预测所需的最高温度Tmax,℃、最低温度Tmin,℃、降水P,mm、参考蒸发蒸腾量ET0,mm/day,日照时数SD,h/day与Irrday,mm的最佳组合。
本发明与现有技术相比具有以下优点:
本发明提供了一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法,利用现有的气象站数据与作物种植管理数据,将作物模型与机器学习方法结合,能够根据不同区域的水资源供需状况及作物生长需水特征选择适宜的灌溉策略,通过支持向量机结合粒子群寻优算法,预测下一年的作物日灌溉需水量,提高了预测精度,可以为当地农业规划用水提供有效的参考依据。
附图说明
图1为本发明的原理框架图;
图2为本发明中AquaCrop模型率定结果图;
图3为SVR原理图;
图4为PSO流程图;
图5为SVR预测结果图。
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。
实施例1,如图1所示,本发明提供一种技术方案:一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法,包括以下步骤:
S1、获取种植区域气象站数据、种植区域土壤数据、作物参数数据和田间管理数据;气象站数据包含日尺度降水数据、温度数据、相对湿度、风速和日照时数,并利用气象站数据根据Penman-Monteith公式计算参考作物蒸发蒸腾量ET0;
作物参数数据包括生育期参数数据和作物单产数据。
S2、通过试错法进行AquaCrop模型的本地化调试;
S3、利用AquaCrop模型选择合适的灌溉策略,进行不同灌溉制度模拟;
在AquaCrop模型中内置了6种灌溉策略制定方式,分别为:
IrrMethod=0:雨养灌溉;
IrrMethod=1:根区土壤含水量低于指定的阈值,则触发灌溉;
IrrMethod=2:每隔N天触发一次灌溉;
IrrMethod=3:预定义的灌溉计划;
IrrMethod=4:净灌溉,每天灌满所有土层隔间,以保持土壤水分维持在预设水平;
IrrMethod=5:每天灌溉固定深度;
然后根据产量、多年平均灌水量选取最优的灌溉策略制定方式,进行作物的多年连续生长模拟,获得其每日灌溉水量数据。
S4、基于AquaCrop模型模拟结果,结合SVR预测下一年生育期的作物日灌溉需水量,具体包括以下步骤:
S4.1、将气象因子,具体为最高温度Tmax,℃、最低温度Tmin,℃、降水P,mm、参考蒸发蒸腾量ET0,mm/day,日照时数SD,h/day与AquaCrop模型输出的每日灌溉水量数据按照时间序列进行合并,作为SVR的输入变量;
S4.2、将特征值进行标准差标准化Z-zero;
S4.3、将SVR的输入变量划分为训练集和测试集,通过敏感性分析确定作物灌溉需水量预测所需的最高温度Tmax,℃、最低温度Tmin,℃、降水P,mm、参考蒸发蒸腾量ET0,mm/day,日照时数SD,h/day与Irrday,mm的最佳组合。
实验例1,如图2-5所示,基于实施例1,对河北省石家庄市栾城区冬小麦进行不同灌溉制度下生长模拟及灌溉水量预测。
选取2000-2006年冬小麦大田试验数据进行AquaCrop模型校准,参考河北省用水定额标准,使用河北省统计年鉴1996-2018年冬小麦单产数据进行验证,SVR模型数据集选取AquaCrop模拟的1995-2018年栾城区冬小麦日灌溉水量与栾城站1995-2018年气象数据,其中,1995-2015年的数据集作为训练集,2015-2018年的数据集作为测试集。
S1、获取河北省石家庄市栾城区1995-2018年气象站数据,气象站数据包含日尺度降水数据、温度数据、相对湿度、风速和日照时数利用气象数据并根据联合国粮食农业组织推荐的Penman-Monteith公式计算ET0,具体计算如下:
式中,Rn为作物表面净辐射[MJ/(m2·d)];
G为土壤热通量,MJ/(m2·d);
γ为湿度计常数,kPa/℃;
T为空气平均温度,℃;
u2为地面以上2m高处的风速m2/s;
es为空气饱和水汽压,kPa;
ea为空气实际水汽压,kPa;
Δ为饱和水汽压与温度关系曲线的斜率,kPa/℃。
将整理好的气象数据制作为天气文件作为AquaCrop模型气象数据的输入。
再获取种植区域土壤数据,作物参数数据,包括生育期参数数据和作物单产数据和田间管理数据。
S2、通过试错法进行AquaCrop模型的本地化调试。
土壤数据及作物参数数据来自于张喜英2008年的研究。1995-2018年栾城区的冬小麦单产数据来自于河北省统计年鉴,其他作物参数参考AquaCrop模型使用手册以及其他学者的相关研究。田间管理数据,包括作物种植密度和施肥水平参数按照当地农民的经验以及其他学者的研究获得。AquaCrop模型提供了小麦典型特征以及相关的作物参数。本实施例参考模型给出的参数范围以及其他学者的研究,通过试错法对模型中的参数进行调试,得到适合当地的作物参数值。
基于均方根误差(RMSE)和决定系数(R2)来评估模型校准的性能:
其中Si与Oi分别为模拟值与实测值;
n为实测值的个数;
S与O分别为模拟值与实测值的均值。
RMSE的值越接近0表明模拟误差越小,R2越接近于1表示模型预测能力越好。
为了保证模型模拟的准确性,在无水分胁迫的情况下对AquaCrop模型进行校正与验证。
图2为AquaCrop模型率定结果图。结果显示,在不同的灌溉策略下冬小麦的产量模拟值与实测值之间存在强烈的线性关系,表明AquaCrop模型能够较为准确地模拟冬小麦的产量变化。
步骤S3、模拟不同灌溉情景下冬小麦产量与灌溉量。
AquaCrop模型参数本地化调试成功后,选取1995-2018年时间序列模拟不同灌溉方案下冬小麦的产量响应和日灌溉需求量。根据IrrMethod4,设定三个灌溉阈值节点,分别代表非充分灌溉(15%),正常用水条件(30%),充分供水(50%)。每个阈值代表可用水量的极限,如果根区土壤水分阈值小于或等于设定值,则激活自动灌溉周期。表1显示了1995-2018年在三种灌溉情景下冬小麦产量与总灌溉需求量。
表1 1995-2018年三种灌溉情景下冬小麦产量与灌溉量
结果显示,不同年份冬小麦灌溉量有一定程度的变化,三种灌溉情景下,灌水总量差异较大,但是产量变化幅度相对较小。
步骤S4、基于AquaCrop模型模拟结果结合SVR预测下一年生育期作物日灌溉需水量。
图3为SVR原理图,该模型结构创建了一个传递函数,将输入映射到一个高维特征空间,称为核函数,在这个空间中可以执行线性回归来确定输入数据的非线性分布。
SVM提供了四种核函数类型:线性核函数LINEAR,多项式核函数POLY,径向基核函数RBF和神经元的非线性作用函数核函数SIGMOID。
核函数的选择取决于对数据处理的要求,其中RBF核函数具有良好的性态,在实际问题中表现出良好的性能。
本实验例选取RBF核函数,并确定初始参数为gamma=0.1,C=0,epsilon=100,作物日灌溉需水量预测具体步骤如下:
S4.1、数据整合及预处理,AquaCrop模型输出日尺度的水通量文件model.Outputs.Flux,其中包括灌水限制下的冬小麦日灌溉水量,将其与天气文件数据进行整合,将完整的时间序列结果作为SVR输入数据。
S4.2、数据标准归一化,对于同一个特征,不同的样本中的取值可能会相差非常大,一些异常小或异常大的数据会误导模型的正确训练,此外数据的分布很分散也会影响训练结果。因此需要将特征中的值进行标准差标准化(Z-zero),即转换为均值为0,方差为1的正态分布,转化公式如下:
其中x*为标准化后的值,
μ表示原数据的均值,
σ表示原数据标准差。
S4.3、划分训练集与测试集,SVR输入变量敏感性分析,1995-2015年的数据集作为训练集,2015-2018年的数据集作为测试集。以NetIrrSMT50%为例,通过不同变量组合,评估SVR模型日灌溉需水量预测效果,确定SVR输入变量最优特征组合。表2显示了不同输入特征组合下SVR预测精度。
表2 不同输入特征组合下SVR预测精度
表中,SD,Tmax,Tmin,P,ET0,Irrday分别表示日照时数,最高温度,最低温度,降水量,参考蒸发蒸腾量,日灌溉水量。
由表2可以看出,SD,Tmax,Tmin,ET0对结果的影响较大,P对预测结果的影响最小。最终确定SVR输入变量组合如表3所示:
表3 SVR输入变量组合表
模型 | 组合 |
场景一 | SD+Tmax+Tmin+ET<sub>0</sub>+P+Irrday15% |
场景二 | SD+Tmax+Tmin+ET<sub>0</sub>+P+Irrday30% |
场景三 | SD+Tmax+Tmin+ET<sub>0</sub>+P+Irrday50% |
S4.4、利用SVR进行三种灌溉情景下冬小麦日灌溉需水量预测。
选取RBF作为核函数,采用粒子群优化算法PSO对RBF参数进行寻优,直到找到最佳的SVR训练函数。
图4为PSO算法流程,具体步骤如下:
S4.4.1、初始化处理。设置最大迭代次数,目标函数的自变量个数,粒子的最大速度,位置信息为整个搜索空间。在速度区间和搜索空间上随机初始化速度和位置,设置粒子群规模为M,每个粒子随机初始化一个飞翔速度。本实施例中设置迭代代数为20,种群大小为20,变量个数为3。
S4.4.2、定义适应度函数,个体极值为每个粒子找到的最优解,从这些最优解找到一个全局值,为本次全局最优解。与历史全局最优比较,进行更新。S4.4.3、更新速度和位置,公式如下:
Vid=ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid)
Xid=Xid+Vid
其中,ω为惯性因子,通过调整ω的大小,可以对全局寻有性能和局部寻优性能进行调整;
C1,C2为加速常数,前者为每个粒子的个体学习因子,后者为每个粒子的社会学习因子;
Pid表示第i个变量的个体极值的第d维,Pgd表示全局最优解的第d维。
S4.4.4、终止条件:
1.达到设定迭代次数;
2.代数之间的差值满足最小界限。
模型预测结果的评价指标选用R2和RMSE。选择满足RMSE最小且R2最大的模型作为训练完毕的SVR预测模型。
通过粒子群寻优算法确定SVR核函数的参数组合如表4所示:
表4 SVR核函数的参数组合表
图5为本实施例的预测结果图。
结果显示:三种灌溉情景下冬小麦日灌溉需水量预测表现均较为良好,且在灌水量较为充足的情况下预测精度更高。综上所述,通过本方案提供的预测方法得到的冬小麦日灌溉需水量接近实际值,经过校准的模型能够较为准确地预测下一年作物日灌溉需水量,从而保证了下一生长期内作物总需水量预测的准确性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法,其特征在于,包括以下步骤:
S1、获取种植区域气象站数据、种植区域土壤数据、作物参数数据和田间管理数据;
S2、通过试错法进行AquaCrop模型的本地化调试;
S3、利用AquaCrop模型选择合适的灌溉策略,进行不同灌溉制度模拟;
S4、基于AquaCrop模型模拟结果,结合SVR预测下一年生育期的作物日灌溉需水量。
2.根据权利要求1所述的一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法,其特征在于,在S1中,气象站数据包含日尺度降水数据、温度数据、相对湿度、风速和日照时数,并利用气象站数据根据Penman-Monteith公式计算参考作物蒸发蒸腾量ET0。
3.根据权利要求1所述的一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法,其特征在于,所述作物参数数据包括生育期参数数据和作物单产数据。
4.根据权利要求1所述的一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法,其特征在于,S3中,在AquaCrop模型中内置了6种灌溉策略制定方式,分别为:
IrrMethod=0:雨养灌溉;
IrrMethod=1:根区土壤含水量低于指定的阈值,则触发灌溉;
IrrMethod=2:每隔N天触发一次灌溉;
IrrMethod=3:预定义的灌溉计划;
IrrMethod=4:净灌溉,每天灌满所有土层隔间,以保持土壤水分维持在预设水平;
IrrMethod=5:每天灌溉固定深度;
然后根据产量、多年平均灌水量选取最优的灌溉策略制定方式,进行作物的多年连续生长模拟,获得其每日灌溉水量数据。
5.根据权利要求4所述的一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法,其特征在于,在S4中包括以下步骤:
S4.1、将气象因子,具体为最高温度Tmax,℃、最低温度Tmin,℃、降水P,mm、参考蒸发蒸腾量ET0,mm/day,日照时数SD,h/day与AquaCrop模型输出的每日灌溉水量数据按照时间序列进行合并,作为SVR的输入变量;
S4.2、将特征值进行标准差标准化Z-zero;
S4.3、将SVR的输入变量划分为训练集和测试集,通过敏感性分析确定作物灌溉需水量预测所需的最高温度Tmax,℃、最低温度Tmin,℃、降水P,mm、参考蒸发蒸腾量ET0,mm/day,日照时数SD,h/day与Irrday,mm的最佳组合;
S4.4、将最佳组合作为输入,对SVR进行训练,从而进行作物日灌溉需水量预测。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210306622.1A CN114638146A (zh) | 2022-03-25 | 2022-03-25 | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 |
PCT/CN2022/143877 WO2023179167A1 (zh) | 2022-03-25 | 2022-12-30 | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210306622.1A CN114638146A (zh) | 2022-03-25 | 2022-03-25 | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114638146A true CN114638146A (zh) | 2022-06-17 |
Family
ID=81949403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210306622.1A Pending CN114638146A (zh) | 2022-03-25 | 2022-03-25 | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114638146A (zh) |
WO (1) | WO2023179167A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664340A (zh) * | 2023-07-25 | 2023-08-29 | 长江信达软件技术(武汉)有限责任公司 | 一种适用于干旱地区的灌域级水量调度方法 |
WO2023179167A1 (zh) * | 2022-03-25 | 2023-09-28 | 西北农林科技大学 | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077992B (zh) * | 2023-10-18 | 2024-02-13 | 深圳市宏电技术股份有限公司 | 地下水灌溉承载力提升方法、装置、设备及存储介质 |
CN117111663B (zh) * | 2023-10-23 | 2023-12-26 | 沈阳仪表科学研究院有限公司 | 用于中药材灌溉的高稳态性阀门控制系统及方法 |
CN117236564B (zh) * | 2023-11-08 | 2024-02-02 | 北京弘象科技有限公司 | 针对农田干旱的评估解决方法、装置、设备和介质 |
CN117235607B (zh) * | 2023-11-13 | 2024-02-13 | 天津市农业发展服务中心 | 一种土壤墒情实时监测系统及监测方法 |
CN117235322B (zh) * | 2023-11-14 | 2024-02-02 | 中国农业大学 | 作物耐盐高产品种筛选方法、装置、电子设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11026376B2 (en) * | 2015-08-05 | 2021-06-08 | Dtn, Llc | Customized land surface modeling in a soil-crop system using satellite data to detect irrigation and precipitation events for decision support in precision agriculture |
CN110163444A (zh) * | 2019-05-28 | 2019-08-23 | 河北工程大学 | 一种基于gasa-svr的需水预测方法 |
CN110580657B (zh) * | 2019-10-12 | 2020-06-16 | 中国水利水电科学研究院 | 农业灌溉需水量预测方法 |
CN111915062B (zh) * | 2020-07-08 | 2023-06-20 | 西北农林科技大学 | 水分利用率与光合速率协同的温室作物需水调控方法 |
CN114638146A (zh) * | 2022-03-25 | 2022-06-17 | 西北农林科技大学 | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 |
-
2022
- 2022-03-25 CN CN202210306622.1A patent/CN114638146A/zh active Pending
- 2022-12-30 WO PCT/CN2022/143877 patent/WO2023179167A1/zh unknown
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023179167A1 (zh) * | 2022-03-25 | 2023-09-28 | 西北农林科技大学 | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 |
CN116664340A (zh) * | 2023-07-25 | 2023-08-29 | 长江信达软件技术(武汉)有限责任公司 | 一种适用于干旱地区的灌域级水量调度方法 |
CN116664340B (zh) * | 2023-07-25 | 2023-12-12 | 长江信达软件技术(武汉)有限责任公司 | 一种适用于干旱地区的灌域级水量调度方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023179167A1 (zh) | 2023-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114638146A (zh) | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 | |
Fan et al. | Light Gradient Boosting Machine: An efficient soft computing model for estimating daily reference evapotranspiration with local and external meteorological data | |
CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
CN112906298B (zh) | 一种基于机器学习的蓝莓产量预测方法 | |
CN110909933B (zh) | 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法 | |
CN111783987A (zh) | 基于改进bp神经网络的农田参考作物蒸散量预测方法 | |
Abedinpour et al. | Prediction of maize yield under future water availability scenarios using the AquaCrop model | |
Yu et al. | A PSO-XGBoost Model for Estimating Daily Reference Evapotranspiration in the Solar Greenhouse. | |
Wang et al. | Long-term relative decline in evapotranspiration with increasing runoff on fractional land surfaces | |
Shen et al. | Irrigation decision method for winter wheat growth period in a supplementary irrigation area based on a support vector machine algorithm | |
Irawan et al. | Intelligent Irrigation Water Requirement System Based on Artificial Neural Networks and Profit Optimization for Planning Time Decision Making of Crops in Lombok Island | |
CN110705182A (zh) | 耦合作物模型和机器学习的作物育种适应时间预测方法 | |
Wu et al. | Estimation of maize evapotranspiration in semi-humid regions of northern China using Penman-Monteith model and segmentally optimized Jarvis model | |
CN114357737A (zh) | 针对大尺度水文模型时变参数的代理优化率定方法 | |
Luminto et al. | Weather analysis to predict rice cultivation time using multiple linear regression to escalate farmer's exchange rate | |
Chen et al. | Construction of a photosynthetic rate prediction model for greenhouse strawberries with distributed regulation of light environment | |
CN116030345A (zh) | 基于机器学习模型的叶龄预测方法 | |
Hoang et al. | A robust parameter approach for estimating CERES-Rice model parameters for the Vietnam Mekong Delta | |
Amiri et al. | Performance of WOFOST model for simulating maize growth, leaf area index, biomass, grain yield, yield gap, and soil water under irrigation and rainfed conditions | |
CN113673160A (zh) | 一种面向作物水分高效利用的多孔材料优化埋设方法 | |
Ritchie et al. | Overview of crop models for assessment of crop production | |
Hartomo et al. | ESSPI: Exponential Smoothing Seasonal Planting Index A New Algorithm For Prediction Rainfall | |
CN117436710B (zh) | 一种基于作物模型的干旱评估方法 | |
Mani et al. | A framework for plant growth analysis and simulation using data analysis techniques | |
CN115907178B (zh) | 一种净生态系统co2交换量的预测方法 |
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 |