CN115809605A - 一种农田径流氮磷流失浓度和径流量的预测方法 - Google Patents

Abstract

本发明公开了一种农田径流氮磷流失浓度和径流量的预测方法，涉及面源污染控制和水污染监测技术领域。具体是建立了一种基于水位‑水势‑水污染物三水联合的农田面源污染自动监测系统，对目标农田径流的基础水质参数和土壤水势数据进行采集；随后基于KNN回归算法拟合数据集中各类参数与目标农田径流中氮磷浓度和径流量的关系模型，推算氮磷浓度和流失负荷，并调整所得的拟合模型参数；最终利用所得模型，根据测得的基础水质参数和水势数据，预测目标农田径流中氮磷浓度和径流量。本发明设计了“非浸没式”传感监测系统，破解了水量间歇性变化情况下农田径流水质参数在线实时监测的技术瓶颈，基于机器学习分析水质数据，建立农田径流水质预测模型。

Description

一种农田径流氮磷流失浓度和径流量的预测方法

技术领域

本发明涉及面源污染控制和水污染监测技术领域，特别涉及一种农田径流氮磷流失浓度和径流量的预测方法。

背景技术

我国种植业受亚热带季风性气候的影响，大多作物生长期多与雨季重合，连续高强度降雨使得集约化、规模化的现代效益农业生产活动不可避免地产生地表径流排水，导致氮、磷营养物质直接进入环境水体，严重影响受纳水体水质。如何研发农业面源污染原位监测智能控制新系统和揭示不同土地利用类型下面源污染发生的共性特征，构建农业面源污染评估新模型已成为科学研究的热点议题。

近年来，有关农田径流污染物流失研究结果表明，农田各种污染物质随径流进入水体环境是面源污染的主要来源，径流氮磷浓度峰值出现在径流产流后半个小时甚至更短的时间内，其后径流氮磷浓度主要与雨水本身氮磷浓度相关。在农田系统中，地表径流排水氮磷含量通常超出WHO饮用水标准，且面源污染具有分散性、隐蔽性、随机性、潜伏性、累积性和模糊性等特点，单纯依靠水肥管理策略难以彻底解决该问题。因此，农业径流水质监测及污染拦截是控制农业面源污染的关键途径，对于改善农田周边水体水质具有至关重要的意义。

总体上，农业面源污染动态数据库的建设还处于初步阶段，现有系统存在现场设备建设条件不佳，维护成本高，核心信息技术需要更多数据优化，与面源污染评估模型还存在接口问题。长期以来，我国面源污染研究大多借助SWAT\AGNPS等国际模型，这些模型在评估应用时往往遇到敏感性参数率定难、源代码不可取等问题，导致评估结果往往难以被采纳接受。此外，我国在氮磷精准监测方面还存在较大的发展空间。农业氮磷径流流失具有量散、浓度低等特点，且少有直接监测的手段。因此，迫切需要提出高效、便捷的分析方法。

如今，人工智能技术(AI)在越来越多的行业中得以应用。在环境监测领域，特别是水文监测领域，人工智能技术已经开始通过各种学习算法构建模型并得到成功应用。有学者设计了智能水动态监测系统，试图解决测量精度问题，提高工作效率。传统上大量的环境监测数据都是由世界各地的环境部门和机构收集的，获取难度大，且具有我国种植业特色的面源污染监测数据存在缺口，无法为未来的农业面源污染提供预警。构建农田径流水质监测智能感知系统，获取实时农业径流数据，利用机器学习模型，从一些关键的环境质量参数和环境结果开始训练，然后在输入新的参数后预测未来的结果，可以提高农业面源污染预测模型的准确度。目前，如何进一步加强农业径流的水质监测，完善农业面源污染数据库，最大程度提高模型的预测精度，还有待进一步研究。

发明内容

本发明的目的在于克服现有技术中的缺陷，并提供一种农田径流氮磷流失浓度和径流量的预测方法。

本发明所采用的具体技术方案如下：

本发明提供了一种农田径流氮磷流失浓度和径流量的预测方法，具体如下：

利用一种基于水位-水势-水污染物三水联合的农田面源污染自动监测系统，对目标农田径流的基础水质参数进行采集；同时，在目标农田径流上游的土壤中设置土壤水势传感器以采集土壤水势；将所采集的输入值使用Z得分标准化进行预处理，随后将整个数据集以80：20的比例随机分为训练组和测试组；基于KNN回归算法拟合数据集中各类参数与目标农田径流中氮磷浓度和径流量的关系模型，随后利用所述基于水位-水势-水污染物三水联合的农田面源污染自动监测系统，收集基础水质和水势参数数据，并调整所得的拟合模型参数；最终利用所得模型，根据测得的基础水质参数和水势数据，预测目标农田径流中氮磷流失浓度和径流量。

作为优选，所述基于水位-水势-水污染物三水联合的农田面源污染自动监测系统包括放置于箱体中的电源、数据采集器、浊度传感器、水泵和基础水质参数传感器组；所述箱体内设有储水槽，基础水质参数传感器组的传感器探头位于储水槽中，储水槽相对的两侧侧壁上开设进水口和出水口，进水口和出水口的开设高度均高于传感器探头的高度，使所述传感器探头能始终浸泡于水中；进水口处设有进水管，出水口处设有出水管；所述进水管的一端伸入目标农田径流中，另一端经水泵和浊度传感器后与储水槽连通；所述浊度传感器和基础水质参数传感器组均与数据采集器相连，电源用于为设备供电。

进一步的，还包括与数据采集器相连的液位传感器，所述液位传感器位于箱体外部，用于测量目标农田径流的水位。

进一步的，所述基础水质参数传感器组包括电导率温度传感器、pH传感器和溶解氧传感器。

进一步的，所述数据采集器的节点连接到STM32F105模块串口用于接收数据，接收到的数据通过射频天线无线发送到协调器CC2530F256节点上，以将数据实时传输至上位机。

作为优选，所述基础水质参数包括浊度、pH值、电导率以及溶氧量值。

作为优选，所述土壤水势传感器为MPS-6土壤水势传感器，用于测量土壤深度15cm处的水势。

作为优选，所述Z得分标准化的处理方法如下式所示：

Xi^*＝(Xi-μ)/σ

其中，Xi^*表示每个输入变量的归一化值，Xi是输入变量的原始值，μ和σ分别为每个输入变量的平均值和标准差。

作为优选，所述KNN回归算法具体如下：

(1)计算已知类别数据集中的点与当前点之间的距离；(2)按照距离递增次序排序；(3)选取与当前点距离最小的K个点；(4)确定前K个点所在类别的出现频率；(5)返回前K个点所出现频率最高的类别作为当前点的预测分类。

作为优选，所述径流量模型如下：

y＝(a×R-b×W)×e^-kt+c

式中：y—降雨第t天产流量，单位为m³；R—降雨量，单位为mm；W—降雨前后水势差，单位为kPa；t—降雨后天数，单位为d；a、k、b、c—相关参数。

本发明相对于现有技术而言，具有以下有益效果：

传统的投入式水质传感器，需长期浸泡在水中进行检测，在面对径流池缺水或水位过高的情况，会出现探头难以维护，寿命短等问题。本发明采用水质离位传感技术理念，结合野外原位观测和室内机器学习数据分析等手段，运用现代传感、自动测量、自动控制和计算机应用等技术，巧妙地设计出“非浸没式”传感监测系统，破解了水量间歇性变化情况下农田径流水质参数在线实时监测的技术瓶颈，并构建农田径流水质监测智能感知系统，基于机器学习分析水质数据，建立农田径流水质预测模型。该设备可实现农田径流水样pH、DO、浊度、温度、电导率等水质常规参数和水位、水势等水文参数的实时监测，与氮、磷等营养盐传感器具有良好的兼容性，数据可实时传输至计算机和手机APP可视化显示终端。

附图说明

图1为本发明系统结构图；

图2为本发明方法的流程图；

图3为本发明中网页综合服务平台中水位数据显示图；

图4为本发明中网页综合服务平台中水势数据显示图；

图5为实施例1中KNN回归算法预测结果与真实值对比；

图6为实施例1中KNN回归算法选取K的个数；

图7为实施例1中总氮对浊度的部分依赖图；

图8为实施例1中总氮对浊度和溶氧的依赖图；

图9为实施例2中四个典型种植地区土壤水势变化曲线，其中，(a)为湖州市长兴县、(b)为诸暨市、(c)为金华市磐安县、(d)为衢州市开化县；

图10为实施例3中三水联合的农田面源污染自动监测系统中液位走势动态曲线。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步阐述和说明。本发明中各个实施方式的技术特征在没有相互冲突的前提下，均可进行相应组合。

本发明提供了一种农田径流氮磷流失浓度和径流量的预测方法，该方法具体是基于对不同种植类型土壤径流水样的水质的周年测定结果，包括pH、DO、电导率、浊度、氨氮、硝氮、总氮、总磷、可溶性磷等，初步掌握了典型种植地径流水质随时间和施肥处理的变化规律，并通过机器学习模型建立基础水质参数与氮磷等农业面源污染关键参数之间的关系。

如图2所示，本发明的预测方法具体如下：

利用一种基于水位-水势-水污染物三水联合的农田面源污染自动监测系统，对目标农田径流的基础水质参数进行采集；同时，在目标农田径流上游的土壤中设置土壤水势传感器以采集土壤水势；将所采集的输入值使用Z得分标准化进行预处理，随后将整个数据集以80：20的比例随机分为训练组和测试组；基于KNN回归算法拟合数据集中各类参数与目标农田径流中氮磷浓度和径流量的关系模型，随后利用所述基于水位-水势-水污染物三水联合的农田面源污染自动监测系统，收集基础水质和水势参数数据，推算氮磷浓度，并调整所得的拟合模型参数；最终利用所得模型，根据测得的基础水质参数和水势数据，预测目标农田径流中氮磷浓度和径流量。

如图1所示，为本发明提供的一种基于水位-水势-水污染物三水联合的农田面源污染自动监测系统。该农田面源污染自动监测系统主要包括放置于箱体中的电源、数据采集器、浊度传感器、水泵和基础水质参数传感器组。箱体内设有储水槽，基础水质参数传感器组的传感器探头位于储水槽中，储水槽相对的两侧侧壁上开设进水口和出水口，进水口和出水口的开设高度均高于传感器探头的高度，使所述传感器探头能始终浸泡于水中。由于传感器需要长期浸泡在水中进行，因此需采用特殊的机械密封方式将电极的所有接线端密封起来，防止进水造成设备损毁。通过将探头一直浸没于液体中，实现了对探头电极的保护，破解了水量间歇性变化情况下农田径流水质参数在线实时监测的技术瓶颈。

本发明农田面源污染自动监测系统的进水口处设有进水管，出水口处设有出水管。其中，进水管的一端伸入目标农田径流中，另一端经水泵和浊度传感器后与储水槽连通。浊度传感器和基础水质参数传感器组均与数据采集器相连，电源用于为设备供电。

此外，还构建有信息感知系统、多维度数据融合传输系统和网页综合服务平台，实现数据在网页的直观展示与历史数据的保存。如图3和4所示，分别为网页综合服务平台上水位数据和水势数据的显示图。在研究不同种植类型土壤径流pH、DO等环境参数变化的同时，可间接反映水体氮磷指标的变化，或者直接联用氮、磷等营养盐传感器，提出水质预警与径流池阀门联用的模式，在田间原位条件下，发现水质的异常变化后进行径流拦截；无污染时直接排放径流，及时清空径流池。具体是将数据采集器的节点连接到STM32F105模块串口用于接收数据，接收到的数据通过射频天线无线发送到协调器CC2530F256节点上，以将数据实时传输至上位机。

本发明的农田面源污染自动监测系统中，还包括与数据采集器相连的液位传感器，该液位传感器位于箱体外部，用于测量目标农田径流的水位，液位传感器可以采用MP-S200液位传感器。实际使用时，基础水质参数传感器组主要包括电导率温度传感器、pH传感器和溶解氧传感器，例如EC-1000电导率温度传感器、pH-200pH传感器以及溶氧量YP-100传感器。浊度传感器可以采用KP-1000浊度传感器，土壤水势传感器为MPS-6土壤水势传感器，用于测量土壤深度15cm处的水势。

本发明的方法具体如下：

第一步：收集典型种植地径流水质和水量数据。在往年的田间试验中，积累了不同种植类型土壤径流水样的水质和水量数据，包括(1)基础水质参数：pH、DO、电导率、温度、浊度(此处由于实地送样限制，温度暂时不考虑)；(2)氮磷参数：总氮、氨氮、硝氮、总磷、溶解性磷；(3)水量参数：降雨量，水势，单次径流量。初步掌握了典型种植地径流水质和水量随时间和施肥的变化实测数据，分析水质和水量参数的变化规律。

第二步：建立水质参数和水量预测模型。用于构建和测试预测模型的基础水质参数数据集(pH、DO、电导率、浊度；总氮、氨氮、硝氮、总磷、溶解性磷)来自于往年的田间试验积累。每一条数据都包含所有变量的有效值，存在缺失数据的情况时这些变量将被排除在外。将氮磷的关键影响因素分为pH、DO、电导率、浊度四类。

所有输入值均使用Z得分标准化进行标准化，如下式所示：

Xi^*＝(Xi-μ)/σ

其中是Xi^*每个输入变量的归一化值，Xi是输入变量的原始值。μ和σ分别为每个输入变量的平均值和标准差。整个数据集以80：20的比例随机分为训练组和测试组。

接着利用基于查准率、查全率、F1分数等的传统模型和集成模型，如随机森林、完全随机森林、K近邻算法(KNN)等，对比分析拟合效果，根据试验数据的回归系数(R²)和均方根误差(RMSE)评估开发模型的性能。选择合适的学习模型，识别关键的水质参数。

通过对比，最终利用KNN回归算法分析基础参数(pH、浊度、溶解氧和电导率)与氮磷浓度关系的结果，K值指在决策时通过依据测试样本的K个最近邻“数据样本”做决策判断。算法步骤简化如下：(1)计算已知类别数据集中的点与当前点之间的距离；(2)按照距离递增次序排序；(3)选取与当前点距离最小的K个点；(4)确定前K个点所在类别的出现频率；(5)返回前K个点所出现频率最高的类别作为当前点的预测分类。K值一般取较小值，通常采用交叉验证法来选取最优K值，也就是比较不同的K值时的交叉验证平均误差，选择平均误差最小的那个K值。在总氮分析中，当选取K＝3时，RMSE最小(R²＝0.72，RMSE＝1.741)。

并利用相同的办法，建立降雨、水势和径流量的预测模型或公式，必选最佳拟合结果。

第三步：收集基础水质和水势参数大数据，推算氮磷浓度，并调整模型参数。利用农田径流水质监测智能感知系统，实时采集典型种植类型土壤径流水质信息，利用传感器对易获取的基础水质参数(pH、DO、电导率、浊度、温度)和水势参数进行实时测定，收集实时大数据，带入第二步得出的模型或公式对氮磷等面源污染物和径流量难以直接监测的数据进行预算。并根据部分实测数据，对参数进行调整，提高模型的精确度。

第四步：对农田面源污染物浓度和负荷进行预测评估。利用上述所述方法和关系，将基础水质参数(pH、DO、电导率、浊度、温度)和水势参数带入相应模型，对氮磷流失浓度和径流量进行预测计算。结合水质和水量模型或公式，可以进一步得出氮磷流失负荷预测数据。此外，探索未来模型预测中的关键水质参数，提供及时的水质预警。

实施例1

本实施例实现了面源污染监测点建立及径流样品采集测定、模型建立，具体如下：

在浙江省湖州市长兴县、诸暨市、金华市磐安县和衢州市开化县建立了四个地表径流面源污染监测点。种植类型分别为单季稻、露地蔬菜、中草药和茶叶。

在四种不同的种植类型中，均设置了4个处理，各处理分别为：1)CK：不施肥处理；2)CF：常规施肥处理；3)CFRB：常规施肥+1.5t ha^-1水稻秸秆炭；4)CFCB：常规施肥+1.5t ha^-1玉米秸秆炭。每个处理3次重复，共12个监测小区。小区面积33m²，小区周边统一设置径流池和排水沟，用于监测田面水径流量。常规处理的水肥及农艺措施参照各监测点所在地区的传统管理方法。四个地点的实验均在自然降雨下进行。

径流水样采集：采用12个径流池(2.5×1.6×0.8m)收集各小区产生的径流水样。径流池内设有标尺测定池内水位，当两次采样间隔日期内累积产流深度高于池体高度的1/2时，即采集径流池内水样，并根据水深计算总径流量，然后排干池内水样，进行下一阶段的径流收集。采用聚乙烯塑料瓶收集上述水样，并放入4℃冰箱保存，待用。

在2021年1月1日至2021年12月31日对四个监测点采集的径流样品进行基础理化指标及氮磷含量的分析，得知水样pH范围为6.19～8.04；溶氧范围为5.27～7.44mg/L；浊度范围为2.42～45.43NTU；电导率(EC)范围分别为67.87～403μs/cm；单次产径流量范围为8.96～889.92m³/ha；总磷范围为0.08～2.34mg/L；总氮范围为0.29～10.13mg/L。为水位-水势-水污染物三水联合的农田面源污染自动监测系统的设计提供预警值区间。

接下来以总氮为例(其他指标相同)，用于构建和测试预测模型的基础水质参数数据集(pH、DO、电导率、浊度；总氮)来自于项目组往年的田间试验积累。每一条数据都包含所有变量的有效值，存在缺失数据的情况时这些变量将被排除在外。将总氮的关键影响因素分为pH、DO、电导率、浊度四类。

所有输入值均使用Z得分标准化进行标准化，如下式所示：

Xi^*＝(Xi-μ)/σ

其中是Xi^*每个输入变量的归一化值，Xi是输入变量的原始值。μ和σ分别为每个输入变量的平均值和标准差。整个数据集以80：20的比例随机分为训练组和测试组。

接着利用基于查准率、查全率、F1分数等的传统模型和集成模型，如随机森林、完全随机森林、K近邻算法(KNN)等，对比分析拟合效果，根据试验数据的回归系数(R²)和均方根误差(RMSE)评估开发模型的性能。选择合适的学习模型，识别关键的水质参数。

如图5-8所示，最终利用KNN回归算法分析基础参数(pH、浊度、溶解氧和电导率)与总氮浓度关系的结果。K值指在决策时通过依据测试样本的K个最近邻“数据样本”做决策判断。算法步骤简化如下：(1)计算已知类别数据集中的点与当前点之间的距离(2)按照距离递增次序排序(3)选取与当前点距离最小的k个点(4)确定前K个点所在类别的出现频率(5)返回前K个点所出现频率最高的类别作为当前点的预测分类。K一般取较小值,通常采用交叉验证法来选取最优K值,也就是比较不同的K值时的交叉验证平均误差,选择平均误差最小的那个K值，可知当选取K＝3时，RMSE最小(R²＝0.72，RMSE＝4.9311)。

实施例2

本实施例基于实施例1的结果，实现了土壤水势年际变化及公式拟合，具体如下：

对实施例1中四个点位土壤在深度15cm设置MPS-6土壤水势传感器，监测土壤水势变化，以收集水势大数据，进一步得到降雨、灌溉等引起的土壤水势变化与产流量之间的关系公式。土壤水势实时变化数据可以在web平台上进行实时显示，如图9所示，分别为湖州市长兴县、诸暨市、金华市磐安县和衢州市开化县四个典型种植地区土壤水势变化曲线。web平台可以储存水势历史数据并随时查看下载。

分析降雨量、土壤水势动态数据与产流量之间的关系，结合指数方程进行改进，将降雨量与水势差一起作为自变量，利用SPSS对其进行拟合，用于对径流量进行模式表征。径流的拟合方程表达式如下：

y＝(a×R-b×W)×e^-kt+c

式中：y—降雨第t天产流量(m³)；R—降雨量(mm)；W—降雨前后水势差(kPa)；t—降雨后天数(d)；a、k、b、c—相关参数(土壤性质及种植类型不同，参数有差异)。

实施例3

本实施例实现了水位-水势-水污染物三水联合的农田面源污染自动监测系统应用，具体如下：

在浙江省建立了一个单季稻地表径流面源污染监测点，试验安装了三水联合的农田面源污染自动监测系统，自2022年1月开始运行(即图1)。如图10所示，展示了该点液位走势动态变化曲线，峰值处(及箭头所指)为径流积累采样后排空径流池时后液位的变化。

自设备安装以来，水质传感器以两小时的传输频率采集数据，并在网页端显示，部分水质实时数据如下(对应采样时间)：

表1基础参数部分实时数据

结合实例1和2的分析模型及公式，对本监测点农田面源污染自动监测数据——单次降雨氮磷流失负荷进行预测，可得表2所示结果。

表2单次降雨氮磷流失负荷观测值与模拟计算值对比

由表可知，观测值和模拟值误差分布在5.13％～50％之间。氮素大部分样本的观测值和模拟值吻合度相对较高，但有部分场次的模拟结果和实际监测情况并不相近，误差较大。这主要是由于田闲时下的径流氮磷浓度主要受到土壤本身理化性质和农事操作扰动的影响，而很多因素是不可控的，并不呈现一定规律性，由此导致误差较大。而总磷流失负荷的估算准确度相对差于总氮流失负荷，这可能与磷素更容易被土壤所吸附有关。另外，因为总氮和总磷流失负荷是基于径流量和氮磷浓度进行计算的，但两者与实际值之间均存在偏差，由此导致其计算结果产生了更大的误差。

本发明针对农田径流池水量多变和池底变干极易干扰传感器监测探头正常运行的情况，采用水质离位传感技术理念，巧妙地设计出“非浸没式”传感监测系统，破解了水量间歇性变化情况下农田径流水质参数在线实时监测的技术瓶颈。该设备可实现农田径流水样pH、DO、浊度、温度、电导率等水质常规参数和水位、水势等水文参数的实时监测，与氮、磷等营养盐传感器具有良好的兼容性，数据可实时传输至计算机和手机APP可视化显示终端。通过农田径流水质水量信息感知系统、多维度数据融合传输系统和网页综合服务平台构建，可精准掌握农田径流水质变化特征，提高农田面源污染发生预测预报效率。

以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (10)

1.一种农田径流氮磷流失浓度和径流量的预测方法，其特征在于，具体如下：

利用一种基于水位-水势-水污染物三水联合的农田面源污染自动监测系统，对目标农田径流的基础水质参数进行采集；同时，在目标农田径流上游的土壤中设置土壤水势传感器以采集土壤水势；将所采集的输入值使用Z得分标准化进行预处理，随后将整个数据集以80：20的比例随机分为训练组和测试组；基于KNN回归算法拟合数据集中各类参数与目标农田径流中氮磷浓度和径流量的关系模型，随后利用所述基于水位-水势-水污染物三水联合的农田面源污染自动监测系统，收集基础水质和水势参数数据，并调整所得的拟合模型参数；最终利用所得模型，根据测得的基础水质参数和水势数据，预测目标农田径流中氮磷流失浓度和径流量。

2.根据权利要求1所述的一种农田径流氮磷流失浓度和径流量的预测方法，其特征在于，所述基于水位-水势-水污染物三水联合的农田面源污染自动监测系统包括放置于箱体中的电源、数据采集器、浊度传感器、水泵和基础水质参数传感器组；所述箱体内设有储水槽，基础水质参数传感器组的传感器探头位于储水槽中，储水槽相对的两侧侧壁上开设进水口和出水口，进水口和出水口的开设高度均高于传感器探头的高度，使所述传感器探头能始终浸泡于水中；进水口处设有进水管，出水口处设有出水管；所述进水管的一端伸入目标农田径流中，另一端经水泵和浊度传感器后与储水槽连通；所述浊度传感器和基础水质参数传感器组均与数据采集器相连，电源用于为设备供电。

3.根据权利要求2所述的一种农田径流氮磷流失浓度和径流量的预测方法，其特征在于，还包括与数据采集器相连的液位传感器，所述液位传感器位于箱体外部，用于测量目标农田径流的水位。

4.根据权利要求2所述的一种农田径流氮磷流失浓度和径流量的预测方法，其特征在于，所述基础水质参数传感器组包括电导率温度传感器、pH传感器和溶解氧传感器。

5.根据权利要求2所述的一种农田径流氮磷流失浓度和径流量的预测方法，其特征在于，所述数据采集器的节点连接到STM32F105模块串口用于接收数据，接收到的数据通过射频天线无线发送到协调器CC2530F256节点上，以将数据实时传输至上位机。

6.根据权利要求1所述的一种农田径流氮磷流失浓度和径流量的预测方法，其特征在于，所述基础水质参数包括浊度、pH值、电导率以及溶氧量值。

7.根据权利要求1所述的一种农田径流氮磷流失浓度和径流量的预测方法，其特征在于，所述土壤水势传感器为MPS-6土壤水势传感器，用于测量土壤深度15cm处的水势。

8.根据权利要求1所述的一种农田径流氮磷流失浓度和径流量的预测方法，其特征在于，所述Z得分标准化的处理方法如下式所示：

Xi^*＝(Xi-μ)/σ

其中，Xi^*表示每个输入变量的归一化值，Xi是输入变量的原始值，μ和σ分别为每个输入变量的平均值和标准差。

9.根据权利要求1所述的一种农田径流氮磷流失浓度和径流量的预测方法，其特征在于，所述KNN回归算法具体如下：

(1)计算已知类别数据集中的点与当前点之间的距离；(2)按照距离递增次序排序；(3)选取与当前点距离最小的K个点；(4)确定前K个点所在类别的出现频率；(5)返回前K个点所出现频率最高的类别作为当前点的预测分类。

10.根据权利要求1所述的一种农田径流氮磷流失浓度和径流量的预测方法，其特征在于，所述径流量模型如下：

y＝(a×R-b×W)×e^-kt+c

式中：y—降雨第t天产流量，单位为m³；R—降雨量，单位为mm；W—降雨前后水势差，单位为kPa；t—降雨后天数，单位为d；a、k、b、c—相关参数。

Images