CN117436710B - 一种基于作物模型的干旱评估方法 - Google Patents
一种基于作物模型的干旱评估方法 Download PDFInfo
- Publication number
- CN117436710B CN117436710B CN202311757024.7A CN202311757024A CN117436710B CN 117436710 B CN117436710 B CN 117436710B CN 202311757024 A CN202311757024 A CN 202311757024A CN 117436710 B CN117436710 B CN 117436710B
- Authority
- CN
- China
- Prior art keywords
- data
- drought
- stage
- water
- yield
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 241000209140 Triticum Species 0.000 claims abstract description 49
- 235000021307 Triticum Nutrition 0.000 claims abstract description 49
- 208000005156 Dehydration Diseases 0.000 claims abstract description 41
- 239000002689 soil Substances 0.000 claims abstract description 40
- 230000009467 reduction Effects 0.000 claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000009825 accumulation Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000013210 evaluation model Methods 0.000 claims abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 37
- 238000011156 evaluation Methods 0.000 claims description 19
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims description 11
- 230000007812 deficiency Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000035558 fertility Effects 0.000 claims description 5
- 238000001556 precipitation Methods 0.000 claims description 5
- 241000607479 Yersinia pestis Species 0.000 claims description 4
- 230000004720 fertilization Effects 0.000 claims description 4
- 238000010899 nucleation Methods 0.000 claims description 4
- 238000009333 weeding Methods 0.000 claims description 4
- 229920006395 saturated elastomer Polymers 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 2
- 238000005406 washing Methods 0.000 claims 1
- 238000012502 risk assessment Methods 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 abstract 1
- 238000012795 verification Methods 0.000 description 12
- 238000012937 correction Methods 0.000 description 10
- 238000004140 cleaning Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000009331 sowing Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- CHWRSCGUEQEHOH-UHFFFAOYSA-N potassium oxide Chemical compound [O-2].[K+].[K+] CHWRSCGUEQEHOH-UHFFFAOYSA-N 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 230000035800 maturation Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002686 phosphate fertilizer Substances 0.000 description 2
- 229910001950 potassium oxide Inorganic materials 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009826 distribution Methods 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
- 229910052700 potassium Inorganic materials 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本发明涉及自然灾害风险评估领域,尤其涉及一种基于作物模型的干旱评估方法,包括完成冬小麦田间试验;获取冬小麦试验田所属区域的历史数据;基于APSIM‑wheat模型输出水分胁迫因子数据和土壤相对湿度数据;拟合Sw‑H关系式;完成Sw与减产率Y以及η与减产率Y的关系分析;确定相关系数Rj和影响因数Aj;计算第一干旱积累量ASW和第二干旱积累量Aη;构建冬小麦干旱产量损失评估模型;判定所述干旱评估是否符合预设标准,提高了干旱评估的准确性。
Description
技术领域
本发明涉及自然灾害风险评估领域,尤其涉及一种基于作物模型的干旱评估方法。
背景技术
小麦是中国的主要粮食作物之一,小麦的生产对保障我国粮食安全具有重要的意义。由于华北地区的地理、气候特点,水资源短缺,干旱频繁, 干旱成为该区严重的农业气象灾害之一,在冬小麦生产中对冬小麦产量造成严重影响。干旱评估是对干旱发生的时间、强度、规模、损失和影响进行的评价。影响干旱的因子很多,包括该区域的气象条件例如温度、日照时数、降水量、降水日数、相对湿度等。王石立等(1997)利用 FAO 推荐的产量与水分关系模型,并对计算出干旱引起的减产率进行了分级定量评估。刘荣花等(2003)考虑冬小麦产量的实际灾损,构建了针对减产率冬小麦干旱产量灾损风险评估模型。康西言等(2011)基于 Jensen 模型得到作物不同发育时期的干旱指标并结合统计回归分析方法,建立了不同生育阶段的干旱的预测模型。
目前关于干旱评估的研究多采用统计方法,应用多元回归分析、时间序列分析、灰色聚类分析、延神经元网络、模糊数学方法、人工神经网络、混沌优化算法等数理统计方法、地理信息系统的空间分析方法等方法建立干旱评估模型,然而,这些方法反映统计意义上的关系,不能很好的反映干旱对作物生长发育及产量的持续影响。基于以上的问题,如何构建精准的干旱评估方法迫在眉睫。
发明内容
为此,本发明提供一种基于作物模型的干旱评估方法,用以克服现有技术中对于干旱对作物生长发育及产量的持续影响评估的精准度差的问题。
为实现上述目的,本发明提供一种基于作物模型的干旱评估方法,包括:
完成冬小麦田间试验以获取水分对冬小麦生长和产量影响的实验数据;
获取冬小麦试验田所属区域的历史数据,所述历史数据包括历史气象数据、历史土壤数据以及历史作物数据;
将所述历史数据输入至APSIM-wheat模型,并输出水分胁迫因子数据和土壤相对湿度数据;
将所述水分胁迫因子数据和所述土壤相对湿度数据拟合以获得水分胁迫因子-土壤相对湿度关系式;
完成冬小麦各生育阶段水分胁迫因子Sw与减产率Y的关系分析,并完成各生育阶段缺水程度η与减产率Y的关系分析,所述各生育阶段包括出苗到拔节阶段,拔节到开花阶段,开花到灌浆阶段以及灌浆到成熟阶段;
确定冬小麦各生育阶段水分胁迫因子Sw、缺水程度η和减产率Y的相关系数Rj,并计算各生育阶段干旱对减产率Y的影响因数Aj;
计算第一干旱积累量ASW和第二干旱积累量Aη;
筛选 ASW≠0 和 Aη≠1 的所述历史数据构建冬小麦干旱产量损失评估模型;
将所述实验数据代入冬小麦干旱产量损失评估模型中求得模拟减产率,并基于模拟减产率与实际减产率的偏差量的绝对值判定所述干旱评估是否符合预设标准。
进一步地,基于所述模拟减产率与所述实际减产率之间的偏差量的绝对值判定所述干旱评估不符合预设标准时,基于置信度检验的结果二次判定所述干旱评估是否符合预设标准,或,将所述历史数据的采集区间扩大至对应值。
进一步地,基于置信度检验的F值二次判定所述干旱评估不符合预设标准时,将获得所述水分胁迫因子-土壤相对湿度关系式的所述拟合的数据的清洗占比增加至对应值。
进一步地,针对所述历史数据的采集区间设置有若干调节方式,且各调剂方式针对采集区间的扩大范围不同。
进一步地,所述田间试验的实验数据不小于两季冬小麦的试验田种植的实验数据。
进一步地,所述水分胁迫因子-土壤相对湿度关系式为Sw=2.1061H-0.5138,其中,Sw为水分胁迫因子,H为土壤相对湿度。
进一步地,所述缺水程度按照公式(1)求得,
(1)
公式(1)中,为第j生育阶段的作物耗水量,/>为第j生育阶段的作物的最大需水量,j=1,2,3,4,j=1表示出苗到拔节阶段,j=2表示拔节到开花阶段,j=3表示开花到灌浆阶段,j=4表示灌浆到成熟阶段。
进一步地,所述影响因数Aj按照公式(2)求得,
(2)
公式(2)中,为相关系数。
进一步地,所述第一干旱积累量,且所述第二干旱积累量,其中,Swi,j为第i年第j生育阶段的水分胁迫因子,/>为第i年第j生育阶段的缺水程度,i为年份。
进一步地,所述历史气象数据包括前20年的逐日的最高气温、最低气温、降水量、日照时数、2m处风速、水汽压,所述历史土壤数据包括各土层土壤质地和组成、永久萎蔫点、田间持水量、饱和含水量以及容重;所述历史作物数据包括历史播种数据、施肥数据、病虫害防治数据、除草数据以及产量数据。
与现有技术相比,本发明的有益效果在于:本发明选用作物生长模拟模型 APSIM-wheat进行大田试验和收集历史气象资料,基于小麦模型APSIM-wheat调参验证结果,通过模拟历史冬小麦的生长发育状况和产量,在分析冬小麦干旱累积量与干旱产量损失关系基础上,结合干旱评估指标建立了干旱评估方法,并通过试验数据对干旱评估方法进行了验证,从而提高了干旱评估的准确性。
进一步地,本发明通过模拟减产率与所述实际减产率之间的偏差量的绝对值判定所述干旱评估是否符合预设标准,在不符合预设标准时,进行二次判定或者扩大历史数据的采集区间,从而精准验证模型的精准性。
进一步地,本发明设置有若干针对所述历史数据的采集区间的调节方式,从而通过精准扩大数据的采集量,保证模型的偏差量。
进一步地,本发明田间试验的实验数据不小于两季冬小麦的试验田种植的实验数据,从而保证了验证结果的精准性。
进一步地,本发明的引入不同生育阶段,从而精准的表述干旱对冬小麦产量的影响程度,从而对产量的影响分析有实用意义。
进一步地,本发明的第一干旱积累量和第二干旱积累量依据各生育阶段干旱因子及其对产量减产率的影响系数计算得到,可以精准的评估冬小麦全生育期的减产损失。
进一步地,本发明的使用的数据包含了历史气象数据,历史土壤数据和历史作物数据,从而提高了模型的评价精度。
附图说明
图1为本发明实施例基于作物模型的干旱评估方法的流程图;
图2为本发明实施例判定干旱评估是否符合预设标准的流程图;
图3为本发明实施例水分胁迫因子数据和所述土壤相对湿度数据拟合示意图;
图4为本发明实施例第一干旱积累量ASW与减产率数据拟合示意图;
图5为本发明实施例第二干旱积累量Aη与减产率数据拟合示意图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
需要指出的是在本实施例中的数据均为通过本发明的方法在进行本次评估前三个月的历史拟合数据以及对应的历史拟合结果中综合分析评定得出。
本发明所述方法根据前三个月中累计进行的11425次拟合和优化后综合确定针对本次评估的各项预设参数标准的数值。本领域的技术人员可以理解的是,本发明所述方法针对单项上述参数的确定方式可以为根据数据分布选取占比最高的数值作为预设标准参数、使用加权求和以将求得的数值作为预设标准参数、将各历史数据代入至特定公式并将利用该公式求得的数值作为预设标准参数或其他选取方式,只要满足本发明所述系统能够通过获取的数值明确界定单项判定过程中的不同特定情况即可。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
图1、图2、图3、图4以及图5分别为本发明实施例基于作物模型的干旱评估方法的流程图;本发明实施例判定干旱评估是否符合预设标准的流程图;本发明实施例水分胁迫因子数据和所述土壤相对湿度数据拟合示意图;本发明实施例第一干旱积累量ASW与减产率数据拟合示意图;本发明实施例第二干旱积累量Aη与减产率数据拟合示意图。
请参阅图1,本发明实施例一种基于作物模型的干旱评估方法,包括:
步骤S1,完成冬小麦田间试验以获取水分对冬小麦生长和产量影响的实验数据;
步骤S2,获取冬小麦试验田所属区域的历史数据,所述历史数据包括历史气象数据、历史土壤数据以及历史作物数据;
步骤S3,将所述历史数据输入至APSIM-wheat模型,并输出水分胁迫因子数据和土壤相对湿度数据;
步骤S4,将所述水分胁迫因子数据和所述土壤相对湿度数据拟合以获得水分胁迫因子-土壤相对湿度关系式;
步骤S5,完成冬小麦各生育阶段水分胁迫因子Sw与减产率Y的关系分析,并完成各生育阶段缺水程度η与减产率Y的关系分析,所述各生育阶段包括出苗到拔节阶段,拔节到开花阶段,开花到灌浆阶段以及灌浆到成熟阶段;
步骤S6,确定冬小麦各生育阶段水分胁迫因子Sw、缺水程度η和减产率Y的相关系数Rj,并计算各生育阶段干旱对减产率Y的影响因数Aj;
步骤S7,计算第一干旱积累量ASW和第二干旱积累量Aη;
步骤S8,筛选 ASW≠0 和 Aη≠1 的所述历史数据构建冬小麦干旱产量损失评估模型;
步骤S9,将所述步骤S1的所述实验数据代入冬小麦干旱产量损失评估模型中求得模拟减产率,并基于模拟减产率与实际减产率的偏差量的绝对值判定所述干旱评估是否符合预设标准。
具体而言,所述步骤S1所述冬小麦田间试验至少为两季冬小麦的试验田种植,种植的参数为:播种量225kg/hm2,行距为15cm。P、K肥不做处理,全部作为基肥施用,磷肥纯量为P2O5,施用量为90kg/hm2,氧化钾纯量为K2O,施用量为60kg/hm2。病虫害防治及除草等栽培管理同当地大田冬小麦生产,种植区域均分为三块,第一块采用雨养,其全生育期不灌溉,第二块在冬前和拔节阶段各灌溉一次,第三块在冬前、拔节阶段和开花阶段各灌溉一次。
具体而言,所述步骤S1中所述实验数据包括播种量,施肥数据,降雨量数据,灌溉数据,产量数据。
具体而言,步骤S2的冬小麦试验田所属区域的为历史数据,例如华北平原某市的历史数据,所述历史数据包括:历史气象数据、历史土壤数据和历史作物数据。
具体而言,历史气象数据包括前20年的逐日的最高气温、最低气温、降水量、日照时数、2m处风速、水汽压,上述数据从中国气象局网站获取。
具体而言,历史土壤数据包括各土层土壤质地和组成、永久萎蔫点、田间持水量、饱和含水量以及容重,上述数据从中国土种志获取。
具体而言,历史作物数据包括历史播种数据、施肥数据、病虫害防治数据、除草数据以及产量数据;所述播种数据为播种量和播种行距。
请参阅图3,具体而言,所述步骤S4中的拟合的过程为:以土壤相对湿度H为横坐标,以水分胁迫因子Sw为纵坐标构建直角坐标系,输入经过APSIM-wheat模型输出的水分胁迫因子数据和土壤相对湿度数据后,进行线性拟合,获得水分胁迫因子-土壤相对湿度关系式。
具体而言,所述线性拟合例如普通最小二乘回归、岭回归或Lasso回归中的一种,具体不做限定,用以对数据进行线性拟合。
具体而言,所述步骤S4中所述水分胁迫因子-土壤相对湿度关系式为Sw=2.1061H-0.5138,其中,Sw为水分胁迫因子,H为土壤相对湿度。
具体而言,所述步骤S5中,所述缺水程度按照公式(1)求得,
(1)
公式(1)中,为第j生育阶段的作物耗水量,/>为第j生育阶段的作物的最大需水量,j=1,2,3,4,j=1表示出苗到拔节阶段,j=2表示拔节到开花阶段,j=3表示开花到灌浆阶段,j=4表示灌浆到成熟阶段。
具体而言,所述步骤S5中,冬小麦各生育阶段水分胁迫因子Sw与减产率Y的关系分析过程为基于历史数据构建以各生育阶段水分胁迫因子Sw为横坐标,减产率Y为纵坐标的直角坐标系,进行线性拟合后获得各生育阶段水分胁迫因子Sw与减产率Y的关系式。冬小麦各生育阶段缺水程度η与减产率Y的关系分析过程为基于历史数据构建以各生育阶段缺水程度η为横坐标,减产率Y为纵坐标的直角坐标系,进行线性拟合后获得各生育阶段缺水程度η与减产率Y的关系式,因为出苗到拔节阶段为越冬阶段,该阶段不做分析,具体分析结果如表1所述:
表1 水分胁迫因子Sw、缺水程度η与减产率Y的关系式表
具体而言,所述步骤S6中所述影响因数Aj按照公式(2)求得,
(2)
公式(2)中,为相关系数。
具体而言,越冬阶段干旱对产量减产率的影响系数设为 0,即j=1(出苗到拔节阶段)的R和A分别为0,综合得出,各生育阶段的相关系数R和影响因数A如表2所示:
表2 各生育阶段的相关系数R和影响因数A
具体而言,在所述步骤S7中,所述第一干旱积累量,所述第二干旱积累量/>,其中,Swi,j为第i年第j生育阶段的水分胁迫因子,/>为第i年第j生育阶段的缺水程度,i为年份。
请继续参阅图4和图5,具体而言,在所述步骤S8,筛选 ASW≠0 和 Aη≠1 的所述历史数据构建冬小麦干旱产量损失评估模型,拟合的结果见表3
表3 干旱产量损失评估模型
请继续参阅图2,具体而言,在所述步骤S9中,校验模块基于所述模拟减产率与所述实际减产率之间的偏差量的绝对值确定针对所述干旱评估是否符合预设标准的判定,其中,
第一判定为所述校验模块判定所述干旱评估符合预设标准,并使用当前的小麦干旱产量损失评估模型进行干旱评估;所述第一判定满足所述偏差量的绝对值小于第一预设偏差量阈值2.60%;
第二判定为所述校验模块判定所述干旱评估不符合预设标准,并基于置信度检验的结果二次判定所述干旱评估是否符合预设标准;所述第二判定满足所述偏差量的绝对值大于等于所述第一预设偏差量阈值且小于第二预设偏差量阈值8.50%;
第三判定为所述校验模块判定所述干旱评估不符合预设标准,并基于所述偏差量的绝对值与所述第二预设偏差量阈值之间的差值将所述步骤S2中所述历史数据的采集区间扩大至对应值;所述第三判定满足所述偏差量的绝对值大于等于所述第二预设偏差量阈值;
所述置信度检验为置信度0.01的F检验。
具体而言,所述校验模块在所述第二判定方式下基于置信度检验的F值二次判定所述干旱评估是否符合预设标准,其中,
第一类判定为所述校验模块判定所述干旱评估符合预设标准,并使用当前的小麦干旱产量损失评估模型进行干旱评估;所述第一类判定满足所述F值小于预设F临界阈值,设定预设F临界阈值为2.633;
第二类判定为所述校验模块判定所述干旱评估不符合预设标准,并根据所述F值与所述预设F临界阈值之间的差值将所述步骤S4中所述拟合的数据的清洗占比增加至对应值;所述第二类判定满足所述F值大于等于所述预设F临界阈值。
具体而言,所述步骤S4中所述拟合的数据的清洗方式为,初步拟合水分胁迫因子-土壤相对湿度关系式直线,统一各数据点与拟合的直线的垂直距离,统计并计算各垂直距离的平均垂直距离,将1.5倍平均垂直距离作为剔除阈值,剔除大于等于剔除阈值的数据点,将剔除的数据与原始的数据的数量占比记为清洗占比。提高清洗占比的方式可以通过降低阈值实现。剔除之后重新拟合水分胁迫因子-土壤相对湿度关系式。
具体而言,所述校验模块在所述第三判定方式下计算所述偏差量的绝对值与所述第二预设偏差量阈值之间的差值,并将该差值记为偏差量差值,校验模块基于偏差量差值确定针对所述采集区间的调节方式,其中,
第一调节方式为所述校验模块使用第一预设调节系数1.1将所述采集区间扩大至对应值,若不为整则向上取整;所述第一调节方式满足所述偏差量差值小于第一预设偏差量差值1.22%;
第二调节方式为所述校验模块使用第二预设调节系数1.2将所述采集区间扩大至对应值,若不为整则向上取整;所述第二调节方式满足所述偏差量差值大于等于所述第一预设偏差量差值且小于第二预设偏差量差值2.85%;
第三调节方式为所述校验模块使用第三预设调节系数1.3将所述采集区间扩大至对应值,若不为整则向上取整;所述第三调节方式满足所述偏差量差值大于等于所述第二预设偏差量差值;
具体而言,所述校验模块在第一预设条件下计算预设运算速率与调节后的模型的运算速率的差值,并将该差值记为运算差值,校验模块基于运算差值确定针对所述采集区间的修正方式,其中,
第一修正方式为所述校验模块使用第一预设修正系数0.99将所述采集区间减小至对应值,若不为整则向上取整;所述第一修正方式满足所述运算差值小于第一预设运算差值0.50h/次;
第二修正方式为所述校验模块使用第二预设修正系数0.98将所述采集区间减小至对应值,若不为整则向上取整;所述第二修正方式满足所述运算差值大于等于所述第一预设运算差值且小于第二预设运算差值1.20h/次;
第三修正方式为所述校验模块使用第三预设修正系数0.98将所述采集区间减小至对应值,若不为整则向上取整;所述第三修正方式满足所述运算差值大于等于所述第二预设运算差值;
所述第一预设条件为所述校验模块完成所述采集区间的调节且调节后的模型的运算速率小于预设运算速率,设定运算速率为5.2h/次。
所述采集区间例如2002年—2022年的20年,具体不做限定,用以表示数据的采集的年数。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于作物模型的干旱评估方法,其特征在于,包括:
完成冬小麦田间试验以获取水分对冬小麦生长和产量影响的实验数据;
获取冬小麦试验田所属区域的历史数据,所述历史数据包括历史气象数据、历史土壤数据以及历史作物数据;
将所述历史数据输入至APSIM-wheat模型,并输出水分胁迫因子数据和土壤相对湿度数据;
将所述水分胁迫因子数据和所述土壤相对湿度数据拟合以获得水分胁迫因子-土壤相对湿度关系式;
完成冬小麦各生育阶段水分胁迫因子Sw与减产率Y的关系分析,并完成各生育阶段缺水程度η与减产率Y的关系分析,所述各生育阶段包括出苗到拔节阶段,拔节到开花阶段,开花到灌浆阶段以及灌浆到成熟阶段,所述缺水程度,其中,/>为第j生育阶段的作物耗水量,/>为第j生育阶段的作物的最大需水量,j=1,2,3,4,j=1表示出苗到拔节阶段,j=2表示拔节到开花阶段,j=3表示开花到灌浆阶段,j=4表示灌浆到成熟阶段;冬小麦各生育阶段水分胁迫因子Sw与减产率Y的关系分析过程为基于历史数据构建以各生育阶段水分胁迫因子Sw为横坐标,减产率Y为纵坐标的直角坐标系,进行线性拟合后获得各生育阶段水分胁迫因子Sw与减产率Y的关系式;冬小麦各生育阶段缺水程度η与减产率Y的关系分析过程为基于历史数据构建以各生育阶段缺水程度η为横坐标,减产率Y为纵坐标的直角坐标系,进行线性拟合后获得各生育阶段缺水程度η与减产率Y的关系式;
在线性拟合过程中确定冬小麦各生育阶段水分胁迫因子Sw、缺水程度η和减产率Y的显著性相关系数Rj,并计算各生育阶段干旱对减产率Y的影响因数Aj其中,,其中,/>为相关系数;
计算第一干旱积累量ASW和第二干旱积累量Aη,所述第一干旱积累量,且所述第二干旱积累量/>,其中,Swi,j为第i年第j生育阶段的水分胁迫因子,/>为第i年第j生育阶段的缺水程度,i为年份;
筛选 ASW≠0 和 Aη≠1 的所述历史数据构建冬小麦干旱产量损失评估模型,该模型通过模拟得到减产率Y分别与ASW和Aη的线性关系;
将所述实验数据代入冬小麦干旱产量损失评估模型中求得模拟减产率,并基于模拟减产率与实际减产率的偏差量的绝对值判定所述干旱评估是否符合预设标准。
2.根据权利要求1所述的基于作物模型的干旱评估方法,其特征在于,基于所述模拟减产率与所述实际减产率之间的偏差量的绝对值判定所述干旱评估不符合预设标准时,基于置信度检验的结果二次判定所述干旱评估是否符合预设标准,或,将所述历史数据的采集区间扩大至对应值。
3.根据权利要求2所述的基于作物模型的干旱评估方法,其特征在于,基于置信度检验的F值二次判定所述干旱评估不符合预设标准时,将获得所述水分胁迫因子-土壤相对湿度关系式的所述拟合的数据的清洗占比增加至对应值。
4.根据权利要求3所述的基于作物模型的干旱评估方法,其特征在于,针对所述历史数据的采集区间设置有若干调节方式,且各调剂方式针对采集区间的扩大范围不同。
5.根据权利要求1所述的基于作物模型的干旱评估方法,其特征在于,所述田间试验的实验数据不小于两季冬小麦的试验田种植的实验数据。
6.根据权利要求1所述的基于作物模型的干旱评估方法,其特征在于,所述水分胁迫因子-土壤相对湿度关系式为Sw=2.1061H-0.5138,其中,Sw为水分胁迫因子,H为土壤相对湿度。
7.根据权利要求1所述的基于作物模型的干旱评估方法,其特征在于,所述历史气象数据包括前20年的逐日的最高气温、最低气温、降水量、日照时数、2m处风速、水汽压,所述历史土壤数据包括各土层土壤质地和组成、永久萎蔫点、田间持水量、饱和含水量以及容重;所述历史作物数据包括历史播种数据、施肥数据、病虫害防治数据、除草数据以及产量数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311757024.7A CN117436710B (zh) | 2023-12-20 | 2023-12-20 | 一种基于作物模型的干旱评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311757024.7A CN117436710B (zh) | 2023-12-20 | 2023-12-20 | 一种基于作物模型的干旱评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117436710A CN117436710A (zh) | 2024-01-23 |
CN117436710B true CN117436710B (zh) | 2024-03-26 |
Family
ID=89552028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311757024.7A Active CN117436710B (zh) | 2023-12-20 | 2023-12-20 | 一种基于作物模型的干旱评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117436710B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480888A (zh) * | 2017-08-17 | 2017-12-15 | 中国水利水电科学研究院 | 一种基于apsim模型的农业旱灾风险评估方法 |
CN116628978A (zh) * | 2023-05-23 | 2023-08-22 | 郑州大学 | 基于改进水分敏感确定网格化作物干旱脆弱性曲线的方法 |
CN116681169A (zh) * | 2023-06-02 | 2023-09-01 | 河北省科学院地理科学研究所 | 极端气候对作物产量影响的评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220132724A1 (en) * | 2020-11-05 | 2022-05-05 | Farmers Edge Inc. | Advanced crop manager for crops stress mitigation |
-
2023
- 2023-12-20 CN CN202311757024.7A patent/CN117436710B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480888A (zh) * | 2017-08-17 | 2017-12-15 | 中国水利水电科学研究院 | 一种基于apsim模型的农业旱灾风险评估方法 |
CN116628978A (zh) * | 2023-05-23 | 2023-08-22 | 郑州大学 | 基于改进水分敏感确定网格化作物干旱脆弱性曲线的方法 |
CN116681169A (zh) * | 2023-06-02 | 2023-09-01 | 河北省科学院地理科学研究所 | 极端气候对作物产量影响的评估方法 |
Non-Patent Citations (3)
Title |
---|
基于作物水分生产函数的冬小麦干旱评估模型;康西言;李春强;马辉杰;乐章燕;;中国农学通报;20110420(08);全文 * |
干旱条件下APSIM 模型修正及华北冬小麦产量模拟效果;周丽涛 等;农业工程学报;20230331;第39卷(第6期);92-102 * |
我国北方地区冬小麦干旱灾害风险评估;张存杰;王胜;宋艳玲;蔡雯悦;;干旱气象;20141215(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117436710A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107341577A (zh) | 一种农作物产量预测方法及系统 | |
CN105184445A (zh) | 一种玉米干旱气象灾害多年平均损失率的计算方法 | |
WO2023179167A1 (zh) | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 | |
Mhizha et al. | Use of the FAO AquaCrop model in developing sowing guidelines for rainfed maize in Zimbabwe | |
CN109800921B (zh) | 基于遥感物候同化和粒子群优化的区域冬小麦估产方法 | |
CN112837169A (zh) | 一种干旱过程网格化旱情综合监测、预警与评估方法 | |
CN112215716A (zh) | 农作物生长干预方法、装置、设备及存储介质 | |
Ale et al. | Determining optimum irrigation termination periods for cotton production in the Texas High Plains | |
CN110555553B (zh) | 多因素骤旱综合识别方法 | |
CN105389739A (zh) | 设施葡萄低温灾害天气指数保险纯费率的确定方法 | |
CN115455086A (zh) | 一种灌区农业灌溉用水量的估算方法及系统 | |
CN115345076A (zh) | 一种风速订正处理方法及装置 | |
CN110516943B (zh) | 一种基于地表温度的春灌期灌溉面积动态监测遥感方法 | |
CN114357737A (zh) | 针对大尺度水文模型时变参数的代理优化率定方法 | |
CN117436710B (zh) | 一种基于作物模型的干旱评估方法 | |
CN109934400B (zh) | 基于改进神经网络的集雨调亏作物需水量预测方法 | |
CN116451823A (zh) | 一种基于气象主控因子的苹果产量预测方法 | |
CN116401882A (zh) | 基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法 | |
CN116380708A (zh) | 灌溉量预测方法、装置、系统、设备及介质 | |
CN115310680A (zh) | 一种番茄种苗模型建模与生长预测方法 | |
JP2003006274A (ja) | 生育段階毎の気候的類似性に基づく導入適作物・適品種、栽培適地、適作期判定システム | |
CN113762768B (zh) | 基于天气发生器和作物模型的农业旱灾动态风险评估方法 | |
CN111667167B (zh) | 一种农业粮食产量估算方法和系统 | |
CN116644837A (zh) | 基于网格化区域气象条件预测烟叶产量的方法 | |
CN112036022B (zh) | 一种秧苗需水定量方法、装置及灌溉系统 |
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 |