首页 / 专利库 / 作物管理 / 土球 / 基于气象和生物因子计算夏玉米实际作物系数的方法

基于气象和生物因子计算夏玉米实际作物系数的方法

阅读:438发布:2020-05-08

专利汇可以提供基于气象和生物因子计算夏玉米实际作物系数的方法专利检索,专利查询,专利分析的服务。并且本 发明 涉及基于气象和 生物 因子计算夏玉米实际作物系数的方法,首先利用大型称重式 蒸渗仪 实测蒸散数据及系列气象资料计算出实际作物系数,将作物系数与叶面积指数利用米氏方程进行拟合得出受生物因子影响的作物系数,其次利用多元回归筛选出地表 温度 作为影响作物系数的气象因子,并进行了指数拟合,最后通过 梯度下降法 求取模型参数,并基于实测数据对计算结果进行评估,对掌握夏玉米生育期内作物系数的动态变化特征,精确估算作物实际 蒸散量 有重要意义。,下面是基于气象和生物因子计算夏玉米实际作物系数的方法专利的具体信息内容。

1.基于气象和生物因子计算夏玉米实际作物系数的方法,包括,其特征在于包括以下步骤:
步骤一、采用多元逐步回归在影响作物系数的各气象因子中筛选出解释程度较高的因子,并选取同期生物因子数据;
步骤二、采用蒸渗仪实测蒸散及气象数据,将作物系数与筛选出的气象因子、叶面积指数分别进行指数拟合和米氏方程拟合,以建立乘法模型;
步骤三、利用梯度下降法求解模型中的未知参数,使计算作物系数与实际作物系数的误差达最小。
2.根据权利要求1所述的基于气象和生物因子计算夏玉米实际作物系数的方法,其特征在于:步骤一中的气象因子包括日平均气温、日最高气温、日最低气温、日照时数、速、绝对湿度、相对湿度、饱和差、汽压差及0cm、5cm、10cm、20cm、40cm、80cm、160cm和320cm地温。
3.根据权利要求1所述的基于气象和生物因子计算夏玉米实际作物系数的方法,其特征在于:在步骤一中,所述生物因子是指叶面积指数。
4.根据权利要求1所述的基于气象和生物因子计算夏玉米实际作物系数的方法,其特征在于:
所述实际作物系数具体计算方法为:
ET=ET0·Ks·Kc;
其中,ET为实际蒸散量,单位为mm·d-1;
ET0为参考作物蒸散量,单位为mm·d-1;
Kc为作物系数;
Ks为土壤水分胁迫系数;
其中,ET0和Ks具体计算方法为:
其中,ET0为参考作物蒸散量,单位为mm·d-1;
Rn为地表净辐射,单位为MJ·m-2·d-1;
G为土壤热通量,单位为MJ·m-2·d-1;
U2为冠层上方2m处的风速,单位为m/s;
es为饱和水汽压,单位为kPa;
ea为实际水汽压,单位为kPa;
Δ为饱和水汽压随温度变化曲线的斜率,单位为kPa·℃-1;
γ为干湿球常数,单位为kPa·℃-1;
T为2m高处日平均气温,单位为℃,由日最高气温和最低气温的平均值计算得到;
其中,Ks为土壤水分胁迫系数;
θ(0~40)为0~40cm的平均土壤质量含水率,由蒸渗仪内10cm和30cm体积含水率的平均值计算所得,土壤容重为1.4;
θw为凋萎含水率,取值10%;
θf为田间持水率,取值28%。
5.根据权利要求1所述的基于气象和生物因子计算夏玉米实际作物系数的方法,其特征在于:
在步骤二中的乘法模型为:
Kc=f(e)·f(LAI);
其中,Kc为作物系数,f(e)为由环境因素构成的作物系数函数,f(LAI)为由作物生理因素构成的作物系数函数;
其中,f(LAI)为:
其中,m、n为待拟合参数;LAI为叶面积指数;KLAI为仅受生物因子影响时的作物系数;
f(e)为:
其中,a、b、c为未知参数;x为筛选出的气象因子;Ke为受气象因子影响的作物系数。
6.根据权利要求5所述的基于气象和生物因子计算夏玉米实际作物系数的方法,其特征在于:所述作物生理因素为叶面积指数LAI。
7.根据权利要求1所述的基于气象和生物因子计算夏玉米实际作物系数的方法,其特征在于:
步骤三中的梯度下降法为:
其中目标损失函数定义为:
其中,J(θ)为损失函数;y(i)为实际作物系数构成的向量;hθ(x(i))为对应预测值构成的向量;
具体过程如下:
第一步,对θ赋初值,这个值随机选取或为一个全零的向量,其初始值为零向量;
第二步,更新θ的值,使得目标损失函数按梯度下降的方向减少,通过下式迭代
式中,α为学习率;对多元函数的参数求偏导,将求得的各个参数的偏导数以向量的形式表示就是对应的梯度,本式中 为对应的梯度,梯度计算结果如下:
第三步,当每次更新后的结构都能让损失函数变小,最终达到最小则停止下降。
8.根据权利要求7所述的基于气象和生物因子计算夏玉米实际作物系数的方法,其特征在于:θ值的初始值为零向量,α的取值为0.001。

说明书全文

基于气象和生物因子计算夏玉米实际作物系数的方法

技术领域

[0001] 本发明涉及一种基于气象和生物因子计算夏玉米实际作物系数的方法,属于农业评估技术领域。

背景技术

[0002] 蒸散是植物蒸腾量与植株间土壤蒸发量之和,是土壤—植物—大气系统(SPAC)中重要的交换过程。其对作物的生长发育情况有重要影响,在大气循环中扮演重要色,还能进一步调节气候。构建精准的作物系数模型对准确预测蒸散量及进一步制定精准的灌溉计划有重要意义。
[0003] 目前针对作物蒸散量计算方法,主要途径是作物系数法。世界粮农组织(FA0)提出了一种估算作物实际蒸散量的标准方法(参考作物蒸散量乘以作物系数),其中参考蒸散通过修正的P-M模型计算得到,目前该方法已得到广泛运用,而其中的关键问题就是确定作物系数。然而,根据FAO推荐的四个生长阶段的作物系数计算得到的蒸散量与实际蒸散存在较大偏差,因此国内外学者建立了多种作物系数模型。尽管这些模型取得了一定成果,但全面考虑作物系数影响要素的具体计算模型较少,且大多都是通过传统方法计算拟合。

发明内容

[0004] 本发明的目的是提供一种基于气象和生物因子计算夏玉米实际作物系数的方法,通过综合考虑气象和生物因子的共同影响,建立夏玉米作物系数估算模型,其计算结果误差小,精度较高。
[0005] 本发明针对现有技术存在的不足,提供了基于气象和生物因子计算夏玉米实际作物系数的方法,具体技术方案如下:
[0006] 基于气象和生物因子计算夏玉米实际作物系数的方法,包括以下步骤:
[0007] 步骤一、采用多元逐步回归在影响作物系数的各气象因子中筛选出解释程度较高的因子,并选取同期生物因子数据;
[0008] 步骤二、采用蒸渗仪实测蒸散及气象数据,将作物系数与筛选出的气象因子、叶面积指数分别进行指数拟合和米氏方程拟合,以建立乘法模型;
[0009] 步骤三、利用梯度下降法求解模型中的未知参数,使计算作物系数与实际作物系数的误差达最小。
[0010] 上述技术方案的进一步优化,步骤一中的气象因子包括日平均气温、日最高气温、日最低气温、日照时数、速、绝对湿度、相对湿度、饱和差、水汽压差及0cm、5cm、10cm、20cm、40cm、80cm、160cm和320cm地温。
[0011] 上述技术方案的进一步优化,在步骤一中,所述生物因子是指叶面积指数。
[0012] 上述技术方案的进一步优化,所述实际作物系数具体计算方法为:
[0013] ET=ET0·Ks·Kc;
[0014] 其中,ET为实际蒸散量,单位为mm·d-1;
[0015] ET0为参考作物蒸散量,单位为mm·d-1;
[0016] Kc为作物系数;
[0017] Ks为土壤水分胁迫系数;
[0018] 其中,ET0和Ks具体计算方法为:
[0019]
[0020] 其中,ET0为参考作物蒸散量,单位为mm·d-1;
[0021] Rn为地表净辐射,单位为MJ·m-2·d-1;
[0022] G为土壤热通量,单位为MJ·m-2·d-1;
[0023] U2为冠层上方2m处的风速,单位为m/s;
[0024] es为饱和水汽压,单位为kPa;
[0025] ea为实际水汽压,单位为kPa;
[0026] Δ为饱和水汽压随温度变化曲线的斜率,单位为kPa·℃-1;
[0027] γ为干湿球常数,单位为kPa·℃-1;
[0028] T为2m高处日平均气温,单位为℃,由日最高气温和最低气温的平均值计算得到;
[0029]
[0030] 其中,Ks为土壤水分胁迫系数;
[0031] θ(0~40)为0~40cm的平均土壤质量含水率,由蒸渗仪内10cm和30cm体积含水率的平均值计算所得,土壤容重为1.4;
[0032] θw为凋萎含水率,取值10%;
[0033] θf为田间持水率,取值28%。
[0034] 上述技术方案的进一步优化,在步骤二中的乘法模型为:
[0035] Kc=f(e)·f(LAI);
[0036] 其中,Kc为作物系数,f(e)为由环境因素构成的作物系数函数,f(LAI)为由作物生理因素构成的作物系数函数;
[0037] 其中,f(LAI)为:
[0038]
[0039] 其中,m、n为待拟合参数;LAI为叶面积指数;KLAI为仅受生物因子影响时的作物系数;
[0040] f(e)为:
[0041]
[0042] 其中,a、b、c为未知参数;x为筛选出的气象因子;Ke为受气象因子影响的作物系数。
[0043] 上述技术方案的进一步优化,所述作物生理因素为叶面积指数LAI。
[0044] 上述技术方案的进一步优化,步骤三中的梯度下降法为:
[0045] 其中目标损失函数定义为:
[0046]
[0047] 其中,J(θ)为损失函数;y(i)为实际作物系数构成的向量;hθ(x(i))为对应预测值构成的向量;
[0048] 具体过程如下:
[0049] 第一步,对θ赋初值,这个值随机选取或为一个全零的向量,其初始值为零向量;
[0050] 第二步,更新θ的值,使得目标损失函数按梯度下降的方向减少,通过下式迭代
[0051]
[0052] 式中,α为学习率;对多元函数的参数求偏导,将求得的各个参数的偏导数以向量的形式表示就是对应的梯度,本式中 为对应的梯度,梯度计算结果如下:
[0053]
[0054] 第三步,当每次更新后的结构都能让损失函数变小,最终达到最小则停止下降。
[0055] 上述技术方案的进一步优化,θ值的初始值为零向量,α的取值为0.001。
[0056] 本发明的有益效果:
[0057] 本发明首先利用大型称重式蒸渗仪实测蒸散数据及系列气象资料计算出实际作物系数,将作物系数与叶面积指数利用米氏方程进行拟合得出受生物因子影响的作物系数,其次利用多元回归筛选出地表温度作为影响作物系数的气象因子,并进行了指数拟合,最后通过梯度下降法求取模型参数,并基于实测数据对计算结果进行评估,对掌握夏玉米生育期内作物系数的动态变化特征,精确估算作物实际蒸散量有重要意义。附图说明
[0058] 图1为本发明所述基于气象和生物因子计算夏玉米实际作物系数的方法的流程图
[0059] 图2为全生育期计算Kc与实际值比较图;
[0060] 图3为全生育期不同方法ET计算值与实际值比较图。

具体实施方式

[0061] 为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
[0062] 实施例1
[0063] 如图1所示,所述基于气象和生物因子计算夏玉米实际作物系数的方法,包括以下步骤:
[0064] 步骤1:采用多元逐步回归在影响作物系数的各气象因子中筛选出解释程度较高的因子,并选取同期生物因子数据;
[0065] 步骤2:采用蒸渗仪实测蒸散及气象数据,将作物系数与筛选出的气象因子、叶面积指数分别进行指数拟合和米氏方程拟合,以建立合适的乘法模型;
[0066] 步骤3:利用梯度下降法求解模型中的未知参数,使计算作物系数与实际作物系数误差达最小。
[0067] 实施例2
[0068] 实施例1中所提到的气象因子包括日平均气温、日最高气温、日最低气温、日照时数、风速、绝对湿度、相对湿度、饱和差、水汽压力差及0cm、5cm、10cm、20cm、40cm、80cm、160cm和320cm地温等,生物因子为叶面积指数。
[0069] 实施例3
[0070] 实际作物系数具体计算方法为:
[0071] ET=ET0·Ks·Kc;
[0072] 其中,ET为实际蒸散量,单位为mm·d-1;
[0073] ET0为参考作物蒸散量,单位为mm·d-1;
[0074] Kc为作物系数;
[0075] Ks为土壤水分胁迫系数。
[0076] 其中,ET0和Ks具体计算方法为:
[0077]
[0078] 其中,ET0为参考作物蒸散量,单位为mm·d-1;
[0079] Rn为地表净辐射,单位为MJ·m-2·d-1;
[0080] G为土壤热通量,单位为MJ·m-2·d-1;
[0081] U2为冠层上方2m处的风速,单位为m/s;
[0082] es为饱和水汽压,单位为kPa;
[0083] ea为实际水汽压,单位为kPa;
[0084] Δ为饱和水汽压随温度变化曲线的斜率,单位为kPa·℃-1;
[0085] γ为干湿球常数,单位为kPa·℃-1;
[0086] T为2m高处日平均气温,单位为℃,由日最高气温和最低气温的平均值计算得到。
[0087]
[0088] 其中,Ks为土壤水分胁迫系数;
[0089] θ(0~40)为0~40cm的平均土壤质量含水率,由蒸渗仪内10cm和30cm体积含水率的平均值计算所得,土壤容重为1.4;
[0090] θw为凋萎含水率,取值10%;
[0091] θf为田间持水率,取值28%。
[0092] 实施例4
[0093] 构建的乘法模型为:
[0094] Kc=f(e)·f(LAI);
[0095] 其中,Kc为作物系数,f(e)为由环境因素构成的作物系数函数,f(LAI)为由作物生理因素构成的作物系数函数。
[0096] 其中,f(LAI)为:
[0097]
[0098] 其中,m、n为待拟合参数;LAI为叶面积指数;KLAI为仅受生物因子影响时的作物系数。
[0099] f(e)为:
[0100]
[0101] 其中,a、b、c为未知参数;x为筛选出的气象因子;Ke为受气象因子影响的作物系数。
[0102] 实施例5
[0103] 梯度下降法为:其中目标损失函数定义为:
[0104]
[0105] 其中,J(θ)为损失函数;y(i)为实际作物系数构成的向量;hθ(x(i))为对应预测值构成的向量。
[0106] 具体过程如下:
[0107] 第一步,对θ赋初值,这个值可以随机选取,也可以让其为一个全零的向量,本发明令其初始值为零向量;
[0108] 第二步,更新θ的值,使得目标损失函数按梯度下降的方向减少,通过下式迭代:
[0109]
[0110] 式中,α为学习率,需人为指定,本发明取值0.001,α若过大会导致震荡无法收敛,若过小收敛速度会很慢;对多元函数的参数求偏导,将求得的各个参数的偏导数以向量的形式表示就是对应的梯度,本式中 为对应的梯度,梯度计算结果如下:
[0111]
[0112] 第三步,当每次更新后的结构都能让损失函数变小,最终达到最小则停止下降。
[0113] 图2为根据实测数据及本发明模型所得全生育期夏玉米实际作物系数与计算作物系数变化过程图。两者均值分别为0.42和0.40,仅相差0.02,平均绝对误差为0.12,均方根误差为0.15,相关系数为0.91。准确率(误差<0.2)为81%,准确率(误差<0.3)为97%,准确率(误差<0.4)为100%。
[0114] 本发明采用相同数据并根据FAO推荐作物系数及P-M模型计算了全生长季的玉米蒸散量。将计算结果与本发明作物系数模型计算的玉米蒸散量分别与其实际蒸散量进行了对比(图3),发现三者的趋势基本一致,但根据FAO推荐作物系数计算的ET值整体偏高,计算精度明显低于本发明所建作物系数模型,基于本发明模型计算所得蒸散值与实际值均值仅-1 -1 -1相差0.07mm·d ,平均绝对误差为1.0mm·d ,均方根误差为4.5mm·d ,相关系数为0.75,准确率(误差<2mm·d-1)为81%,准确率(误差<3mm·d-1)为95%,准确率(误差<4mm·d-1)为
99%。根据FAO推荐作物系数计算所得蒸散值与实际值存在较大偏差,两者均值相差
5.0mm·d-1,平均绝对误差为5.07mm·d-1,均方根误差为6.09mm·d-1,相关系数为0.75,准-1 -1 -1
确率(误差<2mm·d )为23%,准确率(误差<3mm·d )为30%,准确率(误差<4mm·d )为
36%。利用本发明模型计算的蒸散值准确率(误差在2mm·d-1及3mm·d-1以内)均提高了3倍以上,且误差几乎都在4mm·d-1以内。因此本发明构建的气象-生理双函数模型,综合反应了气象和生物因子对玉米生长的共同影响,可以更高精度估算玉米作物系数和蒸散量。
[0115] 以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈