【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)屬于農(nóng)業(yè)灌溉，具體涉及一種基于作物需水機理的灌溉需水量測算及主導驅(qū)動因子識別的方法。
技術(shù)介紹
1、隨著全球氣候變化和水資源短缺問題的日益嚴重，農(nóng)業(yè)灌溉需水量的準確測算和優(yōu)化管理變得尤為重要。傳統(tǒng)的灌溉需水量測算方法通常依賴于歷史氣象數(shù)據(jù)和簡單的經(jīng)驗公式，難以全面反映作物的生長特性和需水機理。特別是在氣候變化和不確定性增加的背景下，農(nóng)業(yè)用水管理需要更加精細化和科學化的決策依據(jù)。因此，如何基于作物的實際需水機理進行灌溉需水量測算，已成為現(xiàn)代農(nóng)業(yè)灌溉管理中的主導問題。
2、現(xiàn)有技術(shù)中，常見的方法是基于參考作物蒸散量(et0)和作物系數(shù)(kc)的組合來計算作物需水量，但這些方法通常忽視了作物不同生長階段對氣象條件的敏感性，無法準確反映作物的實際需水需求。并且許多現(xiàn)有方法未能充分考慮有效降水量、種植面積、灌溉效率等多種因素對灌溉需水量的影響，導致在多變的氣候條件下無法提供可靠的灌溉需水量預(yù)測結(jié)果，限制了其在實際農(nóng)業(yè)灌溉管理中的應(yīng)用效果。
3、此外，由于灌溉需水量受到氣候因素和人為管理因素的綜合影響，并且各因子對灌溉需水量的影響通常表現(xiàn)為非線性以及復雜的相互作用，傳統(tǒng)的統(tǒng)計方法在定量分析灌溉需水量變化的驅(qū)動因素時存在一定局限，機器學習和人工智能算法能夠處理高維數(shù)據(jù)和非線性問題，從而為解決該問題提供了新的方案。基于機器學習算法的特征重要性評估方法可為估算灌溉需水量影響因子貢獻率、以及理解氣候和人為因素綜合作用提供新的研究思路。
技術(shù)實現(xiàn)思路
1、本專利技術(shù)提出
2、為了實現(xiàn)上述目的，根據(jù)本專利技術(shù)的一方面，提供了一種灌溉需水量測算及主導驅(qū)動因子識別方法，包括如下步驟：
3、步驟1：基礎(chǔ)數(shù)據(jù)收集與處理：收集計算所需的氣象數(shù)據(jù)和統(tǒng)計數(shù)據(jù)，并對數(shù)據(jù)進行預(yù)處理；
4、步驟2：基于氣象數(shù)據(jù)計算參考作物蒸散量；
5、步驟3：基于作物種類及生長階段查閱fao?56手冊確定作物的標準作物系數(shù)，再根據(jù)氣象數(shù)據(jù)修正各階段的作物系數(shù)；
6、步驟4：基于修正后的作物系數(shù)和參考作物蒸散發(fā)量計算作物在生育期內(nèi)的作物實際需水量；
7、步驟5：基于降水數(shù)據(jù)，計算有效降水量，利用作物需水量量和有效降水量，計算作物凈灌溉定額；
8、步驟6：基于作物種植面積、灌溉效率和凈灌溉定額，計算灌溉需水量；
9、作為本專利技術(shù)的進一步優(yōu)選方案，步驟1中的氣象數(shù)據(jù)包括平均氣溫、日最高氣溫、日最低氣溫、平均風速、平均相對濕度、最低相對濕度、日照時數(shù)、降水逐日數(shù)據(jù)，統(tǒng)計數(shù)據(jù)包括作物種植面積和各作物的比例、灌溉效率系數(shù)、作物生長周期。
10、作為本專利技術(shù)的進一步優(yōu)選方案，步驟2中利用penman-monteith公式計算逐日參考作物蒸散量。
11、作為本專利技術(shù)的進一步優(yōu)選方案，步驟3中根據(jù)作物的生長周期將作物的全生育期劃分為生長初期、快速發(fā)育期、生長中期和生長后期，通過查閱fao56手冊獲得基本作物系數(shù)，再根據(jù)作物不同生育階段的2m風速平均值和最小相對濕度平均值對各階段作物系數(shù)進行修正。
12、作為本專利技術(shù)的進一步優(yōu)選方案，步驟4中對修正后的作物系數(shù)進行線性插值得到作物生育期內(nèi)的作物系數(shù)曲線，再將每日的作物系數(shù)與對應(yīng)日期的參考作物蒸散量相乘得到作物實際需水量。
13、作為本專利技術(shù)的進一步優(yōu)選方案，步驟5中的有效降水是指能夠被作物有效利用的那部分降水，不包括地表徑流和滲漏至作物根區(qū)以下的部分，通過美國農(nóng)業(yè)部提供的經(jīng)驗公式估算；而當天然的有效降水不足以滿足作物需水時，則需要灌溉補充，因此作物凈灌溉定額是作物需水量和有效降水量之差。
14、作為本專利技術(shù)的進一步優(yōu)選方案，步驟6的具體操作步驟為：利用步驟2～5得到的各作物的凈灌溉定額乘以對應(yīng)作物的種植面積，再乘以研究區(qū)的灌溉效率系數(shù)得到各作物的灌溉需水量，將所有作物的灌溉需水量加和得到研究區(qū)總的灌溉需水量。
15、第二方面，本專利技術(shù)提供了一種識別灌溉需水量主導驅(qū)動因子的方法，包括以下具體步驟：
16、步驟7：以灌溉需水量作為因變量，綜合選取影響灌溉需水量的兩類8種驅(qū)動因子作為自變量，構(gòu)建增強回歸樹(brt)模型；
17、步驟8：對brt模型開展多組參數(shù)敏感性分析，并采用交叉驗證方法確定最佳參數(shù)配置，根據(jù)模型運行結(jié)果，以各因子的貢獻率作為衡量解釋變量重要性的指標，對各影響因子重要性進行排序，識別影響灌溉需水量的主控因子。
18、作為本專利技術(shù)的進一步優(yōu)選方案，步驟7中所選取的兩類8種因素，包括氣候因素：氣溫、降水、風速、相對濕度、日照時數(shù)；人為因素：灌溉面積、種植結(jié)構(gòu)、灌溉效率。
19、作為本專利技術(shù)的進一步優(yōu)選方案，步驟8中需要對brt模型的5個關(guān)鍵參數(shù)開展敏感分析，以探求實現(xiàn)最佳預(yù)測結(jié)果的模型配置，模型參數(shù)包括：采樣率、學習率、回歸樹數(shù)量、回歸樹復雜度和損失函數(shù)。
20、根據(jù)本專利技術(shù)的另一方面，提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)本專利技術(shù)的基于隨機樣本一致性的灌溉需水量測算及主導驅(qū)動因子識別方法中的步驟。
21、根據(jù)本專利技術(shù)的又一方面，提供了一種計算機設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)本專利技術(shù)的基于隨機樣本一致性的灌溉需水量測算及主導驅(qū)動因子識別方法中的步驟。
22、本專利技術(shù)的有益效果在于：本專利技術(shù)將傳統(tǒng)的農(nóng)業(yè)灌溉理論與現(xiàn)代機器學習算法結(jié)合，形成了一個創(chuàng)新的農(nóng)業(yè)灌溉需水量綜合測算和分析框架。不僅充分考慮了作物的需水機理來測算灌溉需水量，還結(jié)合機器學習算法識別了影響灌溉需水量的主導驅(qū)動因子，這將為農(nóng)業(yè)管理提供新的視角和決策支持，對水資源節(jié)約和現(xiàn)代化農(nóng)業(yè)生產(chǎn)發(fā)展均具有重要的指導意義。
本文檔來自技高網(wǎng)...【技術(shù)保護點】
1.一種灌溉需水量測算及主導驅(qū)動因子識別的方法，其特征在于，包括如下步驟：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，S1中的氣象數(shù)據(jù)包括平均氣溫、日最高氣溫、日最低氣溫、平均風速、平均相對濕度、最低相對濕度、日照時數(shù)和降水逐日數(shù)據(jù)；統(tǒng)計數(shù)據(jù)包括作物種植面積、各作物的比例、灌溉效率系數(shù)和作物生長周期。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，S2中利用Penman-Monteith公式計算逐日參考作物蒸散量。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，S3中根據(jù)作物的生長周期將作物的全生育期劃分為生長初期、快速發(fā)育期、生長中期和生長后期，通過查閱FAO56手冊獲得基本作物系數(shù)，再根據(jù)作物不同生育階段的2m風速平均值和最小相對濕度平均值對各階段作物系數(shù)進行修正。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，S4中對修正后的作物系數(shù)進行線性插值得到作物生育期內(nèi)的作物系數(shù)曲線，再將每日的作物系數(shù)與對應(yīng)日期的參考作物蒸散量相乘得到作物實際需水量。
6.根據(jù)權(quán)利要求1所述的方法，其特征在于，S5中的有效降水是指能夠被作物有效利用的
7.根據(jù)權(quán)利要求1所述的方法，其特征在于，S6的具體操作步驟為：利用S2～S5得到的各作物的凈灌溉定額乘以對應(yīng)作物的種植面積，再乘以研究區(qū)的灌溉效率系數(shù)得到各作物的灌溉需水量，將所有作物的灌溉需水量加和得到研究區(qū)總的灌溉需水量。
8.根據(jù)權(quán)利要求1所述的方法，其特征在于，S7中所選取的因素，包括氣候因素和認為因素；其中，氣候因素包括：氣溫、降水、風速、相對濕度和日照時數(shù)；人為因素包括：灌溉面積、種植結(jié)構(gòu)和灌溉效率。
9.根據(jù)權(quán)利要求1所述的方法，其特征在于，S8中需要對BRT模型的5個關(guān)鍵參數(shù)開展敏感分析，以探求實現(xiàn)最佳預(yù)測結(jié)果的模型配置，模型參數(shù)包括：采樣率、學習率、回歸樹數(shù)量、回歸樹復雜度和損失函數(shù)。
...【技術(shù)特征摘要】
1.一種灌溉需水量測算及主導驅(qū)動因子識別的方法，其特征在于，包括如下步驟：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，s1中的氣象數(shù)據(jù)包括平均氣溫、日最高氣溫、日最低氣溫、平均風速、平均相對濕度、最低相對濕度、日照時數(shù)和降水逐日數(shù)據(jù)；統(tǒng)計數(shù)據(jù)包括作物種植面積、各作物的比例、灌溉效率系數(shù)和作物生長周期。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，s2中利用penman-monteith公式計算逐日參考作物蒸散量。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，s3中根據(jù)作物的生長周期將作物的全生育期劃分為生長初期、快速發(fā)育期、生長中期和生長后期，通過查閱fao56手冊獲得基本作物系數(shù)，再根據(jù)作物不同生育階段的2m風速平均值和最小相對濕度平均值對各階段作物系數(shù)進行修正。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，s4中對修正后的作物系數(shù)進行線性插值得到作物生育期內(nèi)的作物系數(shù)曲線，再將每日的作物系數(shù)與對應(yīng)日期的參考作物蒸散量相乘得...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：李艷忠，星寅聰，陳力，
申請(專利權(quán))人：南京信息工程大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。