基于实时监测数据的温室墒情预测研究.pdf

文章编号 1007 4929 2020 10 0034 07 基于实时监测数据的温室墒情预测研究 高国祥1 王仰仁1 田文艳2 武朝宝3 王 敏2 1 天津农学院水利工程学院 天津300392 2 山西水利职业技术学院工程管理系 太原030032 3 山西省中心灌溉试验站 山西文水032107 摘 要 为实现实时准确的墒情预报 以山西省中心灌溉试验站大棚内2018年和2019年黄瓜 茄子土壤墒情 建 立实时墒情预测模型 该试验包括正常灌水和减半灌水两个处理 通过传感器实时监测膜内 膜外土壤含水率 利用 水量平衡的基本原理以时段初的土壤含水率为自变量 以及利用泰勒级数对地下水补给量和蒸发蒸腾量做线性化处 理 得到了以日为时段的墒情预测模型 利用膜内一点含水率数据和膜外 膜内两点含水率数据平均值分别建立了墒 情预测模型 分别称为模型1和模型2 对其预测精度进行了对比分析 验证了模型的精度和适用性 结果表明 模 型1的拟合精度和预测精度均高于模型2 预测精度随建模系列长度 5 10 15 d 的增加而提高 以15 d建模系列 长度预测精度最高 该模型对于不同作物和不同的受旱程度均具有较好的适应性 该实时墒情预测模型适用性 强 精度高 可用于墒情预测 关键词 水量平衡 温室墒情 实时墒情预测模型 膜下滴灌 黄瓜 茄子 中图分类号 S274 2 文献标识码 A Research on Soil Moisture Content Prediction of Greenhouse Based on Real time Monitoring Data GAO Guo xiang1 W ANG Yang ren1 TIAN W en yan2 W U Chao bao3 W ANG Min2 1 Department of Water Conservancy Engineering Tianjin Agricultural University Tianjin 300392 China 2 Department of Engineering Management Shanxi Conservancy Technical Institute Taiyuan 030032 China 3 Shanxi Central Irrigation Test Station Wenshui 032107 Shanxi Province China Abstract In order to achieve real time and accurate moisture prediction a real time moisture prediction model was established based on the soil moisture of cucumber and eggplant in the greenhouse of Shanxi Province Central Irrigation Experimental Station in 2018 and 2019 The experiment included two treatments of normal irrigation and halved irrigation and real time monitoring of soil moisture content in and out of the film was carried out by sensors Based on the basic principle of water balance the soil moisture content at the beginning of the period was taken as the independent variable and the Taylor series was used to linearize the groundwater recharge and evapotranspiration and a daily moisture prediction model was obtained The soil moisture content prediction models called model 1 and Model 2 were established respectively by using the data of one point moisture content in the film and the average data of two points moisture content in the film The accuracy of the models was compared and analyzed and the accuracy and applicability of the models were verified The results showed that The fitting accuracy and prediction accuracy of Model 1 were higher than those of Model 2 The prediction accuracy increased with the increase of the modeling series length 5 10 15 days and the 15 day modeling series length had the highest prediction accuracy The model had good adaptability to different crops and different degrees of drought The real time moisture prediction model has strong applicability and high accuracy and can be used for moisture prediction Key words water balance greenhouse moisture real time moisture content prediction model drip irrigation under plastic film cucumber eggplant 收稿日期 2020 06 02 基金项目 国家自然科学基金项目 51779174 山西省水利科技研究与推广项目 201813 作者简介 高国祥 1994 男 硕士研究生 研究方向为灌溉排水与新技术研究 E mail 13299915236 通讯作者 王仰仁 教授 主要从事灌溉排水技术研究 E mail wyrf 43节水灌溉 2020年第10期 0 引 言 土壤墒情 1 是影响作物生长的一个主要因素 随着气候 变化的加剧和气候的不确定性 旱涝 干旱等现象频发 对农业 生产的影响日益突出 带来的威胁也越来越大 根据土壤墒情 监测的结果 了解土壤含水量 根据含水量的丰缺 适时采用灌 水或者排水等措施 土壤墒情的监测和预报是一项重要的农 业活动 对农业生产有重要的意义 2 国内外已有许多的关于 土壤墒情预报方法的研究 所采用的方法概括起来可大致分为 土壤水动力学法 时间序列法 经验公式法 水量平衡法 消退 指数法 神经网络模型法等 3 4 结果表明 基于神经网络模型 的训练比其他模型的训练效率更高 在相关向量机 神经网络 和多元自适应回归样条的情况下 预测误差较低 5 7 有的学 者提出基于相邻时段参考作物蒸散发的土壤水分预测方法 8 证明利用该方法预测土壤含水率也具有较高精度 目前 我国监测土壤墒情的方法主要有人工取土法和传感 器监测法两种 人工取土法精度高 但时间长 一次测量通常 需要6 10 h 因此 通常每10 d进行一次监测 数据收集的频 率较低 自动监测是将土壤水分传感器埋在农田土壤中 根据 传感器输出的电信号与土壤水分之间的对应关系来获得土壤 水分 数据采集的频率高 快速且方便 9 土壤墒情的变化 不仅与降水 蒸发 日照时数 风速等气 象因子有关 还与土壤类型 土壤质地 土壤前期储水量 作物 类型 作物所处发育期等多种因素有关 因此土壤墒情的预报 是一个非常复杂的过程 10 12 为了更加精确的预测土壤含水 率 本研究根据水量平衡原理 通过实时监测土壤含水率 利用 水量平衡原理以时段初的土壤含水率为自变量 采用泰勒级数 对地下水补给量和蒸发蒸腾量做线性化处理 得到了以日为时 段的实时墒情预测模型 由此对土壤含水率进行动态预测 为 实施精准灌溉 节约农田用水提供可靠的依据 1 材料与方法 1 1 数据来源 1 1 1 试验地概况 试验于2018年8 12月以及2019年2 9月在山西省中心 灌溉试验站大棚内进行 该温室为东西走向 长47 m 宽7 5 m 覆盖塑料薄膜 有通风系统 试验地土质为黏壤土 0 100 cm平均土壤容重1 51 g cm3 田间持水量为26 占干土重 的 1 1 2 试验设计 1 灌水设计 设置不同水分条件处理 定期测定土壤含 水量 灌溉方式为膜下滴灌 膜下铺设滴灌带 试验设2个灌 水量处理 分别为D1 D2 D1为正常灌水量 D2为减半灌水 量 处理D1与处理D2之间设置宽度为1 3 m的隔离区 2年 灌水处理相同 2 起垄覆膜方式 2018年试验地垄宽70 cm 沟宽60 cm 膜内铺设两条滴灌带 每条膜内种植两行作物 黄瓜株距 50 cm 行距50 cm 茄子株距100 cm 行距50 cm 每行15株 2019年试验地垄宽55 cm 沟宽45 cm 每膜内种植两行作物 每行作物铺设一条滴灌带 黄瓜株距45 cm 行距45 cm 茄子株 距60 cm 行距60 cm 每行17株 如图1所示 图1 起垄方式示意图 Fig 1 Schematic diagram of ridge ation 3 土壤含水率监测方式 由于传感器数量有限 考虑到 种植倒茬和移动传感器影响测试精度问题 所以2018年黄瓜 土壤含水率采用传感器监测 茄子土壤含水率采用人工监测 2019年茄子土壤含水率采用传感器监测 黄瓜采用传统人工监 测 本研究中传感器可以按照10 cm一层间距监测土壤含水 率 监测深度为1 m 每小时发送一次土壤水分监测数据 每个 处理埋设两个传感器 分别在膜内两条滴灌带中间和膜外垄沟 中间 人工监测每10 d一次 灌水前后加测 每20 cm一层 测 试深度为100 cm 1 2 模型构建及参数拟合 1 2 1 模型构建 水量平衡原理是指给定土体在一定的时段内 输入给土体 的水量与输出土体的水量之差等于土体蓄水量的变化量 13 大棚蔬菜的试验中 通常没有降水量 其水量平衡方程如下 Wt 1 Wt M ET t K t 1 式中 Wt 1为时段末土壤储水量 mm Wt为时段初土壤储水量 mm M为时段内灌水量 mm ET t 为时段内耗水量 mm K t 为时段内地下水补给量 或下渗量 mm 用土壤含水率的表达形式 可以写为式 2 t 1 t 1H M K t ET t 2 式中 t和 t 1分别为时段初和末的土壤体积含水率 cm3 cm3 H为土层厚度 mm 在以日为计算时段的情况下 采用泰勒级数 把K t 和 ET t 做线性化处理 即 K t Kt Kt 1 t ET t at at 1 t 整理可得 t 1 M Kt at H 1 Kt 1 at 1 H t 3 令式 3 中a Kt at H b 1 Kt 1 at 1 H 得到土壤含水率预测 模型 t 1 a MH b t 4 模型的内在原理为 用第t天的土壤含水率 t推求第t 1 53基于实时监测数据的温室墒情预测研究 高国祥 王仰仁 田文艳 等 天的土壤含水率 t 1 依次可推求第3 第4 第n天的土 壤含水率 n为预见期 本研究中设定n为5 10 15 d 3个预见 期 在具有实时墒情监测数据条件下 可先由式 5 求得M 考 虑建模系列长度 以日为时段 动态地进行线性回归分析 可得 到逐日的模型参数a b M 0 t 1 t p H t 1 t t 1 t p 5 式中 p为某一待定参数 1 2 2 模型参数拟合 传感器监测数据以小时为间隔 考虑到含水率变化过程的 连续性 以及为了数据分析方便 取每日12点含水率数据作为 日土壤含水率监测值 考虑大棚蔬菜根系较浅 利用分层含水 率值分析计算得到0 60 cm土层平均含水率 以此作为模型参 数拟合依据 为了比较建模系列长度对预测精度的影响 设置 了5 10 15 d 3种建模系列长度 以日为间隔 对每种建模系列 长度按照式 4 做线性回归分析 可得到每种建模系列长度条 件下逐日的每种模型参数a b以及相应的确定性系数 14 DC 鉴于滴灌条件下土壤水分二维分布特性 采用膜内一点含水率 的值进行了参数拟合和建模 称为模型1 采用膜内 膜外两点 含水率的平均值进行参数拟合和建模 称为模型2 1 3 模型精度评价方法 1 3 1 拟合精度分析方法 采用确定性系数 DC 分析模型的拟合精度 确定性系数 的大小在一定程度上反映了预测模型的可靠程度 其值越大 表示预测模型的可靠性越高 计算公式为式 6 DC 1 m i 1 yc i y0 i 2 m i 1 yo i y 0 2 6 式中 DC为确定性系数 y0 i 为0 60 cm土层平均含水率实 时数据 cm3 cm3 yc i 为0 60 cm土层平均含水率预测值 cm3 cm3 m为建模系列长度 本研究中设定m为5 10 15 d 3 种建模系列长度 1 3 2 预测精度分析方法 本文采用相对误差的方法对实时条件下的预测值进行预 测精度分析 其方法为通过实时得到的预测值与实际测得的含 水率值进行对比分析 比较两者之间的平均相对误差大小来进 行预测精度分析 计算公式如下 R 1N N i 1 Mi Si Mi 100 7 式中 R为平均相对误差 Mi Si分别为0 60 cm土层平均 含水率的监测值和预测值 cm3 cm3 i为0 60 cm土层平均含 水率的监测值和预测值的编号 N为0 60 cm土层平均含水率 的监测值总数 1 3 3 合格率分析方法 预报方案的合格率指评定中的合格点数占全部点数的百 分率 其中 预报方案合格率达甲 乙等级的可用于作业预报 丙等级可用于参考性预报 丙等级以下不能用于作业预报 预 测精度合格率等级评定标准见表1 合格率的计算公式为 式 8 QR ef 100 8 式中 QR为合格率 e为合格预报次数 合格预报次数指在 准许相对误差范围内的次数 f为预报的总次数 表1 预测精度合格率等级评定标准 Tab 1 Grade uation standard of qualification rate of prediction accuracy 精度等级甲乙丙 合格率 QR 85 85 QR 70 70 QR 60 2 结果与分析 2 1 模型参数拟合结果及分析 本研究利用传感器实时监测的土壤水分数据确定了预测 模型 式 4 参数 表2和表3 对模型参数进行对比分析 表2和表3同时给出了模型中参数a b的平均值和变化范围 由表2可看出实时墒情预测模型参数的变化规律 黄瓜 正常灌水模型1的参数a随着建模系列长度的增加而增大 参 表2 2018年黄瓜不同灌水处理不同测点位置3种建模系列模型参数 Tab 2 Three modeling series of model parameters for different irrigation treatments and different measurement points of cucumber in 2018 处理测点位置项目参数 3种建模系列 d 5 10 15 D1 膜内外平均 模型2 平均值 a 0 052 2 0 040 0 0 040 3 b 0 834 7 0 872 6 0 871 5 DC 0 955 0 0 982 8 0 984 3 范围 a 0 034 4 0 322 9 0 003 0 0 155 7 0 0 113 1 b 0 012 8 1 092 6 0 540 4 1 004 6 0 661 4 1 000 0 膜内 模型1 平均值 a 0 085 4 0 092 1 0 100 7 b 0 725 7 0 704 0 0 676 4 DC 0 950 1 0 956 5 0 966 3 范围 a 0 053 0 0 253 5 0 013 1 0 206 3 0 0 183 2 b 0 202 3 1 160 9 0 342 4 1 036 7 0 421 5 1 000 0 63基于实时监测数据的温室墒情预测研究 高国祥 王仰仁 田文艳 等 续表2 2018年黄瓜不同灌水处理不同测点位置3种建模系列模型参数 处理测点位置项目参数 3种建模系列 d 5 10 15 D2 膜内外平均 模型2 平均值 a 0 079 7 0 052 9 0 052 1 b 0 759 6 0 839 4 0 841 4 DC 0 869 0 0 933 5 0 959 0 范围 a 0 083 4 0 781 0 0 087 1 0 230 0 0 046 4 0 223 3 b 1 314 9 1 243 9 0 300 2 1 264 1 0 320 4 1 140 4 膜内 模型1 平均值 a 0 093 1 0 080 3 0 084 5 b 0 713 6 0 753 1 0 740 1 DC 0 852 9 0 914 1 0 878 1 范围 a 0 157 7 0 420 9 0 041 5 0 281 9 0 021 5 0 233 3 b 0 267 3 1 495 7 0 158 7 1 129 9 0 298 8 1 067 0 样本数n 115 115 115 表3 2019年茄子不同灌水处理不同测点位置3种建模系列模型参数 Tab 3 Three modeling series model parameters for different irrigation treatments and different measuring points of eggplant in 2019 处理测点位置项目参数 3种建模系列 d 5 10 15 D1 膜内外平均 模型2 平均值 a 0 064 0 0 059 2 0 050 6 b 0 805 8 0 819 1 0 843 9 DC 0 942 6 0 964 3 0 975 7 范围 a 0 096 2 0 305 6 0 041 3 0 206 3 0 026 9 0 177 2 b 0 125 2 1 267 7 0 389 2 1 113 2 0 471 7 1 071 4 膜内 模型1 平均值 a 0 081 2 0 082 9 0 076 6 b 0 743 9 0 737 9 0 756 4 DC 0 933 5 0 951 0 0 953 7 范围 a 0 082 9 0 363 3 0 047 4 0 231 8 0 026 4 0 215 1 b 0 032 5 1 229 2 0 291 1 1 128 6 0 339 4 1 068 1 D2 膜内外平均 模型2 平均值 a 0 056 6 0 057 9 0 061 2 b 0 820 5 0 816 5 0 805 7 DC 0 924 1 0 965 9 0 974 5 范围 a 0 259 6 0 313 2 0 059 6 0 238 3 0 027 0 0 188 4 b 0 044 2 1 814 7 0 265 2 1 184 2 0 412 0 1 081 9 膜内 模型1 平均值 a 0 067 9 0 071 4 0 074 9 b 0 800 2 0 789 7 0 778 6 DC 0 904 6 0 947 2 0 966 1 范围 a 0 778 7 0 391 1 0 089 1 0 248 4 0 026 7 0 204 6 b 0 097 7 3 095 8 0 279 9 1 249 9 0 404 9 1 073 8 样本数n 115 115 188 数b与参数a的变化规律相反 参数b随着建模系列长度的增 加而减小 黄瓜减半灌水模型1参数a的最大值和参数b的 最小值出现在5 d建模系列 10 d和15 d建模系列下参数a的 值较为接近 与正常灌水模型1参数a不同的是 正常灌水 模型2的参数a的平均值5 d建模系列下最大 参数b在10 d 建模系列下出现最大值 减半灌水模型1 2参数的变化规律和 正常灌水模型1一致 由表3也可以看出 茄子的参数a b 也具有类似的变化特性 为了展示实时墒情预测模型参数a b随时间的变化过程 给出了2018年黄瓜5 10 15 d 3种建模系列下的参数a b值随 73基于实时监测数据的温室墒情预测研究 高国祥 王仰仁 田文艳 等 时间的变化过程 见图2 图3 图2 2018年黄瓜膜内3种建模系列实时模型参数a随时间变化过程 Fig 2 Three modeling series of real time model parameters a in cucumber membrane changed with time in 2018 图3 2018年黄瓜膜内3种建模系列实时模型参数b随时间变化过程 Fig 3 Three modeling series of real time model parameters b in cucumber membrane changed with time in 2018 从图2中可以看出5 d建模系列的参数a随时间的变化较 为剧烈 特别是黄瓜生长初始阶段 到10月7日之后幅度变得 较为平缓 10 d建模系列下参数a变化幅度变得较稳定 15 d 建模系列时 参数a最为稳定 变化幅度最小 从表2 表3也 可看出参数a b的变化范围随建模系列长度的增加有减小的 趋势 对比图3 参数b的变化幅度随建模系列的变化与参数 a具有类似的变化规律 变化幅度随建模系列长度增大而减小 参数b的变化范围具有趋于减小的趋势 与表2 表3结果一 致 分析结果表明 3种建模系列的实时模型参数a b随时间变 化规律一致 参数a b变化幅度由大到小顺序为 5 d建模系列 10 d建模系列 15 d建模系列 即在15 d建模系列下参数最 为稳定 2 2 模型拟合精度分析 2 2 1 确定性系数随时间的变化 图4为黄瓜的确定性系数随时间变化过程 可以更好地观 察确定性系数DC逐日的变化 从表2可以看出黄瓜的DC值 的变化表现为15 d建模系列下最大 最大为0 975 7 5 d和10 d建模系列下DC值接近 结合表3可以看出黄瓜和茄子均以 15 d建模系列确定的实时墒情预测模型拟合精度最高 DC普 遍较大 黄瓜达到0 87以上 茄子达到0 95以上 从图4中也 可以看出与表2描述一致 建模系列长度为15 d的时候确定性 系数DC较高 而5 d建模系列下DC值随时间变化幅度较大 拟合精度较低 图4 2018年黄瓜膜内DC随时间的变化过程 Fig 4 The change process of DC in cucumber film over time in 2018 2 2 2 参数 p对确定性系数的影响 以2018年黄瓜试验的处理D1为例 给出了DC与 p之 间的关系 图4 由图5可以看出 5 10 15 d 3种建模系列 下 DC值均随着 p的增大而减小 当 p处于0 04 0 06之 间时DC下降幅度最大 当 p增加到0 06时DC达到最小且 不再变化 当 p为0时DC为最大值 所以本研究中取 p 0 可使模型拟合精度最高 图5 2018年黄瓜膜内DC平均值随 p变化过程 Fig 5 Change of mean value of DC in cucumber membrane with p in 2018 2 3 模型预测精度分析 采用实时预测值和实测值的相对误差进行模型预测精度 分析 表4给出了2018年黄瓜以及2019年茄子不同预见期的 预测值相对误差平均值以及最大值 由表4可以看出 黄瓜在相同建模系列长度条件下随着预 见期增大相对误差在增大 相同预见期条件下 随着建模系列 增大相对误差在减小 黄瓜处理D1的相对误差值总体大于处 理D2 2018年黄瓜的预测最大相对误差在13 以内 表明该 模型预测精度是比较高的 2019年茄子墒情预测精度与2018年黄瓜有同样的变化趋 势 最大误差在17 以内 略高于黄瓜的相对误差 图6给出了2018年黄瓜平均相对误差与 p的关系图 可以看出3种建模系列下 实时墒情预测模型的预测值的平均 83基于实时监测数据的温室墒情预测研究 高国祥 王仰仁 田文艳 等 表4 3种预见期下预测值相对误差 Tab 4 Mean value of relative error of predicted value under 3 prediction periods 作物处理建模系列 d 3种预见期预测误差 5 d 最大平均 10 d 最大平均 15 d 最大平均 黄瓜 5 8 23 3 45 10 20 3 90 12 42 4 27 D1 10 2 15 1 32 3 31 1 74 4 23 2 00 15 1 79 1 01 2 78 1 35 3 67 1 59 5 3 09 1 34 5 12 1 93 7 56 2 60 D2 10 1 34 0 85 2 21 1 22 2 81 1 42 15 1 13 0 64 1 92 1 04 2 53 1 27 茄子 5 11 51 5 69 13 94 6 26 16 15 6 87 D1 10 2 87 1 73 4 14 2 16 4 96 2 46 15 2 44 1 38 3 71 1 83 4 66 2 19 5 5 74 2 59 9 05 3 45 13 13 4 52 D2 10 1 99 1 18 3 63 1 85 5 07 2 40 15 1 66 0 92 3 02 1 53 4 00 1 92 图6 2018年黄瓜膜内平均相对误差随 p变化过程 Fig 6 Variation process of mean relative error in cucumber membrane with p in 2018 相对误差随着 p增大而增大 同样在 p 0 06时最大且不 再增加 p 0时平均相对误差最小 同DC与 p之间的关 系一致 p对模型精度产生一定影响 p 0时影响程度最 低 所以模型采用 p 0最为合理 2 4 合格率分析 采用式 8 计算3种准许误差值5 10 15 条件下的 合格率 得出黄瓜 茄子不同处理墒情预测值合格率 见表5 本文设置了5 10 15 3个预测准许误差 由此评价 实时墒情预测模型的预测精度 黄瓜的两个处理在3个准许 误差和3个预见期下的合格率都非常高 全部为甲等 说明该 模型预测的精度较高 符合预测等级要求 茄子的预测合格率 也非常高 其中只有一个乙等 一个不合格 其他全部为甲等 表明本文构建的实时墒情预测模型具有较高的预测精度 达到 了预测等级要求 表5合格率分析结果表明 本文提出的预测 表5 墒情预测值合格率 Tab 5 Moisture content forecast pass rate 作物处理准许误差 3种预见期下的预测值合格率 5 d 最大平均 10 d 最大平均 15 d 最大平均 2018黄瓜 5 100 100 100 100 98 100 D1 10 100 100 100 100 100 100 15 100 100 100 100 100 100 5 97 100 96 98 95 98 D2 10 100 100 98 100 97 99 15 100 100 100 100 98 100 2019茄子 5 95 99 92 98 87 97 D1 10 100 100 100 100 100 100 15 100 100 100 100 100 100 5 89 97 72 96 56 92 D2 10 98 100 96 98 94 98 15 99 100 98 99 96 98 93基于实时监测数据的温室墒情预测研究 高国祥 王仰仁 田文艳 等 模型精度较高 同时预测模型具有实时性的特点 能够根据实 时情况较为准确地预报未来5 10 15 d的土壤含水率 上述分析可见 不同作物不同处理之间模型参数a b都是 不相同的 表2 表3 模型参数a b随时间是动态变化的 而 且变化幅度较大 图2 图3 但模型拟合精度和预测精度均 表明该模型具有足够高的精度 其主要原因是模型参数的动态 变化隐含了作物生长动态变化及其实时环境对墒情预测的影 响 该模型的这一动态特性确保了模型的预测精度 3 结 论 本文基于水量平衡原理构建了实时墒情预测模型 利用实 时监测的数据确定模型参数 分别对模型参数拟合结果 模型 拟合精度 模型预测精度和合格率进行了分析 得出如下结论 1 实时墒情预测模型参数随时间的变化而变化 其变化 幅度随建模系列长度增加而减小 2 该实时墒情预测模型对于不同作物和不同受旱程度都 具有较好的适应性 3 随着建模系列的增大 预测相对误差在减小 15 d建模 系列的预测值相对误差最小 最大误差不超过13 黄瓜 和 17 茄子 表明模型预测精度较高 4 在5 的准许误差和10 d预见期条件下 预测合格率 等级均能达到乙等水平 达到了预测等级要求 参考文献 1 粟容前 康绍忠 贾云茂 农田土壤墒情预报研究现状及不同预报 方法的对比分析 J 干旱地区农业研究 2005 6 198 203 2 孙继梅 浅谈土壤墒情的及时监测预报对农业生产的意义 J 农 业与技术 2019 39 23 112 113 3 刘勇洪 叶彩华 王克武 等 RS和GIS技术支持下的北京地区土 壤墒情预报技术 J 农业工程学报 2008 9 155 160 4 王景雷 康绍忠 孙景生 等 基于贝叶斯最大熵和多源数据的作 物需水量空间预测 J 农业工程学报 2017 33 9 99 106 5 SWATHI Gorthi DOU Huifang Prediction Models for the Estimation of Soil Moisture Content C ASME IEEE International Design En gineering Technical Conferences Computers Ination in Engi neeringConference Washington DC USA 2011 945 953 6 李小刚 王 静 马友华 等 基于BP神经网络的土壤墒情预测精 度研究 以肥东县为例 J 土壤通报 2017 48 2 292 297 7 侯晓丽 冯跃华 吴光辉 等 基于人工神经网络土壤墒情动态预 测模型应用研究 J 节水灌溉 2016 7 70 72 8 FAN X R WANG Y R WU C B et al Research of Soil Moisture Content Forecast Model Based on Reference Evapotranspiration in Neighboring Periods C 7th International Conference on Agro geoinatics Agro geoinatics 2018 1 6 9 蒋 颖 土壤墒情预报模型构建及应用 J 黑龙江水利科技 2020 48 1 177 181 10 王西平 姚树然 VSMB多层次土壤水分平衡动态模型及其初步 应用 J 中国农业气象 1998 6 29 33 11 刘勇洪 吴春艳 叶彩华 等 基于网格化信息的北京地区土壤墒 情预报服务系统 J 中国农业气象 2011 32 2 267 272 12 邓海鹰 张建立 李纪人 新安江模型在土壤墒情预报中的应用 J 中国水利水电科学研究院学报 2012 10 1 59 62 13 詹同涛 洪 成 孟 伟 等 基于水量平衡的长序列农田灌溉定 额测算方法 J 人民黄河 2018 40 12 158 162 14 詹道江 叶守泽 工程水文学 M 3版 北京 中国水利水电出版 社 2000 15 徐加林 徐宝林 土壤墒情预报模型研究与应用 J 水利发展研 究 2017 17 3 49 53 16 郭淑珍 浅析土壤墒情监测预报技术 J 农民致富之友 2016 24 97 上接第33页 3 翁笃鸣 小气候和农田小气候 M 北京 农业出版社 1981 4 PARRY D Microclimate Close to the Ground Nature 1951 167 73 74 5 SUGGITT A J WILSON R J ISAAC N J B et al Extinction risk from climate change is reduced by microclimatic buffering J Nature Cli mate Change 2018 8 713 717 doi 10 1038 s41558 018 0231 9 6 M A卡岡諾夫 C B赫沃列斯 A 楚特諾夫斯基 等 灌溉对土 壤及近地面空气层小气候的影响 J 地理科学进展 1956 2 121 127 7 BORRELL A GARISDE A FUKAI S Improving efficiency of water use for irrigated rice in a semi arid tropical environment J Field Crops Research 1997 52 3 231 248 8 BELDER P JHJ S BAM B et al Nitrogen economy and water pro ductivity of lowland rice under water saving irrigation J Field Crops Research 2005 93 2 3 169 185 9 刘海军 康跃虎 刘士平 喷灌对农田小气候的影响研究 J 中国 生态农业学报 2003 4 108 112 10 ZHANG H LIU H WANG S et al Variations in growth water consumption and economic benefit of transplanted cotton after winter wheat harvest subjected to different irrigation s Scientific Re port 2019 9 14972 14983 doi 10 1038 s41598 019 51391 7 11 赵建设 胡晓东 曾维银 等 不同灌溉方式对温室内小气候变化 的影响 J 河南农业科学 2015 44 9 150 155 12 张春同 刘淑梅 贾 丹 不同灌溉方式对日光温室小气候的影 响 J 天津农业科学 2016 22 6 38 41 13 吕国华 武永峰 白文波 等 不同气象条件下灌溉方法对温室大 棚小气候的影响及作物响应 J 灌溉排水学报 2014 33 Z1 175 178 14 李 谦 灌水处理下稻田水热交换特征与耦合模型研究 D 南 京 南京信息工程大学 2