CN114638146B 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法（西北农林科技大学）

(10)授权公告号CN114638146B(65)同一申请的已公布的文献号农路22号孙敬新赵金凤唐一荷(74)专利代理机构北京智行阳光知识产权代理事务所(普通合伙)11738(56)对比文件evapotranspirationestimationusingoptimalclimaticparameters:efficacyhybridsupportvectorregressionintegratedwithwhaleoptimizationAssessment》.2020,第192卷(第11期),1-19.项艳.AquaCrop模型在华北地区夏玉米生产中的应用研究.《中国优秀硕士学位论文全文数据库农业科技辑》.2010,(第03期),D一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法本发明提供了一种基于AquaCrop模型与SVR获取种植区域气象站数据、种植区域土壤数据、作物参数数据和田间管理数据；S2、通过试错法进行AquaCrop模型的本地化调试；S3、利用AquaCrop模型选择合适的灌溉策略，进行不同灌合SVR预测下一年生育期的作物日灌溉需水量。本发明利用现有的气象站数据与作物种植管理数据，将作物模型与机器学习方法结合，能够根据不同区域的水资源供需状况及作物生长需水特征选择适宜的灌溉策略，通过支持向量机结合提供有效的参考依据。21.一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法，其特征在于，包括以下步S1、获取种植区域气象站数据、种植区域土壤数据、作物参数数据和田间管理数据，气象站数据包含日尺度降水数据、温度数据、相对湿度、风速和日照时数，并利用气象站数据根据Penman-Monteith公式计算参考作物蒸发蒸腾量ET₀;S2、通过试错法进行AquaCrop模型的本地化调试；在无水分胁迫的情况下对AquaCrop模型进行校正与验证以保证模型模拟的准确性；中内置了6种灌溉策略制定方式，分别为：IrrMethod=0:雨养灌溉；IrrMethod=1:根区土壤含水量低于指定的阈值，则触发灌溉；IrrMethod=3:预定义的灌溉计划；IrrMethod=4:净灌溉，每天灌满所有土层隔间，以保持土壤水分维持在预设水平；IrrMethod=5:每天灌溉固定深度；然后根据产量、多年平均灌水量选取最优的灌溉策略制定方式，进行作物的多年连续腾量ET0,mm/day,日照时数SD,h/day与AquaCrop模型输出的每日灌溉水量数据按照时间序S4.2、将特征值进行标准差标准化Z-zero;S4.3、将SVR的输入变量划分为训练集和测试集，通过敏感性分析确定作物灌溉需水量预测所需的最高温度Tmax,℃、最低温度Tmin,℃、降水P,mm、参考蒸发蒸腾量ET0,mm/day,日照时数SD,h/day与Irrday,mm的最佳组合；S4.4、将最佳组合作为输入，对SVR进行训练，从而进行作物日灌溉需水量预测；选取RBF作为核函数，采用粒子群优化算法PSO对RBF参数进行寻优，直到找到最佳的SVR训练函置信息为整个搜索空间；在速度区间和搜索空间上随机初始化速度和位置，设置粒子群规模为M,每个粒子随机初始化一个飞翔速度；S4.4.2、定义适应度函数，个体极值为每个粒子找到的最优解，从这些最优解找到一个Via=@Via+C₁random(0,1)(P₁d-Xi)+C₂random(0,1)其中，@为惯性因子，C₁,C₂为加速常数，前者为每个粒子的个体学习因子，后者为每个31.达到设定迭代次数；2.代数之间的差值满足最小界限。2.根据权利要求1所述的一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法，其特征在于，所述作物参数数据包括生育期参数数据和作物单产数据。4一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法技术领域[0001]本发明属于农业灌溉预测方法技术领域，具体涉及一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法。背景技术[0002]水资源短缺是当今世界面临的一个主要问题，人口不断增长和日益严重的干旱现象对水资源的可持续利用造成了前所未有的压力，进而造成了一定程度的粮食危机。农业灌溉是淡水资源的主要消费者，但是灌溉用水有效性很差，水资源浪费严重，因此需要有效的灌溉管理策略和预测技术，使其在节水与作物生产之间取得平衡。[0003]作物灌溉决策的核心是灌溉需水量的预测，现有的作物灌溉需水量预测方法大都基于布设田间传感器来获取土壤墒情，造价昂贵，工程量巨大。[0004]此外，农业灌溉用水减少，水分利用效率低下，传统的按作物需水要求的充分灌溉已不适应客观现实的状况，也不符合科学灌溉的内涵。应根据不同地区的气象条件、土壤条件、水资源状况来指导该地区的非充分灌溉，合理分配水量，预测灌溉需水量，预测作物产[0005]传统的灌溉策略大多是基于现场试验结合优化算法的使用，如线性、非线性、动态规划和遗传算法。然而，田间试验往往费时费力，而且很难考虑不同年份和地区的气候类发明内容AquaCrop模型与SVR的作物灌溉需水量预测方法，以解决上述背景技术中提出的问题。[0007]为解决上述技术问题，本发明采用的技术方案是：一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法，包括以下步骤：[0008]S1、获取种植区域气象站数据、种植区域土壤数据、作物参数数据和田间管理数[0009]S2、通过试错法进行AquaCrop模型的本地化调试；[0010]S3、利用AquaCrop模型选择合适的灌溉策略，进行不同灌溉制度模拟；[0011]S4、基于AquaCrop模型模拟结果，结合SVR预测下一年生育期的作物日灌溉需水日照时数，并利用气象站数据根据Penman-Monteith公式计算参考作物蒸发蒸腾量ET₀[0013]进一步的，所述作物参数数据包括生育期参数数据和作物单产数据。[0015]IrrMethod=0:雨养灌溉；[0016]IrrMethod=1:根区土壤含水量低于指定的阈值，则触发灌溉；5[0018]IrrMethod=3:预定义的灌溉计划；[0019]IrrMethod=4:净灌溉，每天灌满所有土层隔间，以保持土壤水分维持在预设水[0020]IrrMethod=5:每天灌溉固定深度；[0021]然后根据产量、多年平均灌水量选取最优的灌溉策略制定方式，进行作物的多年连续生长模拟，获得其每日灌溉水量数据。蒸腾量ET₀,mm/day,日照时数SD,h/day与AquaCrop模型输出的每日灌溉水量数据按照时间序列进行合并，作为SVR的输入变量；[0025]S4.3、将SVR的输入变量划分为训练集和测试集，通过敏感性分析确定作物灌溉需水量预测所需的最高温度Tmax,℃、最低day,日照时数SD,h/day与Irrday,mm的最佳组合。[0026]本发明与现有技术相比具有以下优点：[0027]本发明提供了一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法，利用现有的气象站数据与作物种植管理数据，将作物模型与机器学习方法结合，能够根据不同区域的水资源供需状况及作物生长需水特征选择适宜的灌溉策略，通过支持向量机结合粒子群寻优算法，预测下一年的作物日灌溉需水量，提高了预测精度，可以为当地农业规划用水提供有效的参考依据。附图说明[0028]图1为本发明的原理框架图；[0029]图2为本发明中AquaCrop模型率定结果图；具体实施方式[0033]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他[0034]实施例1,如图1所示，本发明提供一种技术方案：一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法，包括以下步骤：[0035]S1、获取种植区域气象站数据、种植区域土壤数据、作物参数数据和田间管理数数据根据Penman-Monteith公式计算参考作物蒸发蒸腾量ET₀;6[0036]作物参数数据包括生育期参数数据和作物单产数据。[0037]S2、通过试错法进行AquaCrop模型的本地化调试；[0038]S3、利用AquaCrop模型选择合适的[0039]在AquaCrop模型中内置了6种灌溉策略制定方式，分别为：[0040]IrrMethod=0:雨养灌溉；[0041]IrrMethod=1:根区土壤含水量低于指定的阈值，则触发灌溉；[0042]IrrMethod=2:每隔N天触发一次灌溉；[0043]IrrMethod=3:预定义的灌溉计划；[0044]IrrMethod=4:净灌溉，每天灌满所有土层隔间，以保持土壤水分维持在预设水[0045]IrrMethod=5:每天灌溉固定深度；[0046]然后根据产量、多年平均灌水量选取最优的灌溉策略制定方式，进行作物的多年连续生长模拟，获得其每日灌溉水量数据。[0047]S4、基于AquaCrop模型模拟结果，结合SVR预测下一年生育期的作物日灌溉需水蒸腾量ET₀,mm/day,日照时数SD,h/day与AquaCrop模型输出的每日灌溉水量数据按照时间序列进行合并，作为SVR的输入变量；[0049]S4.2、将特征值进行标准差标准化Z-zero;[0050]S4.3、将SVR的输入变量划分为训练集和测试集，通过敏感性分析确定作物灌溉需水量预测所需的最高温度Tmax,℃、最低day,日照时数SD,h/day与Irrday,mm的最佳组合。[0051]实验例1,如图2-5所示，基于实施例1,对河北省石家庄市栾城区冬小麦进行不同灌溉制度下生长模拟及灌溉水量预测。[0052]选取2000-2006年冬小麦大田试验数据进行AquaCrop模型校准，参考河北省用水定额标准，使用河北省统计年鉴1996-2018年冬小麦单产数据进行验证，SVR模型数据集选取AquaCrop模拟的1995-2018年栾城区冬小麦日灌溉水量与栾城站1995-2018年气象数据，其中，1995-2015年的数据集作为训练集，2015-201[0053]S1、获取河北省石家庄市栾城区1995-2018年气象站数据，气象站数据包含日尺度降水数据、温度数据、相对湿度、风速和日照时数利用气象数据并根据联合国粮食农业组织推荐的Penman-Monteith公式计算ET₀,具体计算如下：[0059]u₂为地面以上2m高处的风速m²/s;7[0066]土壤数据及作物参数数据来自于张喜英2008年的研究。1995-2018年栾城区的冬学者的相关研究。田间管理数据，包括作物种植密度和施肥水平参数按照当施例参考模型给出的参数范围以及其他学者的研究，通过试错法对模型中的参数进行调代表非充分灌溉(15%),正常用水条件(30%),充分供水(50%)。每个阈值代表可用水量的[0078]表11995-2018年三种灌溉情景下冬小麦产量与灌溉量8年份产量(kg/ha)总灌溉量(mm)平均[0081]结果显示，不同年份冬小麦灌溉量有一定程度的变化差异较大，但是产量变化幅度相对较小。[0082]步骤S4、基于AquaCrop模型模拟结果结合SVR预测下一年生育期作物日灌溉需水[0083]图3为SVR原理图，该模型结构创建了一个传递函数，将输入映射到一个高维特征空间，称为核函数，在这个空间中可以执行线性回归来确定输入数据的非线性分布。[0084]SVM提供了四种核函数类型：线性核函数LINEAR,多项式核函数POLY,径向基核函[0085]核函数的选择取决于对数据处理的要求，其中RBF核函数具有良好的性态，在实际问题中表现出良好的性能。[0086]本实验例选取RBF核函数，并确定初始参数为gamma=0.1,C=0,epsilon=100,作物日灌溉需水量预测具体步骤如下：9model.0utputs.Flux,其中包括灌水限制下的冬小麦日灌溉水量，将其与天气文件数据进行整合，将完整的时间序列结果作为SVR输入数据。[0088]S4.2、数据标准归一化，对于同一个特征，不同的样本中的取值可能会相差非常大，一些异常小或异常大的数据会误导模型的正确训练，此外数据的分布很分散也会影响训练结果。因此需要将特征中的值进行标准差标准化(Z-zero),即转换为均值为0,方差为1[0092]表示原数据标准差。训练集，2015-2018年的数据集作为测试集。以NetIrrSMT50%为例，通过不同变量组合，评估SVR模型日灌溉需水量预测效果，确定SVR输入变量最优特征组合。表2显示了不同输入特征组合下SVR预测精度。[0094]表2不同输入特征组合下SVR预测精度特征集目标集[0097]由表2可以看出，SD,Tmax,Tmin,ET₀对结果的影响较大，P对预测结果的影响最小。最终确定SVR输入变量组合如表3所示：[0098]表3SVR输入变量组合表模型组合场景一场景二的SVR训练函数。[0103]S4.4.1、初始化处理。设置最大迭代次数，目标函数的自变量个数，粒子的最大速度，位置信息为整个搜索空间。在速度区间和搜索空间上随机初始化速度和位置，设置粒子群规模为M,每个粒子随机初始化一个飞翔速度。本实施例中设置迭代代数为20,种群大小为20,变量个数为3。[0104]S4.4.2、定义适应度函数，个体极值为每个粒子找到的最优解，从这些最优解找到一个全局值，为本次全局最优解。与历史全局最优比较，进行更新。S4.4.3、更新速度和位[0105]Via=@Via+C₁random(0,1)(P[0107]其中，w为惯性因子，通过调整の的大小，可以对全局寻有性能和局部寻优性能进行调整；[0108]C₁,C₂为加速常数，前者为每个粒子的个体学习因子，后者为每个粒子的社会学习[0109]P;a表示第i个变量的个体极值的第d维，Pg表示全局最优解的第d维。[0111]1.达到设定迭代次数；[0112]2.代数之间的差值满足最小界限。[0113]模型预测结果的评价指标选用R²和RMSE。选择满足RMSE最小且R²[0114]通过粒子群寻优算法确定SVR核函数的参数组合如表4所示：[0115]表4SVR核函数的参数组合表灌溉情景核函数C函数00[0117]图5为本实施例的预测结果图。[0118]结果显示：三种灌溉情景下冬小麦日灌溉需水量预测表现均较为良好，且在灌水量较为充足的情况下预测精度更高。综上所述，通过本