一种基于降水量的差减间隔天数法土壤含水量诊断模型

1.本发明涉及的是土壤水含量监测、诊断和预报技术领域，具体涉及一种基于降水量的差减间隔天数法土壤含水量诊断模型。


背景技术：

2.目前，国际上通用的土壤含水量诊断模型没有统一，农田土壤含水量监测方法有传统的铝盒取样称重方法、先进的中子仪定位方法、各类传感器监测法等。这些方法和模型的最大缺点是需要大量的人力、物力、财力和监测面积小等，使得用户总是面临难以实时、准确地获得大面积墒情诊断与预报结果的困难。为了解决上述问题，开发一种基于降水量的差减间隔天数法土壤含水量诊断模型尤为必要。


技术实现要素：

3.针对现有技术上存在的不足，本发明目的是在于提供一种基于降水量的差减间隔天数法土壤含水量诊断模型，使用就近气象站的降水量数据，可以连续诊断土壤含水量，模型简单、实用，同时模型按监测点建立，使每个监测点地块下垫面影响因素隐含在具体模型参数之中，诊断精度高，减少经济投入和劳动成本，易于推广使用。
4.为了实现上述目的，本发明是通过如下的技术方案来实现：一种基于降水量的差减间隔天数法土壤含水量诊断模型，用前一个监测日的土壤含水量pi、时段降水量pw和相邻两次监测的间隔天数days作为自变量，后一个监测日的土壤含水量p
(i+1)
与前一个监测日的土壤含水量pi之差作为因变量建立的墒情诊断模型，其诊断模型数学表达式为：
5.△
p＝p
(i+1)-pi＝a+b
×
pi+c
×
pw+d
×
days
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
6.式(1)中：
△
p为第(i+1)次监测的土壤含水量与第i次监测的土壤含水量的差值，即p
(i+1)-pi(mm高度)；pi为第i次实测的土壤含水量(mm高度)；pw为第i个监测日至第(i+1)个监测日之间的降水量(mm)；days为第(i+1)次监测到第i次监测的间隔时间天数；a、b、c、d为统计参数。
7.其流程为：
①
先根据监测点的历史数据建立统计模型，即
△
p＝p
(i+1)-pi＝a+b
×
pi+c
×
pw+d
×
days，获得a、b、c、d为统计参数；
8.②
以某一日为诊断日时，pi、pw、days和a、b、c、d是已知的，因此可以求出
△
p，进而通过
△
p＝p
(i+1)-pi求出p
(i+1)
；p
(i+1)
是使用已知降水量数据诊断的土壤含水量数据；
9.③
以某一日为预报日时，pi、days和a、b、c、d是已知的，pw是根据天气预报确定的降水量，因此可以求出
△
p，进而通过
△
p＝p
(i+1)-pi求出p
(i+1)
，p
(i+1)
是使用未来一段时间降水量预报值预报的土壤含水量数据。
10.本发明的有益效果：本模型简单、实用，是基于就近气象站历史降水量数据和对应的土壤含水量数据，按监测点建立，模型建立后通过降水量实时预测土壤含水量，解决就近气象站降水量与监测点含水量之间的定量关系，为利用降水量诊断土壤含水量提供定量化模型和参数，代替直接测定土壤含水量的成本，同时可以使用天气预报降水量数据预测未
来短时间内土壤含水量，为农田水分管理提供实时决策依据，诊断精度高，减少经济投入和劳动成本，应用前景广阔。
具体实施方式
11.为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
12.本具体实施方式采用以下技术方案：一种基于降水量的差减间隔天数法土壤含水量诊断模型，经过对大量土壤含水量监测数据和相邻监测日之间累计降水量(即时段降水量)数据的研究，相邻两次土壤含水量之差与前一个监测日的土壤含水量pi、时段降水量pw和相邻两次监测的间隔天数之间存在较高的相关性，根据以上规律以此建立差减间隔天数法土壤含水量诊断模型。用前一个监测日的土壤含水量pi、时段降水量pw和相邻两次监测的间隔天数days作为自变量，后一个监测日的土壤含水量p
(i+1)
与前一个监测日的土壤含水量pi之差作为因变量建立的墒情诊断模型，其诊断模型数学表达式为：
13.△
p＝p
(i+1)-pi＝a+b
×
pi+c
×
pw+d
×
days
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
14.式(1)中：
△
p为第(i+1)次监测的土壤含水量与第i次监测的土壤含水量的差值，即p
(i+1)-pi(mm高度)；pi为第i次实测的土壤含水量(mm高度)；pw为第i个监测日至第(i+1)个监测日之间的降水量(mm)；days为第(i+1)次监测到第i次监测的间隔时间天数；a、b、c、d为统计参数。
15.其流程为：
①
先根据监测点的历史数据建立统计模型，即
△
p＝p
(i+1)-pi＝a+b
×
pi+c
×
pw+d
×
days，获得a、b、c、d为统计参数；
16.②
以某一日为诊断日时，pi、pw、days和a、b、c、d是已知的，因此可以求出
△
p，进而通过
△
p＝p
(i+1)-pi求出p
(i+1)
；p
(i+1)
是使用已知降水量数据诊断的土壤含水量数据；
17.③
以某一日为预报日时，pi、days和a、b、c、d是已知的，pw是根据天气预报确定的降水量，因此可以求出
△
p，进而通过
△
p＝p
(i+1)-pi求出p
(i+1)
，p
(i+1)
是使用未来一段时间降水量预报值预报的土壤含水量数据。
18.本具体实施方式基于就近气象站历史降水量数据和对应的土壤含水量数据，按监测点建立土壤含水量诊断模型，模型建立后可以通过降水量数据实时预测诊断土壤含水量，解决就近气象站降水量与监测点含水量之间的定量关系，为利用降水量诊断土壤含水量提供定量化模型和参数，代替直接测定土壤含水量的成本，同时可以使用天气预报降水量数据预测未来短时间内土壤含水量，两个预测功能为农田水分管理提供实时决策依据。其技术优势在于：
19.(1)创新性：基于就近气象站历史降水量数据和对应的土壤含水量数据，按监测点建立土壤含水量诊断模型，模型建立后可以通过降水量预测土壤含水量，解决就近气象站降水量与监测点含水量之间的定量关系，为利用实时降水量诊断和预报的降水量预测土壤含水量提供定量化模型和参数。
20.(2)新颖性：使用土壤含水量标准监测点的每隔一段时间的土壤含水量监测数据作为建模基础数据；按监测点建模，消除了下垫面对模型诊断精度的影响，使模型的诊断精度更高。
21.(3)实用性：诊断是利用已知的降水量数据对土壤含水量的预测结果，降水量数据
容易获得，因此本模型可以通过不测定土壤含水量的前提下确定土壤含水量，减少经济投入和劳动成本。
22.本具体实施方式差减间隔天数法土壤含水量诊断合格率以0-20cm为例，预测的土壤含水量以毫米水柱高
±
5mm为合格，预测次数的合格率超过80％以上为模型合格。
23.实施例1：表1为甘肃省平凉市2012-2014年监测的47次0-20cm土壤含水量数据。结果表明：预测误差按
±
5mm以内为合格计算，预测合格率100％。预测模型为
△
p＝15.529－0.373
×
pi+0.130
×
pw－0.333
×
days(n＝47，r＝0.935；r
0.05
＝0.294，r
0.01
＝0.380)，p
(i+1)
'＝
△
p'+pi。
24.表1甘肃省平凉市2012-2014年监测的47次0-20cm土壤含水量数据和模型自回归结果(mm)
25.26.[0027][0028]
实施例2：表2为使用甘肃省平凉市2012-2014年监测的47次0-20cm土壤含水量数据模型和2015年8次监测的土壤含水量数据对模型验证的结果。结果表明：预测误差按
±
5mm以内为合格计算，预测合格率100％。
[0029]
表2甘肃省平凉市2015年监测的8次0-20cm土壤含水量数据验证结果(mm)
[0030]
[0031][0032]
实施例3：表3为使用甘肃省平凉市2012-2014年监测的47次0-20cm土壤含水量数据模型和2016年6月1日土壤含水量(35.3mm)以及假设的不同降水量(mm)情况下5月14日0-20cm土壤含水量(mm)的预测结果。结果表明：当6月1日-5月14日13天实际降水量为18mm时预测的土壤含水量为35.7mmm，测误差为-2.9mm，预测误差按
±
5mm以内计算为合格。
[0033]
表3甘肃省平凉市2016年6月1日预测的土壤含水量误差(mm)
[0034]
日期pipwdays(d)p
(i+1)
△
p
△
p'p
(i+1)
'误差2016/6/1435.31013
ꢀꢀ‑
0.734.6 2016/6/1435.32013
ꢀꢀ
0.635.9 2016/6/1435.33013
ꢀꢀ
1.937.2 2016/6/1435.34013
ꢀꢀ
3.238.5 2016/6/1435.35013
ꢀꢀ
4.539.8 2016/6/1435.36013
ꢀꢀ
5.841.1 2016/6/1435.37013
ꢀꢀ
7.142.4 2016/6/1435.38013
ꢀꢀ
8.443.7 2016/6/1435.39013
ꢀꢀ
9.745.0 2016/6/1435.310013
ꢀꢀ
11.146.4 2016/6/1435.3181338.6 0.435.7-2.9
[0035]
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。