(10)授權(quán)公告號CN114638146B(65)同一申請的已公布的文獻(xiàn)號農(nóng)路22號孫敬新趙金鳳唐一荷(74)專利代理機(jī)構(gòu)北京智行陽光知識產(chǎn)權(quán)代理事務(wù)所(普通合伙)11738(56)對比文件evapotranspirationestimationusingoptimalclimaticparameters:efficacyhybridsupportvectorregressionintegratedwithwhaleoptimizationAssessment》.2020,第192卷(第11期),1-19.項艷.AquaCrop模型在華北地區(qū)夏玉米生產(chǎn)中的應(yīng)用研究.《中國優(yōu)秀碩士學(xué)位論文全文數(shù)據(jù)庫農(nóng)業(yè)科技輯》.2010,(第03期),D一種基于AquaCrop模型與SVR的作物灌溉需水量預(yù)測方法本發(fā)明提供了一種基于AquaCrop模型與SVR獲取種植區(qū)域氣象站數(shù)據(jù)、種植區(qū)域土壤數(shù)據(jù)、作物參數(shù)數(shù)據(jù)和田間管理數(shù)據(jù)；S2、通過試錯法進(jìn)行AquaCrop模型的本地化調(diào)試；S3、利用AquaCrop模型選擇合適的灌溉策略，進(jìn)行不同灌合SVR預(yù)測下一年生育期的作物日灌溉需水量。本發(fā)明利用現(xiàn)有的氣象站數(shù)據(jù)與作物種植管理數(shù)據(jù)，將作物模型與機(jī)器學(xué)習(xí)方法結(jié)合，能夠根據(jù)不同區(qū)域的水資源供需狀況及作物生長需水特征選擇適宜的灌溉策略，通過支持向量機(jī)結(jié)合提供有效的參考依據(jù)。21.一種基于AquaCrop模型與SVR的作物灌溉需水量預(yù)測方法，其特征在于，包括以下步S1、獲取種植區(qū)域氣象站數(shù)據(jù)、種植區(qū)域土壤數(shù)據(jù)、作物參數(shù)數(shù)據(jù)和田間管理數(shù)據(jù)，氣象站數(shù)據(jù)包含日尺度降水?dāng)?shù)據(jù)、溫度數(shù)據(jù)、相對濕度、風(fēng)速和日照時數(shù)，并利用氣象站數(shù)據(jù)根據(jù)Penman-Monteith公式計算參考作物蒸發(fā)蒸騰量ET?;S2、通過試錯法進(jìn)行AquaCrop模型的本地化調(diào)試；在無水分脅迫的情況下對AquaCrop模型進(jìn)行校正與驗證以保證模型模擬的準(zhǔn)確性；中內(nèi)置了6種灌溉策略制定方式，分別為：IrrMethod=0:雨養(yǎng)灌溉；IrrMethod=1:根區(qū)土壤含水量低于指定的閾值，則觸發(fā)灌溉；IrrMethod=3:預(yù)定義的灌溉計劃；IrrMethod=4:凈灌溉，每天灌滿所有土層隔間，以保持土壤水分維持在預(yù)設(shè)水平；IrrMethod=5:每天灌溉固定深度；然后根據(jù)產(chǎn)量、多年平均灌水量選取最優(yōu)的灌溉策略制定方式，進(jìn)行作物的多年連續(xù)騰量ET0,mm/day,日照時數(shù)SD,h/day與AquaCrop模型輸出的每日灌溉水量數(shù)據(jù)按照時間序S4.2、將特征值進(jìn)行標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化Z-zero;S4.3、將SVR的輸入變量劃分為訓(xùn)練集和測試集，通過敏感性分析確定作物灌溉需水量預(yù)測所需的最高溫度Tmax,℃、最低溫度Tmin,℃、降水P,mm、參考蒸發(fā)蒸騰量ET0,mm/day,日照時數(shù)SD,h/day與Irrday,mm的最佳組合；S4.4、將最佳組合作為輸入，對SVR進(jìn)行訓(xùn)練，從而進(jìn)行作物日灌溉需水量預(yù)測；選取RBF作為核函數(shù)，采用粒子群優(yōu)化算法PSO對RBF參數(shù)進(jìn)行尋優(yōu)，直到找到最佳的SVR訓(xùn)練函置信息為整個搜索空間；在速度區(qū)間和搜索空間上隨機(jī)初始化速度和位置，設(shè)置粒子群規(guī)模為M,每個粒子隨機(jī)初始化一個飛翔速度；S4.4.2、定義適應(yīng)度函數(shù)，個體極值為每個粒子找到的最優(yōu)解，從這些最優(yōu)解找到一個Via=@Via+C?random(0,1)(P?d-Xi)+C?random(0,1)其中，@為慣性因子，C?,C?為加速常數(shù)，前者為每個粒子的個體學(xué)習(xí)因子，后者為每個31.達(dá)到設(shè)定迭代次數(shù)；2.代數(shù)之間的差值滿足最小界限。2.根據(jù)權(quán)利要求1所述的一種基于AquaCrop模型與SVR的作物灌溉需水量預(yù)測方法，其特征在于，所述作物參數(shù)數(shù)據(jù)包括生育期參數(shù)數(shù)據(jù)和作物單產(chǎn)數(shù)據(jù)。4一種基于AquaCrop模型與SVR的作物灌溉需水量預(yù)測方法技術(shù)領(lǐng)域[0001]本發(fā)明屬于農(nóng)業(yè)灌溉預(yù)測方法技術(shù)領(lǐng)域，具體涉及一種基于AquaCrop模型與SVR的作物灌溉需水量預(yù)測方法。背景技術(shù)[0002]水資源短缺是當(dāng)今世界面臨的一個主要問題，人口不斷增長和日益嚴(yán)重的干旱現(xiàn)象對水資源的可持續(xù)利用造成了前所未有的壓力，進(jìn)而造成了一定程度的糧食危機(jī)。農(nóng)業(yè)灌溉是淡水資源的主要消費者，但是灌溉用水有效性很差，水資源浪費嚴(yán)重，因此需要有效的灌溉管理策略和預(yù)測技術(shù)，使其在節(jié)水與作物生產(chǎn)之間取得平衡。[0003]作物灌溉決策的核心是灌溉需水量的預(yù)測，現(xiàn)有的作物灌溉需水量預(yù)測方法大都基于布設(shè)田間傳感器來獲取土壤墑情，造價昂貴，工程量巨大。[0004]此外，農(nóng)業(yè)灌溉用水減少，水分利用效率低下，傳統(tǒng)的按作物需水要求的充分灌溉已不適應(yīng)客觀現(xiàn)實的狀況，也不符合科學(xué)灌溉的內(nèi)涵。應(yīng)根據(jù)不同地區(qū)的氣象條件、土壤條件、水資源狀況來指導(dǎo)該地區(qū)的非充分灌溉，合理分配水量，預(yù)測灌溉需水量，預(yù)測作物產(chǎn)[0005]傳統(tǒng)的灌溉策略大多是基于現(xiàn)場試驗結(jié)合優(yōu)化算法的使用，如線性、非線性、動態(tài)規(guī)劃和遺傳算法。然而，田間試驗往往費時費力，而且很難考慮不同年份和地區(qū)的氣候類發(fā)明內(nèi)容AquaCrop模型與SVR的作物灌溉需水量預(yù)測方法，以解決上述背景技術(shù)中提出的問題。[0007]為解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案是：一種基于AquaCrop模型與SVR的作物灌溉需水量預(yù)測方法，包括以下步驟：[0008]S1、獲取種植區(qū)域氣象站數(shù)據(jù)、種植區(qū)域土壤數(shù)據(jù)、作物參數(shù)數(shù)據(jù)和田間管理數(shù)[0009]S2、通過試錯法進(jìn)行AquaCrop模型的本地化調(diào)試；[0010]S3、利用AquaCrop模型選擇合適的灌溉策略，進(jìn)行不同灌溉制度模擬；[0011]S4、基于AquaCrop模型模擬結(jié)果，結(jié)合SVR預(yù)測下一年生育期的作物日灌溉需水日照時數(shù)，并利用氣象站數(shù)據(jù)根據(jù)Penman-Monteith公式計算參考作物蒸發(fā)蒸騰量ET?[0013]進(jìn)一步的，所述作物參數(shù)數(shù)據(jù)包括生育期參數(shù)數(shù)據(jù)和作物單產(chǎn)數(shù)據(jù)。[0015]IrrMethod=0:雨養(yǎng)灌溉；[0016]IrrMethod=1:根區(qū)土壤含水量低于指定的閾值，則觸發(fā)灌溉；5[0018]IrrMethod=3:預(yù)定義的灌溉計劃；[0019]IrrMethod=4:凈灌溉，每天灌滿所有土層隔間，以保持土壤水分維持在預(yù)設(shè)水[0020]IrrMethod=5:每天灌溉固定深度；[0021]然后根據(jù)產(chǎn)量、多年平均灌水量選取最優(yōu)的灌溉策略制定方式，進(jìn)行作物的多年連續(xù)生長模擬，獲得其每日灌溉水量數(shù)據(jù)。蒸騰量ET?,mm/day,日照時數(shù)SD,h/day與AquaCrop模型輸出的每日灌溉水量數(shù)據(jù)按照時間序列進(jìn)行合并，作為SVR的輸入變量；[0025]S4.3、將SVR的輸入變量劃分為訓(xùn)練集和測試集，通過敏感性分析確定作物灌溉需水量預(yù)測所需的最高溫度Tmax,℃、最低day,日照時數(shù)SD,h/day與Irrday,mm的最佳組合。[0026]本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點：[0027]本發(fā)明提供了一種基于AquaCrop模型與SVR的作物灌溉需水量預(yù)測方法，利用現(xiàn)有的氣象站數(shù)據(jù)與作物種植管理數(shù)據(jù)，將作物模型與機(jī)器學(xué)習(xí)方法結(jié)合，能夠根據(jù)不同區(qū)域的水資源供需狀況及作物生長需水特征選擇適宜的灌溉策略，通過支持向量機(jī)結(jié)合粒子群尋優(yōu)算法，預(yù)測下一年的作物日灌溉需水量，提高了預(yù)測精度，可以為當(dāng)?shù)剞r(nóng)業(yè)規(guī)劃用水提供有效的參考依據(jù)。附圖說明[0028]圖1為本發(fā)明的原理框架圖；[0029]圖2為本發(fā)明中AquaCrop模型率定結(jié)果圖；具體實施方式[0033]下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他[0034]實施例1,如圖1所示，本發(fā)明提供一種技術(shù)方案：一種基于AquaCrop模型與SVR的作物灌溉需水量預(yù)測方法，包括以下步驟：[0035]S1、獲取種植區(qū)域氣象站數(shù)據(jù)、種植區(qū)域土壤數(shù)據(jù)、作物參數(shù)數(shù)據(jù)和田間管理數(shù)數(shù)據(jù)根據(jù)Penman-Monteith公式計算參考作物蒸發(fā)蒸騰量ET?;6[0036]作物參數(shù)數(shù)據(jù)包括生育期參數(shù)數(shù)據(jù)和作物單產(chǎn)數(shù)據(jù)。[0037]S2、通過試錯法進(jìn)行AquaCrop模型的本地化調(diào)試；[0038]S3、利用AquaCrop模型選擇合適的[0039]在AquaCrop模型中內(nèi)置了6種灌溉策略制定方式，分別為：[0040]IrrMethod=0:雨養(yǎng)灌溉；[0041]IrrMethod=1:根區(qū)土壤含水量低于指定的閾值，則觸發(fā)灌溉；[0042]IrrMethod=2:每隔N天觸發(fā)一次灌溉；[0043]IrrMethod=3:預(yù)定義的灌溉計劃；[0044]IrrMethod=4:凈灌溉，每天灌滿所有土層隔間，以保持土壤水分維持在預(yù)設(shè)水[0045]IrrMethod=5:每天灌溉固定深度；[0046]然后根據(jù)產(chǎn)量、多年平均灌水量選取最優(yōu)的灌溉策略制定方式，進(jìn)行作物的多年連續(xù)生長模擬，獲得其每日灌溉水量數(shù)據(jù)。[0047]S4、基于AquaCrop模型模擬結(jié)果，結(jié)合SVR預(yù)測下一年生育期的作物日灌溉需水蒸騰量ET?,mm/day,日照時數(shù)SD,h/day與AquaCrop模型輸出的每日灌溉水量數(shù)據(jù)按照時間序列進(jìn)行合并，作為SVR的輸入變量；[0049]S4.2、將特征值進(jìn)行標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化Z-zero;[0050]S4.3、將SVR的輸入變量劃分為訓(xùn)練集和測試集，通過敏感性分析確定作物灌溉需水量預(yù)測所需的最高溫度Tmax,℃、最低day,日照時數(shù)SD,h/day與Irrday,mm的最佳組合。[0051]實驗例1,如圖2-5所示，基于實施例1,對河北省石家莊市欒城區(qū)冬小麥進(jìn)行不同灌溉制度下生長模擬及灌溉水量預(yù)測。[0052]選取2000-2006年冬小麥大田試驗數(shù)據(jù)進(jìn)行AquaCrop模型校準(zhǔn)，參考河北省用水定額標(biāo)準(zhǔn)，使用河北省統(tǒng)計年鑒1996-2018年冬小麥單產(chǎn)數(shù)據(jù)進(jìn)行驗證，SVR模型數(shù)據(jù)集選取AquaCrop模擬的1995-2018年欒城區(qū)冬小麥日灌溉水量與欒城站1995-2018年氣象數(shù)據(jù)，其中，1995-2015年的數(shù)據(jù)集作為訓(xùn)練集，2015-201[0053]S1、獲取河北省石家莊市欒城區(qū)1995-2018年氣象站數(shù)據(jù)，氣象站數(shù)據(jù)包含日尺度降水?dāng)?shù)據(jù)、溫度數(shù)據(jù)、相對濕度、風(fēng)速和日照時數(shù)利用氣象數(shù)據(jù)并根據(jù)聯(lián)合國糧食農(nóng)業(yè)組織推薦的Penman-Monteith公式計算ET?,具體計算如下：[0059]u?為地面以上2m高處的風(fēng)速m2/s;7[0066]土壤數(shù)據(jù)及作物參數(shù)數(shù)據(jù)來自于張喜英2008年的研究。1995-2018年欒城區(qū)的冬學(xué)者的相關(guān)研究。田間管理數(shù)據(jù)，包括作物種植密度和施肥水平參數(shù)按照當(dāng)施例參考模型給出的參數(shù)范圍以及其他學(xué)者的研究，通過試錯法對模型中的參數(shù)進(jìn)行調(diào)代表非充分灌溉(15%),正常用水條件(30%),充分供水(50%)。每個閾值代表可用水量的[0078]表11995-2018年三種灌溉情景下冬小麥產(chǎn)量與灌溉量8年份產(chǎn)量(kg/ha)總灌溉量(mm)平均[0081]結(jié)果顯示，不同年份冬小麥灌溉量有一定程度的變化差異較大，但是產(chǎn)量變化幅度相對較小。[0082]步驟S4、基于AquaCrop模型模擬結(jié)果結(jié)合SVR預(yù)測下一年生育期作物日灌溉需水[0083]圖3為SVR原理圖，該模型結(jié)構(gòu)創(chuàng)建了一個傳遞函數(shù)，將輸入映射到一個高維特征空間，稱為核函數(shù)，在這個空間中可以執(zhí)行線性回歸來確定輸入數(shù)據(jù)的非線性分布。[0084]SVM提供了四種核函數(shù)類型：線性核函數(shù)LINEAR,多項式核函數(shù)POLY,徑向基核函[0085]核函數(shù)的選擇取決于對數(shù)據(jù)處理的要求，其中RBF核函數(shù)具有良好的性態(tài)，在實際問題中表現(xiàn)出良好的性能。[0086]本實驗例選取RBF核函數(shù)，并確定初始參數(shù)為gamma=0.1,C=0,epsilon=100,作物日灌溉需水量預(yù)測具體步驟如下：9model.0utputs.Flux,其中包括灌水限制下的冬小麥日灌溉水量，將其與天氣文件數(shù)據(jù)進(jìn)行整合，將完整的時間序列結(jié)果作為SVR輸入數(shù)據(jù)。[0088]S4.2、數(shù)據(jù)標(biāo)準(zhǔn)歸一化，對于同一個特征，不同的樣本中的取值可能會相差非常大，一些異常小或異常大的數(shù)據(jù)會誤導(dǎo)模型的正確訓(xùn)練，此外數(shù)據(jù)的分布很分散也會影響訓(xùn)練結(jié)果。因此需要將特征中的值進(jìn)行標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化(Z-zero),即轉(zhuǎn)換為均值為0,方差為1[0092]表示原數(shù)據(jù)標(biāo)準(zhǔn)差。訓(xùn)練集，2015-2018年的數(shù)據(jù)集作為測試集。以NetIrrSMT50%為例，通過不同變量組合，評估SVR模型日灌溉需水量預(yù)測效果，確定SVR輸入變量最優(yōu)特征組合。表2顯示了不同輸入特征組合下SVR預(yù)測精度。[0094]表2不同輸入特征組合下SVR預(yù)測精度特征集目標(biāo)集[0097]由表2可以看出，SD,Tmax,Tmin,ET?對結(jié)果的影響較大，P對預(yù)測結(jié)果的影響最小。最終確定SVR輸入變量組合如表3所示：[0098]表3SVR輸入變量組合表模型組合場景一場景二的SVR訓(xùn)練函數(shù)。[0103]S4.4.1、初始化處理。設(shè)置最大迭代次數(shù)，目標(biāo)函數(shù)的自變量個數(shù)，粒子的最大速度，位置信息為整個搜索空間。在速度區(qū)間和搜索空間上隨機(jī)初始化速度和位置，設(shè)置粒子群規(guī)模為M,每個粒子隨機(jī)初始化一個飛翔速度。本實施例中設(shè)置迭代代數(shù)為20,種群大小為20,變量個數(shù)為3。[0104]S4.4.2、定義適應(yīng)度函數(shù)，個體極值為每個粒子找到的最優(yōu)解，從這些最優(yōu)解找到一個全局值，為本次全局最優(yōu)解。與歷史全局最優(yōu)比較，進(jìn)行更新。S4.4.3、更新速度和位[0105]Via=@Via+C?random(0,1)(P[0107]其中，w為慣性因子，通過調(diào)整の的大小，可以對全局尋有性能和局部尋優(yōu)性能進(jìn)行調(diào)整；[0108]C?,C?為加速常數(shù)，前者為每個粒子的個體學(xué)習(xí)因子，后者為每個粒子的社會學(xué)習(xí)[0109]P;a表示第i個變量的個體極值的第d維，Pg表示全局最優(yōu)解的第d維。[0111]1.達(dá)到設(shè)定迭代次數(shù)；[0112]2.代數(shù)之間的差值滿足最小界限。[0113]模型預(yù)測結(jié)果的評價指標(biāo)選用R2和RMSE。選擇滿足RMSE最小且R2[0114]通過粒子群尋優(yōu)算法確定SVR核函數(shù)的參數(shù)組合如表4所示：[0115]表4SVR核函數(shù)的參數(shù)組合表灌溉情景核函數(shù)C函數(shù)00[0117]圖5為本實施例的預(yù)測結(jié)果圖。[0118]結(jié)果顯示：三種灌溉情景下冬小麥日灌溉需水量預(yù)測表現(xiàn)均較為良好，且在灌水量較為充足的情況下預(yù)測精度更高。綜上所述，通過本