导读:本文包含了墒情预测论文开题报告文献综述及选题提纲参考文献，主要关键词:农业墒情站,神经网络,遗传算法,粒子群算法
墒情预测论文文献综述
杨倩,严凯,姚凯学,何勇[1]（2019）在《优化BP网络在农业墒情站数据预测中的应用研究》一文中研究指出针对农业墒情站在采集农作物生长环境因子时表现不可靠的问题,文中使用BP神经网络来预测环境数据,辅助墒情站,为农户提供有效数据,从而对农作物进行更精准地保护。由于BP存在网络结构难以确定等问题,故利用自适应加速因子的粒子群算法、可改变搜索空间的蜂群算法和自适应变异概率的遗传算法叁种方法来优化BP的初始权阈值。经仿真证明,叁种改进方案不仅提高了BP预测的收敛速度,而且提高了预测精度。自适应加速因子的粒子群BP模型预测效果最佳,故将其嵌入农业墒情站,目前,墒情站已经投入使用,可有效保护农作物。(本文来源于《物联网技术》期刊2019年08期）
王玮[2]（2019）在《黄河干流灌区土壤墒情动态预测与用水需求模型研究》一文中研究指出黄河干流引黄灌区农业灌溉用水占整个黄河用水量的80%左右,是黄河经济用水的主体,对农业需水过程的精确预测是实现黄河水资源精细化调度的难点。本文立足于历史引水资料,分析了黄河干流灌区引黄用水时空分布、用水关键期及用水影响因素,建立了黄河干流河段灌区引黄用水预测统计模型;采用遥感技术实时获取土壤墒情的空间分布信息,研究了多因素影响下土壤含水量的变化机理及土壤墒情动态预测方法,建立了典型灌区引黄需水预测模型,为准确获取并预测农业用水需求信息、优化黄河调度方案提供理论支撑。主要取得了以下成果:(1)在对比实测资料的基础上,采用逐步回归法、基于模糊贴近度的选择回归法、BP神经网络法、支持向量机法,建立了适用于黄河宁夏、内蒙古、河南、山东河段的年引黄用水预测模型和月引黄用水预测模型。(2)提出了用于遥感的土壤墒情监测指数(CI),以综合描述灌区农作物的作物类型、作物生长期和作物供水状况等信息。结合站点实测土壤含水量数据,建立了基于TVDI的灌区平均土壤含水量反演公式,研究了基于CI的作物不同生长期的土壤墒情遥感监测指标,,实现了遥感影像直接监测灌区土壤墒情。(3)运用水量平衡原理、时间序列模型、灰色模型和神经网络模型对灌区土壤墒情动态变化过程进行了预测,提出了适用于引黄灌区土壤墒情动态预测方法。建立了以特征气温为主要输入参数的作物需水量计算方法,通过试验研究,建立了有效降水量计算方法和作物地下水利用量预测公式,为土壤墒情动态预测模型输入参数的确定奠定基础。(4)构建了典型灌区引黄用水需求模型,以RS获取灌区当前土壤含水率的栅格数据为基础,以地下水埋深类型、土壤类型、工程分布、作物种植类型等划分计算单元开展数据处理与计算,计算结果和实际引黄结果吻合较好。(本文来源于《西安理工大学》期刊2019-06-30）
任菊章,陶云,陈艳,段长春[3]（2018）在《基于土壤墒情对云南干旱评估预测模型分析》一文中研究指出在全球气候变化的大背景下,近年来我国干旱有进一步加剧的趋势。云南是一个农业大省,旱灾往往会给当地造成巨大的经济损失。旱灾对农作物的影响常从土壤墒情的偏少开始,进而影响到农作物的长势及产量,因此研究土壤墒情的变化对农抗旱减灾具有重要意义,且对干旱发生早期和旱情发生过程具有重要的指示作用。另一方面,云南素有亚洲水塔之称,是很多河流的起源地或必经之地,严重的旱涝不仅对云南本地影响巨大,也会对下游地区的水资源产生严重影响。因此,有必要建立干旱评估预测模型,对未来干旱状况进行预测,为防旱抗旱提供技术支撑。所用资料为1948年1月-2015年12月NOAA/CPC 0.5o×0.5o月平均陆地表面水文格点资料中全球土壤湿度资料(http://www.esrl.noaa.gov/psd/data/gridded/data.cpcsoil.html)[1]。该资料已被广泛应用于地球科学及相关领域,是一套可信度和科研价值较高的土壤湿度资料[2-3]。文献[4]研究结果表明在云南地区这套土壤湿度资料具有很好的适用性。气象站点观测资料为1951年1月-2015年12月云南地区125个站的逐月降水和温度资料。土壤相对湿度指标是目前研究比较成熟且能较好反映作物旱情状况的有效指标[5]。土壤相对湿度一般以土壤重量含水量与田间持水量的比值表示,本文采用的土层深度20cm[6],计算公式为:R=W/f_c(1)式中,R为土壤相对含水量(%);W为土壤重量含水率(%),fc为云南省农业厅公布的土壤田间持水量(%)。分析采用土壤相对湿度标准反映旱涝程度。特征分析多采用时间序列分析,合成分析,差值检验和相关分析,建立干旱评估预测模型采用多元线性回归统计模型。计算得到云南省格点上的土壤相对湿度数据,再做区域平均得到云南省20cm土壤相对湿度的气候年变化特征图(见图1)。云南20cm土壤相对湿度具有季节变化特征,呈正弦波态,波谷在4、5月,是云南一年当中最为干旱的时期,波峰在9、10月,是云南的湿润时期。5月云南土壤相对湿度与降水呈正相关关系,与温度呈负相关关系,叁者的年代际突变特征基本一致,2006年以后云南变暖变干的趋势明显。云南20cm土壤相对湿度的异常变化一般会落后降水1-2个月[7],考虑土壤对降水滞后性响应的影响,分析云南前期降水累积年际增量、温度年际增量和5月土壤相对湿度年际增量的关系。结果表明,1-3月降水累积年际增量和3月温度年际增量与5月土壤相对湿度年际增量间有较高的相关关系,均通过了95%的显着性相关检验。因此,将1-3月降水累计年际增量,和3月温度的年际增量确定为5月土壤相对湿度年际增量的预测因子。采用多元线性回归方法,建立1962-1991年云南5月土壤相对湿度年际增量的物理统计预测模型如下:y=0.345x_1-1.063x_2+0.071(2)公式(2)中x-1是1-3月云南降水累积年际增量,x_2是3月云南温度年际增量,该模型通过了95%的显着性检验,预测模型在1962-1991年的拟合率为0.75,拟合度很好。结果显示出1962-2015年云南5月土壤相对湿度年际增量模拟值(虚线)和实际年际增量值(实线)基本吻合,如1971,1972,1973,,1975,1976,1978,1984年。后报时段1992-2015年里(黑色竖线之后),预测模型能够模拟出5月土壤相对湿度年际增量的TBO变化特征。在2008,2009,2011年,预测值与实际值基本吻合,预测年际增量的同号率是58%。为了检验预测模型,计算逐年5月土壤相对湿度的年际增量预测值加上其前一年观测值,获得逐年5月土壤相对湿度的预测值的距平百分率。预测的距平和观测值的同号率达72%,相关系数达到0.34,检验方法说明预测模型对5月土壤相对湿度的预报有较好的预测能力。对1992-2015年的后报中各年的相对误差百分率,最大的预测相对误差低于25%,这个预测误差对实际业务也具有意义。影响土壤墒情的因子还有很多,如:气象因子中的蒸发量、日照等。除此之外,还有土壤性质、地表植被、农业灌溉等因素的影响。本文建立预测模型时,仅用到降水和温度两个因子作为预测因子,今后将考虑加入其他重要的预测因子,进而不断改进预测模型。(本文来源于《第35届中国气象学会年会 S5 气候变暖背景下干旱灾害形成机制变化与监测预测及其影响评估》期刊2018-10-24）
李雨鸿,李辑,王婷,胡春丽,宋晓巍[4]（2018）在《辽宁省土壤墒情预测方法研究》一文中研究指出本研究从气象服务需求出发,基于前期研究建立的辽西、辽东地区4、5月土壤相对湿度预测模型,通过降尺度分析,定量化预测辽宁省18个站点4月、5月土壤相对湿度,最终基于Arc GIS插值,得到辽宁省土壤相对湿度预测分布图。为更好地进行业务化应用,将整个计算过程形成完整的业务化预测流程。以2014年应用效果为例,得到4月站点平均相对误差为18%,5月站点平均相对误差为13%,总体预测结论(本文来源于《第35届中国气象学会年会 S5 气候变暖背景下干旱灾害形成机制变化与监测预测及其影响评估》期刊2018-10-24）
张卓宇,杨联安[5]（2018）在《基于RK的土壤墒情预测》一文中研究指出选取气象及地形因素作为辅助变量,对比分析回归克里格(RK)和普通克里格(OK)土壤墒情空间插值及制图上的精度与效果。结果表明:RK法插值结果的平均误差(ME)、平均绝对误差(MAE)、标准差(SD)和OK法相比较小;与OK相比,RK考虑了辅助变量,提高了插值精度;土壤墒情与降水量、湿度及水汽压呈显着正相关,与剖面曲率呈负相关。(本文来源于《地下水》期刊2018年05期）
牛宏飞,张钟莉莉,孙仕军,郑文刚,王材源[6]（2018）在《土壤墒情预测模型对比》一文中研究指出为实现实时准确的墒情预报,以北京市延庆区为例,利用在该地区获取的2012—2016年5年的系列土壤墒情和气象数据,对土壤墒情预测模型进行了对比研究。通过相关性分析选取时段初墒值W_0、降雨、湿度、气温、气压、地温和蒸发7种影响因子,对土壤墒情分别建立线性回归方程、基于主成分分析的径向基函数(PCA-RBF)神经网络和误差反向传导(BP)神经网络3种预测模型,并对3种模型预测结果进行了对比分析。结果显示:PCARBF神经网络模型精度最高,平均精度达到96.8%,线性回归模型和BP神经网络模型分别为94.6%和95.7%。研究认为,PCA-RBF神经网络具有稳定性好、精度高的特点,可以很好的实现土壤墒情预测。(本文来源于《中国农业大学学报》期刊2018年08期）
王露娇[7]（2018）在《基于神经网络的茶园土壤墒情预测方法研究》一文中研究指出土壤墒情是影响农作物产量和品质的重要因素之一。运用农业信息技术开展土壤墒情预测,对于农田的精细化管理具有重要意义,本文基于神经网络技术,进行茶园土壤墒情预测方法研究,对茶园节水灌溉和精细化管理提供技术支撑。利用神经网络模型预测黄山茶园土壤墒情的变化规律,指导农区节水灌溉策略的制定。本论文采集的实验数据为黄山太平地区2014年12月6号到1月30日的环境信息和气象信息数据。由于茶园处于300米左右的丘陵地区,环境复杂多变,数据传输设备维护较为复杂,采集数据直接运用在分析和建模中,可行性较差,会将误差和错误带人到数据分析中影响实验结果,此时需要利用算法预处理源数据,使数据更加“清洁”。首先利用拉伊达准则处理数据中的较大值、空缺值、异常值,剔除较大毛刺数据,补充数据中的空缺值,提高数据精确度,然后利用小波降噪、二次指数平滑处理去除数据中的噪声,使实验数据整体落在较合理的范围内,经过预处理后保证了温湿度数据的可信度,提高了茶园土壤墒情预测建模的精度。影响土壤墒情预测的因素较多,如温度、湿度、PH、光照强度、土壤的性质等。本文利用相关性分析确定预测模型的输入因子,经过研究确定建模温、湿度、光照强度为输入因子,土壤湿度作为期望输出。本文在BP神经网络对茶园墒情预测研究基础上,并引入了LM算法优化神经网络模型,且将传统神经网络预测结果与LM算法优化后的神经网络模型预测结果误差进行比较,发现优化的神经网络对土壤墒情预测拟合度更高一点,预测效果更好,能够更准确的反映茶园土壤墒情变化情况。为了证明优化后的神经网络模型具有较好的预测效果,更适合运用与茶园墒情预测工作,本文建立一种基于ARX模型的土壤墒情预测,通过比较二种模型的拟合度、相对误差值、均方误差,得出优化后的神经网络更适于土壤墒情预测和分析,对于复杂条件的地区具有广泛的适应性,对后期的预测方法推广具有重要意义。(本文来源于《安徽农业大学》期刊2018-06-01）
牛宏飞[8]（2018）在《土壤墒情预测模型对比研究》一文中研究指出土壤墒情指田间土壤含水量及其对应的作物水分状态。作为对农作物生长有着重要影响和制约作用的指标,人们一直在努力实现对土壤墒情的实时掌握,以指导农作物耕作、制定灌溉制度、发展智慧农业等。本文以北京市顺义区、延庆区和大兴区为例,采用5种不同的墒情预测模型,对3种预测时段下模型的预测性能进行了检验,并进行了系统的对比分析,探讨适合研究区域的最佳土壤墒情预测模型。具体内容包括:(1)研究区概况分析。北京地区土壤质地主要为砂壤土和轻壤土,其中砂壤土主要分布在东北,轻壤土主要分布在西南;最近10年的降水量呈缓慢的增长趋势,且年际波动较大,年内的分布也很不平均,呈东北向西南递减的趋势;最近5年的墒情呈缓慢增长趋势,年内以8月份左右墒情最高,年初最低,空间上顺义、密云、平谷3区的土壤含水量较大,怀柔为最小。(2)影响因子的选择与分析。选定气温、气压、湿度、风速、地温、降雨、时段初墒值为墒情预测的影响因子,经相关分析,确定其与土壤墒情间存在着显着的相关关系,可以将其作为预测影响因子。(3)模型的率定与训练。研究采用线性回归模型、BP神经网络模型、PCA-RBF神经网络模型、GEP模型和深度学习模型5种模型来进行,通过对基础数据的分析与学习,对比不同参数下模型的预测性能,择优选取参数完成对模型的率定,并使模型具有一定的预测能力。(4)模型的检验与对比分析。对5种模型预测的可行性进行检验,预测结果与实测数据的相关系数最小为0.593,属于强相关,确定了5种预测模型的可行性;且随着预测时段的延长,模型预测结果的相关系数减小。在此基础上采用相关系数(R~2)、平均相对误差(MRE)、平均绝对误差(MAE)和均方根误差(RMSE)4个指标对模型进行对比分析,综合4个评价指标,深度学习模型的预测性能最佳,模型预测数据与实测数据的相关性强、误差小且数据的离散性较低,其次依次为GEP模型、PCA-RBF神经网络模型和BP神经网络模型,最差的是线性回归模型。研究对比分析了不同模型的预测性能,以及不同模型的特点,综合评价了不同模型的适用性,为实际的预测应用提供了理论基础。(本文来源于《沈阳农业大学》期刊2018-06-01）
张向磊[9]（2018）在《农田土壤墒情预测系统设计与研究》一文中研究指出土壤墒情主要用于反映两个方面的含水量:一是农作物耕作层的土壤含水量;二是农作物对土壤水分的吸收量。土壤墒情对于农作物的根系生长起到了直接的影响,是一项重要的因素。但是从当前的情况看,土壤墒情绝大多数的检测和预告方法都比较的费时费力,而且在时效性方面也比较差,难以对土壤墒情变化情况进行及时反映。在互联网及信息技术的快速发展下,土壤墒情预告如果使用更多的信息化技术,则能对土壤墒情的数据处理效率进行有效的提升,最终强化我国农业用水的效率,成为抗旱部门的重要决策依据。所以此次研究以农田土壤墒情预告系统模型的构建作为对象,对以下内容进行了深入研究:(1)土壤墒情的数据采集是第一步,所以首先对土壤水分数据采集的相关移动终端进行设计,此次设计的是ASW-4移动终端,这种型号的移动终端可以对土壤样本里的水分含量进行快速的测量,而这些数据还能利用GPRS发回数据中心,同时还具备了GPS功能,这种功能可以对采样点坐标的相关信息进行定位。ASW-4移动终端相对来说成本比较低,而且在操作方面非常的简便,一般不受地理位置的限制,有着很高的灵活性,在配合固定监测站的情况下,就能够在区域覆盖方面能够做到均匀而全面。(2)此次设计开发的农田土壤墒情信息系统是以GIS技术为基础的。这个系统能够对ASW-4移动终端传输过来的数据进行接收,同时还对扩展接口进行了预留,此外还能对固定监测站的数据进行相应的接收。在功能方面,不但有数据采集,还有数据管理、数据储存、数据显示以及数据传输等功能,对于采样点的土壤含水量变化能够实时监测与预告,并通过图形的方式展现出来。系统结合了土壤水分和农作物生长期,可以作出比较精确的土壤墒情分析,进而掌握监测区域土壤墒情的整体趋势。(3)此次研究的BP神经网络学习样本的数据采集点为新乡市原阳县元武镇固定墒情监测站,通过BP神经网络技术构建土壤墒情预告系统模型。经过相关的分析,预告模型的输入变量为叁个层次的土壤样本含水量、研究区的降水量、平均温度、空气湿度以及日照时间,而输出变量则是次日土壤样本第二层次的含水量,通过该流程实现土壤墒情预告模型的构建,最后采用遗传算法对BP神经网络进行优化,目的是为了提升预告模型的信息预告精度。此次研究成果已在新乡市卫滨区、牧野区、获嘉县、原阳县、延津县等地进行了推广使用,按照实际应用情况,系统可以稳定地运行,提高了监测效率与和预告效率,确保了当地的农业生产。(本文来源于《河南科技学院》期刊2018-06-01）
曹小洁,杜红娟,李亚涛[10]（2018）在《重庆市墒情分析评价预测系统的设计与实现》一文中研究指出结合重庆市墒情、水雨情等自动监测系统,考虑主要作物种类、分布区域、播种面积、耕作制度、生育期间各生长发育指标,以及不同区域、深度的田间持水量,对已建立土壤墒情监测点的地区,采用土壤相对湿度评估农业墒情;对于尚未建立墒情监测站但已建立雨量监测站点的雨养农业区,采用降水量距平法或连续无雨日数法,进行墒情分析评价,用衰减系数法预测墒情的变化趋势。采用B/S开发模式,利用Flex通过天地图在线服务进行地图显示,采取IIS发布模式,基于Web Services的数据服务模式,设计一套基于Web GIS的墒情监测分析评价预测系统,通过相关评价指标反映农林作物土壤的干旱情况,并能结合天气情况预测未来墒情数据,为安排农业用水提供技术支撑,减少干旱灾害损失。(本文来源于《水利信息化》期刊2018年02期）
墒情预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
黄河干流引黄灌区农业灌溉用水占整个黄河用水量的80%左右,是黄河经济用水的主体,对农业需水过程的精确预测是实现黄河水资源精细化调度的难点。本文立足于历史引水资料,分析了黄河干流灌区引黄用水时空分布、用水关键期及用水影响因素,建立了黄河干流河段灌区引黄用水预测统计模型;采用遥感技术实时获取土壤墒情的空间分布信息,研究了多因素影响下土壤含水量的变化机理及土壤墒情动态预测方法,建立了典型灌区引黄需水预测模型,为准确获取并预测农业用水需求信息、优化黄河调度方案提供理论支撑。主要取得了以下成果:(1)在对比实测资料的基础上,采用逐步回归法、基于模糊贴近度的选择回归法、BP神经网络法、支持向量机法,建立了适用于黄河宁夏、内蒙古、河南、山东河段的年引黄用水预测模型和月引黄用水预测模型。(2)提出了用于遥感的土壤墒情监测指数(CI),以综合描述灌区农作物的作物类型、作物生长期和作物供水状况等信息。结合站点实测土壤含水量数据,建立了基于TVDI的灌区平均土壤含水量反演公式,研究了基于CI的作物不同生长期的土壤墒情遥感监测指标,,实现了遥感影像直接监测灌区土壤墒情。(3)运用水量平衡原理、时间序列模型、灰色模型和神经网络模型对灌区土壤墒情动态变化过程进行了预测,提出了适用于引黄灌区土壤墒情动态预测方法。建立了以特征气温为主要输入参数的作物需水量计算方法,通过试验研究,建立了有效降水量计算方法和作物地下水利用量预测公式,为土壤墒情动态预测模型输入参数的确定奠定基础。(4)构建了典型灌区引黄用水需求模型,以RS获取灌区当前土壤含水率的栅格数据为基础,以地下水埋深类型、土壤类型、工程分布、作物种植类型等划分计算单元开展数据处理与计算,计算结果和实际引黄结果吻合较好。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
墒情预测论文参考文献
[1].杨倩,严凯,姚凯学,何勇.优化BP网络在农业墒情站数据预测中的应用研究[J].物联网技术.2019
[2].王玮.黄河干流灌区土壤墒情动态预测与用水需求模型研究[D].西安理工大学.2019
[3].任菊章,陶云,陈艳,段长春.基于土壤墒情对云南干旱评估预测模型分析[C].第35届中国气象学会年会S5气候变暖背景下干旱灾害形成机制变化与监测预测及其影响评估.2018
[4].李雨鸿,李辑,王婷,胡春丽,宋晓巍.辽宁省土壤墒情预测方法研究[C].第35届中国气象学会年会S5气候变暖背景下干旱灾害形成机制变化与监测预测及其影响评估.2018
[5].张卓宇,杨联安.基于RK的土壤墒情预测[J].地下水.2018
[6].牛宏飞,张钟莉莉,孙仕军,郑文刚,王材源.土壤墒情预测模型对比[J].中国农业大学学报.2018
[7].王露娇.基于神经网络的茶园土壤墒情预测方法研究[D].安徽农业大学.2018
[8].牛宏飞.土壤墒情预测模型对比研究[D].沈阳农业大学.2018
[9].张向磊.农田土壤墒情预测系统设计与研究[D].河南科技学院.2018
[10].曹小洁,杜红娟,李亚涛.重庆市墒情分析评价预测系统的设计与实现[J].水利信息化.2018