论文部分内容阅读
中国是一个农业大国,高效的灌溉利用率可以有效地提高农业产量、充分发挥灌溉作用,产生较大的经济效益。利用少数重要的气象因子,对作物蒸发蒸腾量(ET)进行精确估算,根据其蒸发蒸腾量来进行灌溉,从而达到节约水资源和作物高产量的双收益。这对于中国农业发展,水资源的利用都有着非常重要的意义。 本文以河北农业大学机电工程学院温室为试验场所,针对北方日光温室内作物的蒸发蒸腾规律和环境因子特点,从基质含水率和环境参数两个方面对作物蒸发蒸腾量ET进行研究。根据此内容进行了试验的整体设计,包括传感器的选型、数据采集与传输以及硬件系统的调试等。通过此方案,可以对试验所需数据进行实时记录和保存,为试验的深入研究打下基础。 本文采用无土栽培,以椰糠为基质,作物在栽培槽内生长,利用栽培槽内不同深度的三个水分传感器含水率来估算栽培槽的整体含水量。由于温室内作物的主要失水来自于作物本身的蒸发蒸腾,利用基质含水率估算ET时,含水量的减少即为作物蒸发蒸腾量。以灌水后传感器的含水率变化值为自变量,灌水量为因变量,分别建立多元线性回归模型和BP神经网络模型来估算栽培槽整体含水量,经校验发现BP神经网络模型精度更高。应用此模型,以当日灌水后三个水分传感器的含水率与次日灌水前三个水分传感器的含水率差值作为输入量,可得基于基质湿度的ET预测值。 利用环境温湿度估算ET时,由P-M公式可知,环境参数如温度、湿度、辐射等对作物的蒸发蒸腾量影响很大,对这几个参数做Pearson相关性分析,发现辐射与温度相关性为0.829,与湿度相关性为-0.821,用温度、湿度来替代辐射这一项。以此建立以温室内日平均环境温度、日平均环境湿度为输入量,电子秤当日和次日同时刻的重量差值为输出量的多元线性回归模型和BP神经网络模型,经校验,得出BP神经网络具有更高的建模精度。为了进一步优化环境参数模型,采用日平均环境温度、日平均环境湿度、日最高环境温度、日最低环境温度四个量为输入,电子秤当日和次日同时刻的重量差值为输出,建立多元线性回归模型和BP神经网络模型,经校验,发现BP神经网络模型精度更高。对以上建立的两因子模型和四因子模型进一步比较分析,四因子模型精度更高。 本文从基质含水率和环境温湿度两个方面入手来估算ET,并分别建模,对这两个方面挑选出来的模型再进行比较分析,发现基于基质湿度的BP神经网络模型相对误差在10%以下。基于日平均环境温度、日平均环境湿度、日最高环境温度、日最低环境温度四个因子建立的BP神经网络模型相对误差均在5%以下,精度更高,可以更精确的预测ET,在实际应用中具有推广应用的价值。