旨为精准确定在充分供水状态下栓皮栎幼苗的叶气温差与大气饱和水汽压差(VPD)的线性回归关系,从而对前人得出的CWSI(crop water stress index)经验模型进行优化。在河南农业大学林学院科研基地盆栽栓皮栎幼苗,用干湿参考面法,测定气温...旨为精准确定在充分供水状态下栓皮栎幼苗的叶气温差与大气饱和水汽压差(VPD)的线性回归关系,从而对前人得出的CWSI(crop water stress index)经验模型进行优化。在河南农业大学林学院科研基地盆栽栓皮栎幼苗,用干湿参考面法,测定气温、太阳辐射、叶气温差、大气饱和水汽压差,通过能量平衡原理理论分析和计算,确定栓皮栎幼苗的CWSI模型合理的上、下基线。结果表明:1)干参考面条件下,栓皮栎幼苗的叶气温差同太阳辐射为显著正相关关系,可以确定CWSI经验模型中的上基线为一直线:Δt_(干)=0.007 Q+1.621;2)在湿参考面下,栓皮栎幼苗的叶气温差Δt_(湿)同大气饱和水汽压差(VPD)V为负相关关系,直线回归关系显著,得到CWSI经验模型中优化后的下基线:Δt_(湿)=-1.218 V+1.987;3)用所得上下基线优化CWSI模型计算栓皮栎幼苗CWSI值,与土壤水分的线性关系显著;4)能量平衡方程的热量收支计算方法可以更准确确定叶气温差与VPD的关系,进而优化CWSI模型。展开更多
在茶园水资源管理中,蒸散量(Evapotranspiration,ET)是评估作物水分需求的关键指标,由于茶园蒸散量预测具有时序性、不稳定性以及非线性耦合等特点,目前的茶园蒸散量预测模型存在预测精度较低的问题,针对此问题本文提出了一种新型的茶...在茶园水资源管理中,蒸散量(Evapotranspiration,ET)是评估作物水分需求的关键指标,由于茶园蒸散量预测具有时序性、不稳定性以及非线性耦合等特点,目前的茶园蒸散量预测模型存在预测精度较低的问题,针对此问题本文提出了一种新型的茶园蒸散量预测模型。首先使用互信息算法(Mutual information,MI)与主成分分析算法(Principal component analysis,PCA)相融合的数据处理算法(MIPCA),筛选强相关的特征并提取主成分;其次将时域卷积网络(Temporal convolutional network,TCN)与Transformer融合,利用灰狼算法(Grey wolf optimization,GWO)优化超参数,捕捉茶园数据的全局依赖关系;最后整合2个网络构建了MIPCA-TCN-GWO-Transformer模型,通过消融试验和对比试验验证了模型性能,并对模型在不同时间步长下的性能进行测试。结果表明,该模型平均绝对百分比误差(Mean absolute percentage error,MAPE)、均方根误差(Root mean square error,RMSE)和决定系数(Coefficient of determination,R^(2))3个评价指标分别为0.015 mm/d、0.312 mm/d和0.962,优于长短期记忆模型(Long short term memory,LSTM)等传统预测模型。在小时尺度、日尺度和月尺度下的R^(2)分别为0.986、0.978和0.946,在不同时间步长下展现了良好的适应性和准确性。本文构建的MIPCA-TCN-GWO-Transformer模型具有较高的预测精度和稳定性,可为茶园水资源优化管理和灌溉制度制定提供科学参考。展开更多
文摘在茶园水资源管理中,蒸散量(Evapotranspiration,ET)是评估作物水分需求的关键指标,由于茶园蒸散量预测具有时序性、不稳定性以及非线性耦合等特点,目前的茶园蒸散量预测模型存在预测精度较低的问题,针对此问题本文提出了一种新型的茶园蒸散量预测模型。首先使用互信息算法(Mutual information,MI)与主成分分析算法(Principal component analysis,PCA)相融合的数据处理算法(MIPCA),筛选强相关的特征并提取主成分;其次将时域卷积网络(Temporal convolutional network,TCN)与Transformer融合,利用灰狼算法(Grey wolf optimization,GWO)优化超参数,捕捉茶园数据的全局依赖关系;最后整合2个网络构建了MIPCA-TCN-GWO-Transformer模型,通过消融试验和对比试验验证了模型性能,并对模型在不同时间步长下的性能进行测试。结果表明,该模型平均绝对百分比误差(Mean absolute percentage error,MAPE)、均方根误差(Root mean square error,RMSE)和决定系数(Coefficient of determination,R^(2))3个评价指标分别为0.015 mm/d、0.312 mm/d和0.962,优于长短期记忆模型(Long short term memory,LSTM)等传统预测模型。在小时尺度、日尺度和月尺度下的R^(2)分别为0.986、0.978和0.946,在不同时间步长下展现了良好的适应性和准确性。本文构建的MIPCA-TCN-GWO-Transformer模型具有较高的预测精度和稳定性,可为茶园水资源优化管理和灌溉制度制定提供科学参考。