冬小麦需水量的预测模型对比分析

doi:10.6048/j.issn.1001-4330.2024.07.004

新疆农业科学 ›› 2024, Vol. 61 ›› Issue (7): 1590-1596.DOI: 10.6048/j.issn.1001-4330.2024.07.004

• 作物遗传育种·种质资源·分子遗传学·耕作栽培·生理生化 • 上一篇下一篇

冬小麦需水量的预测模型对比分析

杜云¹(), 张婧婧¹(), 雷嘉诚¹, 李博¹, 李永福²

1.新疆农业大学计算机与信息工程学院/智能农业教育部工程研究中心/新疆农业信息化工程技术研究中心,乌鲁木齐 830052
2.新疆农业科学院土壤肥料与农业节水研究所,乌鲁木齐 830091

收稿日期:2023-11-07 出版日期:2024-07-20 发布日期:2024-09-04
通信作者: 张婧婧(1981-),女,湖南宁乡人,副教授,研究方向为农业信息化技术,(E-mail)zjj@xjau.edu.cn
作者简介:杜云(1997-),男,河北保定人,硕士研究生,研究方向为智慧农业,(E-mail)1137072153@qq.com
基金资助:
新疆维吾尔自治区重大科技专项“农场数字化及智能化关键技术研究”(2022A02011-2);科技创新2030—“新一代人工智能”重大项目(2022ZD0115805)

Forecasting method of water requirement of winter wheat

DU Yun¹(), ZHANG Jingjing¹(), LEI Jiacheng¹, LI Bo¹, LI Yongfu²

1. College of Computer and Information Engineering, Xinjiang Agricultural University/Engineering Research Center of Intelligent Agriculture Ministry of Education/Xinjiang Agricultural Informatization Engineering Technology Research Center,Urumqi 830052, China
2. Institute of Soil Fertilizer and Agricultural Water Saving, Xinjiang Academy of Agricultural Sciences,Urumqi 830091, China

Received:2023-11-07 Published:2024-07-20 Online:2024-09-04
Supported by:
Key Science and Technology Project of Xinjiang Uygur Autonomous Region "Farm Digitization and Intelligent Key Technology Research"(2022A02011-2);2030 Science and Technology Innovation Project "New Generation of Artificial Intelligence Special Fund(2022ZD0115805)

摘要/Abstract

摘要：

【目的】构建冬小麦需水量预测模型,提高需水量预测的精准度,为基于气象信息的需水量预测提供更为可靠的方法。【方法】选取新疆奇台县近5年的气象数据,采用公式Penman-Monteith计算冬小麦需水量(近似为真实需水量),基于CNN-BiLSTM模型,将平均温度、风速、湿度和降水量4个变量作为输入参数,预测冬小麦需水量,对比评估预测CNN-BiLSTM与LSTM、BiLSTM等6种模型的精准性。【结果】采用少量参数分别输入BP、RNN、LSTM、改进的BiLSTM和CNN-BiLSTM等模型中预测需水量,BP神经网络的预测效果较差。在模型评估中,CNN-BiLSTM比LSTM的R²提高约8%,MSE降低约0.56。【结论】CNN-BiLSTM模型对小麦需水量预测更加精准。

关键词: 冬小麦; 需水量; 预测; LSTM; CNN-BiLSTM

Abstract:

【Objective】Based on the meteorological data related to water demand forecasting of winter wheat, a water demand forecasting model with fewer parameters was constructed to improve the robustness of water demand forecasting,provides a more reliable method for forecasting water demand based on meteorological information.【Methods】Meteorological data of Qitai County in recent five years were selected, and the water requirement of winter wheat calculated by Penman-Monteith formula was approximately the real water requirement. Four variables including average temperature, wind speed, humidity and precipitation were taken as input parameters. The water requirement of winter wheat was forecasted, and the prediction of CNN-BiLSTM was compared with that of LSTM, BiLSTM and other 6 models. 【Results】The results showed that when a few parameters were fed into BP, RNN, LSTM, improved BiLSTM and CNN-BiLSTM models to predict water demand, the prediction effect of BP neural network was poor. In the model evaluation, CNN-BiLSTM showed an R² improvement of about 14% over LSTM and a MSE reduction of about 3.8. 【Conclusion】CNN-BiLSTM model is more accurate in predicting wheat water demand.

Key words: winter wheat; water demand; forecast; LSTM; CNN-BiLSTM

中图分类号:

S512

杜云, 张婧婧, 雷嘉诚, 李博, 李永福. 冬小麦需水量的预测模型对比分析[J]. 新疆农业科学, 2024, 61(7): 1590-1596.

DU Yun, ZHANG Jingjing, LEI Jiacheng, LI Bo, LI Yongfu. Forecasting method of water requirement of winter wheat[J]. Xinjiang Agricultural Sciences, 2024, 61(7): 1590-1596.

图/表 8

参考文献 20

[1]	苏芳蕊. 小麦群体生长可视化系统的设计与实现[D]. 郑州: 河南农业大学, 2011.
	SU Fangrui. Design and Implementation of the Growing Visualization System for Wheat Population[D]. Zhengzhou: Henan Agricultural University, 2011.
[2]	2021年度《中国水资源公报》发布[J]. 水资源开发与管理, 2022, 8(7):85.
	China Water Resources Bulletin for 2021[J]. Water Resources Development and Management, 2022, 8(7):85.
[3]	Qin H H, Cai X M, Zheng C M. Water demand predictions for megacities: system dynamics modeling and implications[J]. Water Policy, 2018, 20(1): 53-76.
[4]	邓忠, 翟国亮, 宗洁, 等. 微灌系统堵塞机理分析与微灌过滤器研究进展[J]. 节水灌溉, 2014, (8): 71-74.
	DENG Zhong, ZHAI Guoliang, ZONG Jie, et al. Clogging mechanism analysis of micro-irrigation system and the advance of research on micro-irrigation filter[J]. Water Saving Irrigation, 2014, (8): 71-74.
[5]	胡程达, 方文松, 王红振, 等. 河南省冬小麦农田蒸散和作物系数[J]. 生态学杂志, 2020, 39(9): 3004-3010.
	HU Chengda, FANG Wensong, WANG Hongzhen, et al. Evapotranspiration and crop coefficient of winter wheat cropland in Henan Province[J]. Chinese Journal of Ecology, 2020, 39(9): 3004-3010.
[6]	董楠, 吕新, 侯振安, 等. 基于彭曼公式的膜下滴灌棉田灌水量研究[J]. 新疆农业科学, 2012, 49(4): 617-624.
	DONG Nan, LYU Xin, HOU Zhenan, et al. Study on the irrigation water amount under film mulch drip irrigation according to penman-monteith formula[J]. Xinjiang Agricultural Sciences, 2012, 49(4): 617-624.
[7]	白桦, 鲁向晖, 杨筱筱, 等. 基于彭曼公式日均值时序分析的中国蒸发能力动态成因[J]. 农业机械学报, 2019, 50(1): 235-244.
	BAI Hua, LU Xianghui, YANG Xiaoxiao, et al. Attribution analysis on changes in evaporation capacity based on mean diurnal time-series analysis of penman equation in China[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(1): 235-244.
[8]	李志新, 赖志琴, 龙云墨. 基于GA-Elman神经网络的参考作物需水量预测[J]. 节水灌溉, 2019, (2):117-120.
	LI Zhixin, LAI Zhiqin, LONG Yunmo. Prediction of reference crop water requirement based on GA-Elman neural network[J]. Water Saving Irrigation, 2019, (2):117-120.
[9]	刘洪山, 王卫星, 孙道宗, 等. 基于GA-BP神经网络的果园需水量预测[J]. 排灌机械工程学报, 2020, 38(12): 1258-1263.
	LIU Hongshan, WANG Weixing, SUN Daozong, et al. Prediction model of orchard water requirement based on BP neural network and genetic algorithm[J]. Journal of Drainage and Irrigation Machinery Engineering, 2020, 38(12): 1258-1263.
[10]	刘婧然, 刘心, 武海霞, 等. 基于GA优化的支持向量机模型在青椒作物需水量预测中的应用[J]. 节水灌溉, 2021, (1): 70-76.
	LIU Jingran, LIU Xin, WU Haixia, et al. Application of support vector machine model based on GA optimization in water consumption prediction of green peppers[J]. Water Saving Irrigation, 2021, (1): 70-76.
[11]	邓皓, 李文竹, 刘婧然, 等. 基于MIV-MEA-Elman神经网络的核桃果实膨大期需水量预测[J]. 节水灌溉, 2020, (4): 68-72.
	DENG Hao, LI Wenzhu, LIU Jingran, et al. Water demand prediction for walnut fruit during swelling period based on MIV-MEA-elman neural network[J]. Water Saving Irrigation, 2020, (4): 68-72.
[12]	夏泽豪, 翁绍捷, 罗微, 等. 基于灰色神经网络的作物需水量预测模型研究[J]. 中国农机化学报, 2015, 36(2): 219-223.
	XIA Zehao, WENG Shaojie, LUO Wei, et al. Crop water requirement forecasting model based on grey neural network[J]. Journal of Chinese Agricultural Mechanization, 2015, 36(2): 219-223.
[13]	王景雷, 康绍忠, 孙景生, 等. 基于贝叶斯最大熵和多源数据的作物需水量空间预测[J]. 农业工程学报, 2017, 33(9): 99-106, 315.
	WANG Jinglei, KANG Shaozhong, SUN Jingsheng, et al. Spatial prediction of crop water requirement based on Bayesian maximum entropy and multi-source data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(9): 99-106, 315.
[14]	赵实, 赵雷, 周玉良. 基于彭曼公式的宿州水面蒸发计算与分析[J]. 安徽农业科学, 2022, 50(23): 199-202.
	ZHAO Shi, ZHAO Lei, ZHOU Yuliang. Analysis of evaporation based on penman equation in Suzhou city[J]. Journal of Anhui Agricultural Sciences, 2022, 50(23): 199-202.
[15]	田旭浪. 伊犁河灌区滴灌小麦作物系数及灌溉制度优化研究[D]. 石河子: 石河子大学, 2022.
	TIAN Xulang. Optimization of wheat crop coefficient and irrigation system under drip irrigation in Yili River irrigation district[D]. Shihezi: Shihezi University, 2022.
[16]	崔丽珍, 张清宇, 郭倩倩, 等. 基于CNN-LSTM的井下人员行为模式识别模型[J/OL]. 无线电工程:1-9 [2023-04-24].
	CUI Lizhen, ZHANG Qingyu, GUO Qianqian, et al. Behavior pattern recognition model of downhole personnel based on CNN-LSTM[J/OL]. Radio Engineering: 1-9 [2023-04-24].
[17]	梁燕华, 沈奋博, 谢子殿, 等. 基于LSTM模型的冲击地压预测方法研究[J/OL]. 中国矿业:1-9 [2023-04-16].
	LIANG Yanhua, SHEN Fenbo, XIE Zidian, et al. Research on the prediction method of rock burst based on LSTM model[J/OL]. China Mining Industry:1-9 [2023-04-16].
[18]	余琼芳, 牛冬阳. 基于LSTM网络的矿山压力时空混合预测[J]. 电子科技, 2023, 36(2): 67-72.
	YU Qiongfang, NIU Dongyang. Mixed prediction of mine pressure time and space based on LSTM network[J]. Electronic Science and Technology, 2023, 36(2): 67-72.
[19]	刘泽, 张闯, 齐磊, 等. 基于CNN-BiLSTM的锂电池剩余使用寿命概率密度预测[J]. 电源技术, 2023, 47(1): 57-61.
	LIU Ze, ZHANG Chuang, QI Lei, et al. Prediction of probability density of remaining useful life of lithium ion battery based on CNN-BiLSTM[J]. Chinese Journal of Power Sources, 2023, 47(1): 57-61.
[20]	王欢, 李鹏, 曹敏, 等. 基于CNN_BiLSTM的长短期电力负荷预测方法[J]. 计算机仿真, 2022, 39(3): 96-103.
	WANG Huan, LI Peng, CAO Min, et al. Long-term and short-term power load online prediction method based on CNN_BiLSTM[J]. Computer Simulation, 2022, 39(3): 96-103.

日均温度 Average daily temperature (℃)	风速 Wind speed	相对湿度 Relative humidity	降水量 Precipitati on	小麦需水量 Wheat water requirement (mm)
22. 05	7	46	0	4.62
22. 05	2	62	0	3.41
21.2	2	21	0	8.08
20. 85	1	75	0	1.7
24.5	2	54	5	4.29
…	…	…	…	…
5.05	2	72	0	0.92
4.8	2	46	0	2.05
2.75	2	28	0	3.07
1.8	2	30	0	2.74
1.05	0	51	0	0.45

日均温度 Average daily temperature (℃)	风速 Wind speed	相对湿度 Relative humidity	降水量 Precipitati on	小麦需水量 Wheat water requirement (mm)
22. 05	7	46	0	4.62
22. 05	2	62	0	3.41
21.2	2	21	0	8.08
20. 85	1	75	0	1.7
24.5	2	54	5	4.29
…	…	…	…	…
5.05	2	72	0	0.92
4.8	2	46	0	2.05
2.75	2	28	0	3.07
1.8	2	30	0	2.74
1.05	0	51	0	0.45

参数 Parameter	参数值 Parameter value
卷积层 Convolution layer	卷积核个数: 128 卷积核维度:1维
池化层 Pooled layer	最大池化窗口大小: 1
BILSTM层 BiLSTM layer	神经元个数64
训练参数设置 Training par ameter setting	Dropout随即失活: 0.1 优化器: Adan Epoch: 100

参数 Parameter	参数值 Parameter value
卷积层 Convolution layer	卷积核个数: 128 卷积核维度:1维
池化层 Pooled layer	最大池化窗口大小: 1
BILSTM层 BiLSTM layer	神经元个数64
训练参数设置 Training par ameter setting	Dropout随即失活: 0.1 优化器: Adan Epoch: 100

模型 Model	R²	MAE	MSE	RMSE
BP神经网络	0.803	0.932	1.347	1.16
RNN	0.7958	0.933	1.394	1.181
单层LSTM	0.8496	0.793	1.047	1.023
两层LSTM	0.889 4	0.606	0.782	0.884
三层LSTM	0.867 7	0.575	0.853	0.924
BiLSTM	0.890 1	0.593	0.727	0.853
CNN-BiLSTM	0.928 9	0.4	0.486	0.687

冬小麦需水量的预测模型对比分析

Forecasting method of water requirement of winter wheat

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 20

相关文章 15

编辑推荐

Metrics

[1]	张妮, 郑志伟, 豆静静, 王义坤, 张艳芬, 刘春来. 参考作物蒸散量的计算及不同作物灌溉需水量的特征分析[J]. 新疆农业科学, 2024, 61(7): 1640-1647.
[2]	王慧楠, 朱静, 谢文文, 何子璇, 柏晓玉, 朱艳蕾, 张志东. 一株海洋杆菌属新菌种XAAS-72^T的植物促生功能分析及ACC脱氨酶蛋白结构预测[J]. 新疆农业科学, 2024, 61(7): 1778-1785.
[3]	王润琪, 贾永红, 王玉娇, 刘跃, 李丹丹, 董艳雪, 古力尼尕尔·吐尔洪, 张路路, 张金汕, 石书兵. 不同滴灌量对匀播冬小麦生长发育和产量的影响[J]. 新疆农业科学, 2024, 61(5): 1048-1056.
[4]	谢忠, 叶含春, 王振华, 李海强, 刘健, 陈睿, 许宇双. 浅埋滴灌水氮配施对冬小麦生长发育、产量及水分利用效率的影响[J]. 新疆农业科学, 2024, 61(5): 1057-1066.
[5]	张钊, 张贵龙, 汤秋香, 闫雪影, 张艳军. 有机无机肥配施对潮土麦田肥力和冬小麦产量的影响[J]. 新疆农业科学, 2024, 61(5): 1067-1076.
[6]	陈传信, 张永强, 聂石辉, 孔德鹏, 赛力汗·赛, 徐其江, 雷钧杰. 生物质炭施用量对滴灌冬小麦生长发育和产量的影响[J]. 新疆农业科学, 2023, 60(9): 2146-2151.
[7]	王立红, 张宏芝, 张跃强, 李剑峰, 王重, 高新, 时佳, 王春生, 夏建强, 樊哲儒. 不同产量水平冬小麦产量差异形成的干物质生产、转运及氮肥利用分析[J]. 新疆农业科学, 2023, 60(9): 2152-2162.
[8]	王晓雨, 王小平, 史文宇, 刘美艳, 马健, 郭云鹏, 宋瑞欣, 王清涛. 拔节期冬小麦光合特性、干物质积累和产量对干旱胁迫的响应[J]. 新疆农业科学, 2023, 60(9): 2163-2172.
[9]	杨红梅, 张跃强, 史应武, 吾买尔江·库尔班, 林青, 王宁, 楚敏, 曾军. 不同类型叶面肥喷施对冬小麦籽粒产量和品质的影响[J]. 新疆农业科学, 2023, 60(9): 2182-2188.
[10]	张永强, 陈传信, 聂石辉, 徐其江, 赛力汗·赛, 雷钧杰. 矮壮素滴施时期对冬小麦茎秆抗倒伏能力的调控分析[J]. 新疆农业科学, 2023, 60(8): 1873-1878.
[11]	郑贺云, 姚军, 李超, 张翠环, 耿新丽. 不同贮藏温度对甜瓜品质的影响及预测模型建立[J]. 新疆农业科学, 2023, 60(8): 1950-1957.
[12]	田文强, 董艳雪, 史永清, 雷钧杰, 孙刚刚, 王泓懿, 聂凌帆, 郭飞, 艾洪玉, 石书兵, 张金汕. 播期对超晚冬麦茎秆性状及群体动态的影响[J]. 新疆农业科学, 2023, 60(6): 1301-1307.
[13]	张永强, 陈传信, 徐其江, 聂石辉, 雷钧杰, 刘昌文. 氮肥增效剂与氮肥减量配施对冬小麦叶片生理及产量的影响[J]. 新疆农业科学, 2023, 60(6): 1319-1325.
[14]	罗四维, 贾永红, 张金汕, 王凯, 李丹丹, 王润琪, 董艳雪, 石书兵. 不同滴头间距和毛管间距对匀播冬小麦土壤水分空间分布、根系形态及产量的影响[J]. 新疆农业科学, 2023, 60(6): 1344-1352.
[15]	田文强, 郭飞, 聂凌帆, 孙刚刚, 王泓懿, 史永清, 尚艳明, 吴利, 石书兵, 张金汕. 超晚播对冬小麦光合特性、干物质积累及产量的影响[J]. 新疆农业科学, 2023, 60(5): 1059-1066.