作物水分生产函数更正.docVIP

节水灌溉技术课程小论文 题目： 冬小麦水分生产函数及水肥耦合研究 学院： 7K利电力学院 专业： 农业水利工程 班级： 农水］班 学号： 20 13 年 10 月 21 H 黑龙江大学水利电力学院 冬小麦水分生产函数及水肥耦合关系试验研究 分别对冬小麦水分生产函数及水肥耦合关系进行试验研究，分析了冬小麦山间水分 转化与消耗规律以及水分、肥料对冬小麦产量的影响，建立了冬小麦水分主产函数Jensen模 型和人工神经网络(ANN)模型，为冬小麦节水高效灌溉制度的制订捉供了基本依据。 关键词：水分生产函数；水肥耦合关系；冬小麦 1、冬小麦水分生产函数研究 1冬小麦水分生产函数的Jensen模型 Jensen模型是水分生产函数研究中最常用的模型之一，其形式为: (1) 式屮n代表作物牛育阶段数；i为牛育阶段编号；ETai, Eh分别为笫阶段的实际腾发量伽)、 潜在腾发M (mm) ； Y“为实际腾发量对应的实际产量(kg/hin^) ； Y”为潜在腾发量对应的作物 潜在产量，即充分供水条件下的作物产量(kg/him)； M为第i生育阶段的水分敏感指数， 反映阶段缺水对产量的影响程度。 研究结果表明，水分敏感指数具有-?定的累加性，可以用logistic曲线來描述敏感指数 累积曲线，即： (Zt)= P (Zt)= Pt=l+e- (2) 式中3, b, C为经验参数。根据以上累积曲线，可以计算出时段S?t2的水分敏感指数 为： 九=(Zt2)-(Zt1) 在本研究中，采用以下4种方法来推求水分敏感指数：将Jensen模型线性化后利用最小 二乘法确定水分敏感指数，记为OLSR；将Jensen模型线性化后利川偏授小二乘法确定水分 敏感指数，记为PLSR；利用遗传算法等非线性优化方法直接确定Jensen模型中的水分敏感指 数，记为NLR；利用遗传算法等非线性优化方法确定水分敏感指数累积曲线的参数a、b、c, 然后利用式(3)计算出各生育阶段的水分敏感指数入i,记为CC。 (4)水分敏感指数的拟合结果见表1，其屮PLSR方法的拟合结果为： (4) 拟合 X 1 入2 入3 入1 A. 5 A 6 方法 播种一 越冬一 返青一 拔节一 抽穗一 淋浆一 越冬 返青 拔节 抽穗 灌浆 收获 OLSR 0. 020 0 0. 040 7 0.164 3 0.419 2 0. 259 3 0. 155 6 PLSR 0.019 8 0. 044 2 0. 171 3 0. 424 2 0. 267 4 0. 158 2 NLR 0. 032 7 0. 027 9 0.171 7 0. 437 7 0. 239 5 0. 142 5 CC 2e- 6 0. 120 0.217 4 0. 420 2 0. 257 2 0. 104 9 1.0269 | +^17.58-0.07781 农1潇河试验站冬小麦水分敏感指数拟合结果 从表1可以看出，以上4种方法得到的水分敏感指数有一定的差别，但总休变化规律一 致。在6个生育阶段中，后4个阶段水分敏感指数较大，其中拔节一抽穗阶段的水分敏感指数 最大，?其次是抽穗一灌浆阶段，最后是返青一拔节和灌浆一收获；播种一越冬和越冬一返青 两个阶段的水分敏感指数最小，与其他阶段水分敏感指数相比，儿乎可以忽略。 1.2冬小麦水分生产函数的人工神经网络模型 人工神经网络（Artificial neural network,以下简称（ANN）是当前非线性科学屮应 用较为广泛的一?个分支。ANN中最常用的是基于BP算法的前馈式神经网络，即BP神经网 络。BP网络具有较强的口学能力和处理非线性问题能力，近年来在有关工程领域得到了广 泛的应川。在木项研究中，利用BP网络來描述水分对冬小麦产量的影响，取得了较好的效 果。 在BP模型用于描述作物水分纶产函数时，以各生长阶段的腾发量为网络的输入，以作物 产量作为输出（如图1所示）。图1中表示输入层至隐含层的权值，表示隐含层至输出层的权重, 和分別是隐含层和输出层的阈值。网络参数（权重和阈值）可以根据-定数量的训练样本利用 BP算法与遗传算法（GA）相结合对网络进行训练得到。 图1作物水分生产函数BP网络结构示意图 根据潇河试验站试验数据，ANN设6个输入节点，分别代表6个阶段的相対腾发量；山于样 本数量较少,隐含层节点数设为2；这样网络结构为6-2-1 o以1990、1992、1993、1995年为 训练年，1994年为校准年，1989年为校核年，训练得到的网络权值和阈值见表2。可以看出, BP网络对训练样本、校准样本和校核样本均具有较高的拟合精度，表明BP网络用于描述作 物——水分关系是可行的，为作物水分生产函数的研究提供了一种新的途径。 Wij Qi Tn Qi