一种多源作物需水量整合方法与流程

本发明属于农业水土工程技术领域，具体的涉及一种多源作物需水量整合方法。

背景技术：

作物需水量是水土资源平衡计算、灌溉工程规划设计与运行管理中不可或缺的基础数据。国内外提出了很多测定和估算作物需水量的方法。这些方法在其各自的应用范围内虽然都有一定的精度，但也有各自的特点：通过布设监测站点测定的作物需水量精度较高，但受人力、物力、技术手段及外部大环境影响，数据存在缺失现象，如20世纪80年代建立的灌溉试验数据库，虽具有一定的系统性，但不少站点在个别时间仍有缺失现象。利用常规气象观测资料采用作物系数法计算的作物需水量，尽管也具有一定精度，但同样存在数据缺失问题。利用遥感获取的作物需水信息多是不同空间粒度的瞬时面数据，要想获得多年平均的整个生育期需水量必须进行时空尺度转换，在时空尺度转换过程中常常产生一定程度的不确定性。另外，研究论文和课题报告也是作物需水信息来源之一，但其通常是某一具体年份的历史数据，缺乏系统性。综上所述，作物需水量数据来源多，存在时空错位，系列长度短等问题，导致不少数据难以满足灌溉工程规划、设计及精细管理的实际需求。

灌溉工程的规划、设计要求数据系列不宜少于30年，但目前严格满足该要求的站点却很有限，与此同时，国内相关部门进行了大量研究试验，采用不同的方法或技术手段获取了大量数据，如何充分利用这些宝贵的数据一直是让人头疼的难题。本申请充分考虑不同来源数据的特点及影响作物需水量的主要因素，考虑作物需水量中所蕴含的先验知识及约束条件，采用bme方法对不同来源的作物需水量数据进行有机整合，对于提高稀疏站点大区域作物需水量的估算精度具有重要意义。

技术实现要素：

本发明针对现有技术难以考虑作物需水量所蕴含的先验知识，并且不同来源不同精度的作物需水量数据难以有效表达的问题，提出一种多源作物需水量整合方法。

本发明的技术方案是：一种多源作物需水量整合方法，包括以下步骤：

收集整理不同来源的作物需水量信息及其主要影响因素信息；

根据作物需水量的用途及要求，对不同来源的作物需水量信息进行分类；

根据作物需水量的特性，将定性知识转化为定量的数学约束，构建先验分布函数；

以适当的形式表示在特定时间、特定空间获取的作物需水量；

根据先验知识和获取的不同数据来源的作物需水量知识对构建的先验概率分布函数进行修正，进而获得作物需水量的后验概率分布函数；

用后验概率分布函数的数学期望表示整合后不同空间的作物需水量。

所述的多源作物需水量整合方法，所述收集不同来源的作物需水量信息及其主要影响因素信息，其中不同来源的作物需水量信息包括：实际测定的试验站点的作物需水量；利用常规气象资料，采用作物系数法计算的作物需水量；采用协同克立格方法空间化处理获得的作物需水量；采用pca和gwr方法获得的作物需水量；文献中的作物需水量以及遥感获取的作物需水量。

所述的多源作物需水量整合方法，所述收集不同来源的作物需水量信息及其主要影响因素信息，其中影响区域作物需水量空间分布的主要因素包括，宏观地形要素：经度、纬度和高程；微观地形要素：坡度、坡向和遮蔽度；对应生育期的主要气象要素：最高气温、最低气温、平均气温、风速、相对湿度、降雨、蒸发、日照时数、日较差。

所述的多源作物需水量整合方法，所述根据作物需水量的用途及要求，对不同来源的作物需水量进行分类包括：将系列长、精度高的作物需水量分为一类，将系列短、但仍有一定精度的作物需水量分为一类。

所述的多源作物需水量整合方法，所述根据作物需水量的特性，将定性知识转化为定量的数学约束，构建先验分布函数，其中定量约束包括：归一化约束、数学期望约束和方差约束。

所述的多源作物需水量整合方法，所述以适当的形式表示在特定时间、特定空间获取的作物需水量，包括：文献软数据和遥感软数据采用区间的形式进行表达，针对部分年份缺失的作物需水量数据，利用有限样本修正系数对方差进行修正，采用下式表示作物需水量的概率密度函数：

式中s²为样本得无偏估计量，n为有限样本数，n为总体样本数；

基于灌溉试验数据库的克里格数据和基于pca和gwr的作物需水量数据采用下式表达作物需水量的概率密度函数：

式中为利用协同克立格方法或其他方法获得的预测值，σ为标准差。

所述的多源作物需水量整合方法，所述根据先验知识和获取的不同数据来源的作物需水量知识对构建的先验概率分布函数进行修正，具体包括：利用公式对先验概率密度函数进行修正，式中和fg(χcwr)分别为基于所有知识的修正后的后验概率密度函数和先验概率密度函数。

所述的多源作物需水量整合方法，所述后验概率分布函数包括：后验概率分布函数数学期望和后验概率分布函数方差：其中，后验概率分布函数期望采用表达，当软数据为概率性分布形式时，后验概率分布函数期望可表示为：

式中为通过硬数据、软数据修正计算后的概率密度函数；整合结果的不确定性通常用方差来衡量。

所述的多源作物需水量整合方法，所述用后验概率分布函数的数学期望表示整合后不同空间的作物需水量，具体为：用后验概率分布函数的数学期望表示整合后不同空间的作物需水量，后验概率分布函数的方差表达作物需水量整合效果。

本发明的有益效果是：由以上技术方案可以看出，本发明既可以利用精度高、系列长的硬数据，也可以利用部分年份缺失的站点数据、可快速获取的遥感数据、文献及数据库中的历史数据和采用不同方法空间化处理的数据，通过对不同来源、不同精度的作物需水量数据进行整合，可显著提高稀疏站点大区域的作物需水量估算精度。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种多源作物需水量整合方法的流程示意图；

图2位不同来源数据的作物需水量样点空间分布图；

图3a为只利用硬数据的作物需水量空间分布图；

图3b为硬数据+文献数据整合的作物需水量空间分布图；

图3c为硬数据+克立格数据整合的作物需水量空间分布图；

图3d为硬数据+gwr数据整合的作物需水量空间分布图；

图3e为硬数据+除文献数据以外的其它软数据整合的作物需水量空间分布图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

本发明充分考虑不同来源数据的系列长短及精度高低，将精度高、系列长的数据做为硬数据，系列短，具有一定精度的作物需水量作为软数据，利用硬数据确定获得最大熵的约束条件，根据软数据获取渠道的不同，提出不同来源数据的概率密度函数表达方式，进而修正先验概率密度函数获得后验概率密度函数，以后验概率分布函数的数学期望表示整合后不同空间的作物需水量，其方差表达作物需水量整合效果。

实施例1：结合图1-图3e，一种多源作物需水量整合方法，包括如下几个步骤：

s100、收集整理不同来源作物需水量信息及其影响作物需水量空间分布的主要影响因素信息，其中：

不同来源的作物需水量信息包括：实际测定的试验站点的作物需水量，利用常规气象资料，采用作物系数法计算的作物需水量，采用协同克立格方法空间化处理获得的作物需水量、采用pca和gwr方法获得的作物需水量、文献中的作物需水量以及遥感获取的作物需水量，各种不同来源作物需水量的空间分布如附图2所示；

影响区域作物需水量空间分布的主要因素包括：宏观地形要素（经度、纬度和高程）、微观地形要素（坡度、坡向和遮蔽度）和对应生育期的主要气象要素（最高气温、最低气温、平均气温、风速、相对湿度、降雨、蒸发、日照时数、日较差）。

s200、根据作物需水量的用途及要求，对不同来源的作物需水量进行分类；

将系列长、精度高的作物需水量分为一类，做为硬数据，系列短、但仍有一定精度的作物需水量分为一类，做为软数据。

根据国家标准《灌溉与排水工程设计规范》要求，在进行灌溉设计保证率计算时，计算系列不宜少于30年，但我国不少灌溉试验站点试验系列并没有达到规范要求，由于fao-56推荐的利用常规气象要素计算作物需水量的作物系数法在中国华北地区精度较高，因此硬数据也包括利用常规气象要素（最长系列：1954－2013年）计算得到的计算系列超过30年的需水量数据。

采用协同克立格方法空间化处理获得的作物需水量、采用pca和gwr方法获得的作物需水量、文献中的作物需水量以及遥感获取的作物需水量做为软数据。

s300、根据作物需水量的特性，将定性知识转化为定量的数学约束，构建先验分布函数。根据作物需水量的特点，其定性知识转化为的定量约束包括：归一化约束、数学期望约束和方差约束。

s400、以适当的形式表示在特定时间、特定空间获取的作物需水量。

硬数据的表达：

由于这里的硬数据是实际测定或计算精度高的数据，因此52个点上作物需水量取这些硬数据值的概率为1，也即prob[xhard=χhard]=1。

文献数据的表达：

国内不少专家进行了黄淮海冬麦区的作物需水量试验，以关键词“华北地区”和“冬小麦需水量”从中国知网（http://www.cnki.net）数据库中全文检索，查到相关文献211条，剔除不相关的文献后，剩余28篇论文，涉及到河南19个站点、河北5个站点、山东9个站点，山西1个站点，北京2个站点。这些数据尽管有些是试验得到的实测数据，但由于这些数据与试验数据库、气象数据估算得到的数据时间或空间上不一致，并且这些数据系列均小于30年，但这些数据对一些站点的估算仍有一定的意义，因此对这些数据进行处理时，采用下列原则：如果同一站点的数据较多，则按区间数据处理，其最大最小值按所有试验或估算年份中的最大值、最小值，设其最大值为ui，最小值为li，则prob(li<χsoft<ui)=1。若站点与硬数据点重复，在数据整合时予以删除。

部分年份缺失的作物需水量数据表达：

在华北冬小麦适宜种植区内，有5个站点（定陶、垦利、平度、费县、陵县）的试验数据缺失较多，计算数据系列没有达到30年，这些数据尽管蕴含了较多作物需水量信息，但却存在一定的不确定性，因此将这些数据作为包含不确定信息的软数据（站点分布详见图2），这些数据简称年份缺失数据。

利用有限样本修正系数对方差进行修正，采用下式表示作物需水量的概率密度函数：

式中s²为样本得无偏估计量，n为有限样本数，n为总体样本数；

这里以定陶站为例说明方差的修正过程，定陶站共有19年的数据，根据式（6）可计算出这19年的数学期望（平均值）为420.02mm，根据式（8）可得到有限样本的s²=638.35，利用式（9）可得到定陶站的概率密度函数为fs(χsoft)=0.285ft(0.285xi−119.67)。

基于灌溉试验数据库的克立格数据表达：

以“灌溉试验数据库”中67个站点的（1961－1990）作物需水量及其生育期内主要气象要素为数据源，利用协同克立格方法，以日照时数、风速和高程作为协同因子对作物需水量进行空间化处理，可得到整个华北冬小麦种植区的冬小麦需水量和标准差的空间分布栅格图。采用随机采样工具获得274个站点的平均值（数学期望）和标准差，得到平均值和标准差后，根据下式得到数据的概率密度函数。这些软数据简称克立格软数据。

式中为利用协同克立格方法或其他方法获得的预测值，σ为标准差；

基于pca和gwr的作物需水量数据据表达：

考虑研究区内67个站点（1961－2004）的作物需水量为因变量，站点的宏观地形要素（经度、纬度和高程）、微观地形要素（坡度、坡向和遮蔽度）和对应生育期的主要气象要素（最高气温、最低气温、平均气温、风速、相对湿度、降雨、蒸发、日照时数、日较差）为自变量构建回归模型获取软数据。

遥感软数据采用区间的形式进行表达：

虽然遥感估算的需水量也具有一定的精度，但往往仅仅是1年或几年的数据，很难构成系列，所以这里按区间软数据进行处理。例如河北馆陶县董固监测的冬小麦需水量分别为338.1、320、252.5和320mm，则认为馆陶董固附近冬小麦的耗水量位于区间[252.5,338.1]的概率为1，也即prob(252.5<χsoft<338.1)=1。

s500、根据先验知识和获取的不同数据来源的作物需水量知识对构建的先验概率分布函数进行修正，得到作物需水量的后验概率分布函数。

对先验概率密度函数进行修正,通过下式实现:

式中和fg(χcwr)分别为基于所有知识的修正后的后验概率密度函数和先验概率密度函数。

s600、以后验概率分布函数的数学期望表示整合后不同空间的作物需水量，其方差表达作物需水量整合效果。其中后验概率分布函数的数学期望用下式表示：

当软数据为概率性分布形式时，其数学期望可用下式表示：

式中为通过硬数据、软数据修正计算后的概率密度函数。

整合结果的不确定性通常用方差来衡量：

根据s100-s600得到的不同来源数据的整合结果如图3a-3e所示。

从图中可知，5种数据源得到的空间分布结果，整体上呈现豫南地区作物需水量小，中部地区黄河北岸有连片的相对高值区，山东需水量相对较高，冀东北的乐亭、唐山附近有相对低值区。图3c、图3d与图3a相比，豫南地区整体上变化不大，山东的中部及西北部高值区连成一片，乐亭、唐山附近的低值区变小，北京以北、保定西北等研究区边缘部分出现了部分高值区，发生这些变化的主要原因是研究区边缘满足规范要求的硬数据站点稀疏，同时附近的硬数据站点作物需水量相对较低，导致图3a的研究区北部出现较大的低值区，加之图3c、图3d所利用的克立格软数据和gwr软数据是根据“灌溉试验数据库”提供的不同系列长度的历史数据通过空间化处理获得的，而通过查阅“灌溉试验数据库”发现，天津附近、山西北部的冬小麦需水量均超过了500mm，而这些数据在目前仍具有一定的参考价值，因此导致图3c、图3d与图3a相比在研究区北部变化较大。同时图3c、图3d与图3a相比，研究区北部变得相对破碎，特别是北京-保定-石家庄-长治一线破碎程度增加较多，保定-饶阳低值区不再连成一片，被分割开，这些地方由于软数据的利用，使得数据源有所增加，减弱了单纯利用有限的硬数据进行空间化处理造成的平滑效应，更能反映作物需水量空间分布的变异性。由于图3e是将除了文献的其他所有的软数据参与整合，因此冬小麦需水量空间分布图细碎化更严重，表明对冬小麦需水量的空间分布解释能力更强。

由以上技术方案可以看出，本发明既可以利用精度高、系列长的硬数据，也可以利用部分年份缺失的站点数据、可快速获取的遥感数据、文献及数据库中的历史数据和采用不同方法空间化处理的数据，通过对不同来源、不同精度的作物需水量数据进行整合，可显著提高稀疏站点大区域的作物需水量估算精度。

需要说明的是，本发明实施例提供的确定方法的计算步骤只是为了叙述方便，并不是严格的要求步骤的先后顺序。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

需要说明的是，以上所述仅仅是本申请技术方案的一部分优选具体实施方式，使本领域技术人员能够充分理解或实现本申请，而不是全部的实施例，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，基于以上实施例，对于本技术领域的普通技术人员来说，在不脱离本申请原理，不做出创造性劳动前提下，还可以做出多种显而易见的修改和润饰，通过这些修改和润饰所获得的所有其他实施例，都可以应用于本申请技术方案，这些都不影响本申请的实现，都应当属于本申请的保护范围。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合于本文所公开的原理和新颖特点相一致的最宽的范围。

以上对本申请进行了详细介绍，本文中应用可具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想，同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。