期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
灌溉试验中高精度监测水稻地表水层设备及应用研究
1
作者
郑方元
盛斌
吴大帅
《江西农业》
2025年第17期36-38,共3页
我国各省的灌溉试验站一直承担着研究水稻作物需水量及灌溉制度、指导灌区科学调度水资源和按需节水灌溉的任务。通过使用自动水层检测仪设备,试验站能够实时跟踪测量水稻地表水层深度,实现了稻田地表水层高精度自动测量,其监测分辨率为...
我国各省的灌溉试验站一直承担着研究水稻作物需水量及灌溉制度、指导灌区科学调度水资源和按需节水灌溉的任务。通过使用自动水层检测仪设备,试验站能够实时跟踪测量水稻地表水层深度,实现了稻田地表水层高精度自动测量,其监测分辨率为0.01 mm(理想监测误差为0.1 mm),野外监测环境极限综合误差不超过0.4 mm,能够更加准确地监测水稻作物需水量,更好指导灌区节水灌溉。同时,利用远程模块编写程序,满足试验站或野外监测点的数据自动采集及信息化传输需求。
展开更多
关键词
水稻灌溉制度
自动水层检测仪
稻田地表水层
灌溉试验站
在线阅读
下载PDF
职称材料
基于Transformer和LSTM算法的河套灌区土壤水分预测研究
被引量：
1
2
作者
王钥
郑方元
+3 位作者
雍婷
查元源
周龙才
徐祥森
《节水灌溉》
北大核心
2025年第2期1-8,14,共9页
土壤水是土壤中的关键指标,其变化直接影响着作物生长,并影响着水资源利用的管理决策。因此,准确地预测土壤水分有利于对农业水资源进行合理的规划利用。使用深度学习算法进行土壤水分预测在当前的农业、水资源管理和生态学等领域具有...
土壤水是土壤中的关键指标,其变化直接影响着作物生长,并影响着水资源利用的管理决策。因此,准确地预测土壤水分有利于对农业水资源进行合理的规划利用。使用深度学习算法进行土壤水分预测在当前的农业、水资源管理和生态学等领域具有重要性。深度学习算法能够从大规模数据中学习土壤水分的复杂模式和时空关系,为土壤水的准确预测提供了新的机会。为了探索新兴深度学习方法Transformer在土壤水分预测中的有效性,选择河套灌区义长灌域为研究区域,利用地下水位观测数据、气象数据、SMAP土壤水数据等作为训练数据,设置了1、5、10 d共3种数据滞后情况,验证Transformer算法在土壤水时间序列预测任务中的有效性,并与目前广泛应用于时序预测任务中的LSTM进行对比。研究表明Transformer在土壤水分时间序列预测任务中具有更好的预测能力,相比于LSTM,其R^(2)平均提升约0.181,RMSE平均下降27.6%。同时,Transformer在应对滞后变化带来的影响时更具鲁棒性,在3种数据滞后情况下Transformer的预测平均R^(2)分别比LSTM高出了0.121、0.167、0.256,站点平均RMSE分别降低了30.7%、28.6%、23.5%。此外,Transformer对于土壤水序列中的非线性信息的提取能力更强,对于高频振幅的土壤水时间序列Transformer拥有更强的预测能力。
展开更多
关键词
土壤水分预测
深度学习
时序预测
Transformer模型
LSTM模型
数据滞后
在线阅读
下载PDF
职称材料
基于图神经网络的灌区地下水位预测研究
被引量：
1
3
作者
徐祥森
郑方元
+1 位作者
查元源
王钥
《中国农村水利水电》
北大核心
2025年第6期147-156,共10页
准确的地下水位预测对于灌区地下水资源管理有着重要意义。然而,由于灌区非结构化的井位数据难以处理,传统的深度学习方法未考虑灌区各监测井的空间位置关系和各井的自身属性,导致深度学习模型严重缺少物理可解释性。充分考虑各监测井...
准确的地下水位预测对于灌区地下水资源管理有着重要意义。然而,由于灌区非结构化的井位数据难以处理,传统的深度学习方法未考虑灌区各监测井的空间位置关系和各井的自身属性,导致深度学习模型严重缺少物理可解释性。充分考虑各监测井空间位置关系和井点静态属性以构建有充分物理含义的图结构,提出基于图神经网络的GWN模型,以河套灌区义长灌域为例,结合EEMD算法对地下水位数据进行预处理,模型地下水位预测结果与两个基线模型LSTM和GRU进行对比以验证模型的合理性。结果表明:添加EEMD算法的GWN模型相较于基线模型结果更优,MAE、RMSE、NSE等统计指标均优于基线模型;同时相较于基线模型的单井预测,GWN模型可同时预测所有监测井的水位,预测效率明显提高;此外包含物理意义的图结构经自适应迭代更新后再现了具有物理背景的灌域地下水网络,各井间的相互关系及原因可结合静态属性分布图从邻接矩阵中直观解读。总之,该模型有着良好的地下水位预测效果和可解释性,可为内蒙古河套灌区义长灌域地下水位管理提供参考。
展开更多
关键词
图神经网络
地下水位预测
时空分布
深度学习
河套灌区
在线阅读
下载PDF
职称材料
题名
灌溉试验中高精度监测水稻地表水层设备及应用研究
1
作者
郑方元
盛斌
吴大帅
机构
武汉科瑞特力自动化设备有限公司
出处
《江西农业》
2025年第17期36-38,共3页
文摘
我国各省的灌溉试验站一直承担着研究水稻作物需水量及灌溉制度、指导灌区科学调度水资源和按需节水灌溉的任务。通过使用自动水层检测仪设备,试验站能够实时跟踪测量水稻地表水层深度,实现了稻田地表水层高精度自动测量,其监测分辨率为0.01 mm(理想监测误差为0.1 mm),野外监测环境极限综合误差不超过0.4 mm,能够更加准确地监测水稻作物需水量,更好指导灌区节水灌溉。同时,利用远程模块编写程序,满足试验站或野外监测点的数据自动采集及信息化传输需求。
关键词
水稻灌溉制度
自动水层检测仪
稻田地表水层
灌溉试验站
分类号
S274.4 [农业科学—农业水土工程]
在线阅读
下载PDF
职称材料
题名
基于Transformer和LSTM算法的河套灌区土壤水分预测研究
被引量：
1
2
作者
王钥
郑方元
雍婷
查元源
周龙才
徐祥森
机构
武汉
大学水资源工程与调度全国重点实验室
武汉科瑞特力自动化设备有限公司
中工武大设计研究
有限公司
出处
《节水灌溉》
北大核心
2025年第2期1-8,14,共9页
基金
国家自然科学基金(52279042)
广西科技计划项目(桂科AB23026021)。
文摘
土壤水是土壤中的关键指标,其变化直接影响着作物生长,并影响着水资源利用的管理决策。因此,准确地预测土壤水分有利于对农业水资源进行合理的规划利用。使用深度学习算法进行土壤水分预测在当前的农业、水资源管理和生态学等领域具有重要性。深度学习算法能够从大规模数据中学习土壤水分的复杂模式和时空关系,为土壤水的准确预测提供了新的机会。为了探索新兴深度学习方法Transformer在土壤水分预测中的有效性,选择河套灌区义长灌域为研究区域,利用地下水位观测数据、气象数据、SMAP土壤水数据等作为训练数据,设置了1、5、10 d共3种数据滞后情况,验证Transformer算法在土壤水时间序列预测任务中的有效性,并与目前广泛应用于时序预测任务中的LSTM进行对比。研究表明Transformer在土壤水分时间序列预测任务中具有更好的预测能力,相比于LSTM,其R^(2)平均提升约0.181,RMSE平均下降27.6%。同时,Transformer在应对滞后变化带来的影响时更具鲁棒性,在3种数据滞后情况下Transformer的预测平均R^(2)分别比LSTM高出了0.121、0.167、0.256,站点平均RMSE分别降低了30.7%、28.6%、23.5%。此外,Transformer对于土壤水序列中的非线性信息的提取能力更强,对于高频振幅的土壤水时间序列Transformer拥有更强的预测能力。
关键词
土壤水分预测
深度学习
时序预测
Transformer模型
LSTM模型
数据滞后
Keywords
soil moisture prediction
deep learning
time series prediction
Transformer model
LSTM model
data lag
分类号
S27 [农业科学—农业水土工程]
在线阅读
下载PDF
职称材料
题名
基于图神经网络的灌区地下水位预测研究
被引量：
1
3
作者
徐祥森
郑方元
查元源
王钥
机构
武汉
大学水资源工程与调度全国重点实验室
武汉科瑞特力自动化设备有限公司
出处
《中国农村水利水电》
北大核心
2025年第6期147-156,共10页
基金
国家重点研发计划项目(2021YFC3201204)
广西科技计划项目(桂科AB23026021)。
文摘
准确的地下水位预测对于灌区地下水资源管理有着重要意义。然而,由于灌区非结构化的井位数据难以处理,传统的深度学习方法未考虑灌区各监测井的空间位置关系和各井的自身属性,导致深度学习模型严重缺少物理可解释性。充分考虑各监测井空间位置关系和井点静态属性以构建有充分物理含义的图结构,提出基于图神经网络的GWN模型,以河套灌区义长灌域为例,结合EEMD算法对地下水位数据进行预处理,模型地下水位预测结果与两个基线模型LSTM和GRU进行对比以验证模型的合理性。结果表明:添加EEMD算法的GWN模型相较于基线模型结果更优,MAE、RMSE、NSE等统计指标均优于基线模型;同时相较于基线模型的单井预测,GWN模型可同时预测所有监测井的水位,预测效率明显提高;此外包含物理意义的图结构经自适应迭代更新后再现了具有物理背景的灌域地下水网络,各井间的相互关系及原因可结合静态属性分布图从邻接矩阵中直观解读。总之,该模型有着良好的地下水位预测效果和可解释性,可为内蒙古河套灌区义长灌域地下水位管理提供参考。
关键词
图神经网络
地下水位预测
时空分布
深度学习
河套灌区
Keywords
Graph Neural Network
groundwater level prediction
spatiotemporal distribution
deep learning
Hetao Irrigation District
分类号
S27 [农业科学—农业水土工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
灌溉试验中高精度监测水稻地表水层设备及应用研究
郑方元
盛斌
吴大帅
《江西农业》
2025
0
在线阅读
下载PDF
职称材料
2
基于Transformer和LSTM算法的河套灌区土壤水分预测研究
王钥
郑方元
雍婷
查元源
周龙才
徐祥森
《节水灌溉》
北大核心
2025
1
在线阅读
下载PDF
职称材料
3
基于图神经网络的灌区地下水位预测研究
徐祥森
郑方元
查元源
王钥
《中国农村水利水电》
北大核心
2025
1
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
