英语原文共 15 页
农业用水管理167 (2016)38-52
内容列表可在ScienceDirect上找到
农业水管理
jou rn al hom epage: www.elsev ier .com/ locat e/agwat
利用神经网络建模预测葡萄非水胁迫叶片温度，用于作物水分胁迫计算的评价
指数
文学士学位国王,lowast;kc Shellieb
美国农业研究所，西北灌溉与土壤研究实验室，金伯利，3793 N 3600 E, 83344 -5076 ID，美国b美国农业研究所，园艺作物研究单位工作地点，29603 University of Idaho Lane, Parma, 83660 ID
a r t i c l e i n f o a b s t r a c t
文章历史:
2014年7月30日
2015年12月12日接受修改后的表格2
2016年1月13日在线
关键词:
冠层温度
灌溉管理
葡萄酒葡萄的精确灌溉管理需要一种可靠的方法，能够方便地量化和监测葡萄的水分状况，以便根据需水量、品种管理和生产者目标有效地控制植物水分胁迫。在确定的物候期，轻度到中度的水分胁迫是葡萄酒葡萄所需要的，以控制葡萄活力，并根据生产者的喜好和目标优化果实产量和质量。传统的以叶片温度为基础的作物水分胁迫指数(CWSI)用于监测植物水分状况，但由于需要了解相同环境条件下的水分充足和叶片未蒸腾的温度，因此在灌溉作物中普遍没有得到广泛应用。本研究在2013年和2014年对美国爱达荷州西南部温暖、半干旱的田间条件下，以35、70或100%的估计蒸散发需求(等)灌溉藤蔓的叶片温度，从果实发育到果实收获进行监测。摘要建立了基于气象测量的神经网络(NN)模型，对酿酒葡萄品种西拉和马尔贝克(Vitis vinifera L.)叶片温度进行了预测。品种具体的神经网络模型的输入变量与最小均方误差下半场平均气温值,相对湿度、太阳辐射和风速plusmn;90分钟内收集太阳能中午13:00,15:00联合化疗。“西拉”和“马尔贝克”的NN预测和实测叶片温度的相关系数分别为0.93和0.89。平均平方误差和平均平均误差的神经网络模型分别为1.07和0.82◦C“西拉”和1.30,和0.98◦C“贝克”,分别。在相同的输入变量下，NN模型对水分充足的叶片温度的预测比传统的多元线性回归具有更小的变异性。Non-transpiring叶温度估计空气温度 15◦C基于最高温度测量葡萄灌溉35%(等)。每日平均CWSI计算神经网络估计浇灌叶气温13:00,15:00之间联合化疗和空气温度 15◦C non-transpiring叶温度持续亏灌溉量之间的分化,灌溉事件和降雨。本研究中用于计算葡萄酒葡萄每日CWSI的方法提供了葡萄水分状况的每日指标，该指标可作为决策支持工具在精确灌溉系统中自动使用。
由Elsevier B.V.出版
1. 介绍
在许多干旱的葡萄酒产区，灌溉被广泛用于管理葡萄的活力和产量，以诱导葡萄酒生产所需的浆果成分的变化(Chaves et al.， 2010;Lovisolo等，2010)。在红皮葡萄酒葡萄品种中，在确定的物候期有轻度到中度的水分胁迫
lowast;通讯作者。
电子邮件地址:brad.king@ars.usda.gov (B.A. King)， Krista.shellie@ars.usda.gov (K.C. Shellie)。
被发现可以提高水分生产力和提高水果质量(Romero et al.， 2010;Shellie,2014)。施加水分亏缺的最佳严重程度和物候时间受品种、气候和土壤生长条件以及酿酒葡萄栽培实践的影响。精确灌溉技术的应用需要精确、可靠的方法来确定葡萄树的需水量和监测葡萄树的水分状况，以及能够按需精确地施用水分的灌溉系统(Jones, 2004)。缺乏一种快速、可靠、时空分辨率高的葡萄水分状况监测方法，阻碍了葡萄酒葡萄生产中采用精确灌溉措施。
http://dx.doi.org/10.1016/j.agwat.2015.12.009 0378-3774/ Elsevier B.V.出版
B.A. King, K.C. Shellie /农业水资源管理167 (2016)38-52 39
目前用于确定需水量和监测葡萄树水分状况的许多方法要么过于繁琐，难以实现自动化，要么空间和时间分辨率较低。Penman-Monteith方程常用于估算蒸散发需求(ETc)和计算灌溉量(Allen et al.， 1998);然而，需要对植物或土壤水分状况进行定期测量，以验证所提供的水量是否确实导致了所需的水胁迫的严重程度。土壤体积含水量不是葡萄树水分状况的合适指标，因为它的空间分辨率较低，并且受土壤质地、深度等空间异质性属性的影响。Williams和Trout(2005)发现，要准确确定滴灌葡萄藤在土壤剖面中可利用的水量，有必要在四分之一的葡萄根区域内的9个位置测量3米深的土壤含水量。此外，由于不同葡萄品种的水分行为在等氢和异氢之间存在内在差异，一个给定的土壤体积含水量可能会导致不同葡萄品种的水分胁迫程度不同(Schultz, 2003;2014年;Williams等，2012;Bellvert等，2015a)。因此，土壤含水量或土壤水势的体积变化可能与葡萄水分状况的变化不一致(Jones, 2004;威廉姆斯和鳟鱼，2005;Ortega-Farias等，2012)。叶片或茎的水势测量具有综合土壤、植物和环境因素的优点;然而，他们较差的时间和空间分辨率以及较高的劳动力需求限制了他们将自动化应用于精确灌溉系统的潜力。植物水势对环境条件敏感性高，时间分辨率低(Rodrigues et al.， 2012;Williams和Baeza, 2007;琼斯,2004)。对于哪一种植物水势(黎明前的叶片或中午的茎叶或叶片)的测量最可靠地表明葡萄的水分状况，也没有普遍的共识(Williams and Araujo, 2002;威廉姆斯和鳟鱼，2005;Ortega-Farias等，2012)。Williams和Trout(2005)发现黎明前叶片水势对准确测定葡萄水分状况不满意，而中午叶片水势与茎水势呈线性相关，同样适用于测定葡萄水分状况。中午叶水势是最常见的方法在加州以指示葡萄水状态(威廉姆斯et al ., 2012)也许是因为它耗费时间比黎明前的叶水势或中午茎水势允许更多的面积覆盖在中午气候条件(威廉姆斯和Araujo, 2002)。在半干旱条件下，葡萄植株的午茎叶水势与水汽压亏缺(VPD)高度相关，但叶片水势小于或大于1.2 MPa时，两者的相关性存在差异(Williams and Baeza, 2007;威廉姆斯et al .,2012)在一般情况下,一个中午的价值-叶水势小于minus;1.0 MPa下高蒸发需求普遍接受为象征的雨水丰沛的葡萄(Shellie,2006;威廉姆斯和鳟鱼，2005;Williams等，2012;2014年，Shellie和Bowen;Bellvert et al.， 2014)。
热遥感最近被用于估计包括葡萄在内的许多作物的蒸散发和干旱胁迫(Maes and Steppe, 2012)。水分胁迫促进气孔闭合，减少蒸腾和蒸发冷却，同时提高叶片温度。红外辐射仪已经在田间条件下用于测量不同严重亏水灌溉条件下葡萄叶片表面温度的升高(Cohen et al.， 2005;Glenn et al.， 2010;2013年《雪莉与金》;Bellvert et al.， 2014, 2015a)。叶片温度的变化与葡萄的气孔导度和叶片或茎的水势以及响应性的变化速率有关(Cohen et al.， 2005;Glenn et al.， 2010;Pou等，2014;Bellvert et al.， 2015a,b)。利用胁迫和非水胁迫植株叶片温度相对于环境空气温度的差异，开发了一种标准化作物
水分胁迫指数(CWSI) (Idso et al.， 1981;Jackson等，1981)用于植物水分状况的量化。CWSI定义为:
Tcanopy哪里的温度完全阳光雨棚叶子(◦C),tnw的温度完全阳光雨棚叶子(◦C)当作物non-water-stressed(水分)和Tdry的温度完全阳光雨棚叶子(◦C)当作物严重强调由于低土壤水的可用性。温度Tnws和Tdry是根据环境条件(气温、相对湿度、辐射、风速等)对Tcanopy的影响，对CWSI进行归一化的上下基准线。理想情况下，CWSI的范围为0到1，其中0表示水分充足的条件，1表示非蒸腾的水应力条件。CWSI的实际应用受到了限制，因为在不实际测量Tnws和Tdry的情况下很难进行估算(Maes and Steppe, 2012)。由于对环境条件对土壤-植物-空气连续体的复杂影响了解甚少，因此，相对于环境空气温度，测定秋明水旱作物和干性水旱作物的作物特异性常数的实验尚未取得成果(Idso et al.， 1981;琼斯,1999年,2004年;Payero和Irmak, 2006)。在CWSI的最初开发和应用中，利用与VPD相关的Tnws对Tdry和Tnws进行了实验测定，以解释气候对Tcanopy测量的影响。冠层温度的测量和CWSI的应用被限制在无云天气的太阳中午附近的时间，以解释太阳辐射对气孔导度的影响。在与Tcanopy相同的环境条件下，人工湿、干参考面已经成功地用于Tnws和Tdry的估计。(琼斯,1999;O #39;shaughnessy等，2011;Jones等，2002;Leinonen和Jones, 2004;Cohen等，2005;Grant等，2007;Moller等，2007;Alchanatis等，2010;Pou等，2014);然而，人工参考资料的必要维护限制了自动化在精密灌溉系统中的潜在应用。
已经建立了物理和经验模型来估计Tnws和Tdry，并取得了不同程度的成功。Jones(1999)利用叶子能量平衡(Jones, 1992)方法建立了计算Twet和Tdry的方程:
Twet = Tairminus;
rHRraW Rni
cp(原料 srHR)minus;
rHRıe
生 srHR
(2)
Tdry = Tair
rHRRni
cp
(3)
Twet哪里的温度(◦C)人为湿叶子,Tair空气温度(◦C),生是边界层阻力水蒸气(s mminus;1) Rni净等温辐射(W mminus;2)ıe水空气蒸汽压赤字(Pa),科技是平行的耐热性和辐射传输(s mminus;1),湿度是常数(Pa◦Cminus;1),
是空气的密度(公斤米minus;3),cp是空气的比热容(J公斤minus;1◦Cminus;1)和s曲线的斜率是饱和蒸气压与温度(Pa◦Cminus;1)。假设叶片具有相同辐射和气动特性的干表面感热损失等于净吸收辐射(Eq(3))。叶片传热阻力(rHR)估计为特征维数(d)和风速()的函数(Jones, 1992)，假设等温辐射，可估计为(Jones, 1999):
rHR = 100
d (4)
d和测量在m和m sminus;1,分别。Fuentes et al.(2012)发现人工参考叶表面温度与Eqs计算的Twet和Tdry之间存在极好的一致性。(2) -(4)冠层内微气象测量-
40 B.A. King, K.C. Shellie /农业水资源管理167 (2016)38-52
生长发育后期第29阶段(oC)
图1所示。基于紫花苜蓿的广义生长度日葡萄作物系数，用于估计美国伊州帕尔马所有葡萄品种的日蒸散发。葡萄生长阶段29对应于4 mm的浆果大小(Coombe, 1995)。
表1
从2013年7月11日至9月22日，从2013年7月3日至2014年9月28日，Parma采用ID对神经网络输入参数进行线性标度，在1分钟时间间隔内测量最小值和最大15分钟平均值。
|
最低 |
最大 |
|
|
空气温度、相对湿度(◦C)(%)风速、太阳辐射(m sminus;1), (W mminus;2)雨水丰沛的马尔贝克的叶片温度,(◦C)有实力的“西拉”叶温度,(◦C) |
14.0 8 0.4 17 13.9 13.7 |
38.3 84 5.7 1139 36.6 38.1 |
最小风力条件下的设备。Tnws和Tdry的数值估算消除了人工参考面或浇水充足和水压力大的参考地块的需要;然而方程式。(2) ~(4)需要辅助测量来可靠估计方程参数。多元线性回归方程也被用来估计tnw和Tdry空气温度的函数,太阳辐射、作物高度、风速、和蒸汽压赤字(或相对湿度),0.69 - -0.84之间的相关系数的预测和测量叶片温度水分玉米和大豆(Payero河,2006)。河et al。(2000)确定玉米Tdry 4.6 - -5.1◦C高于空气温度,在几个后来的研究比玉米和其他作物(包括种植葡萄),空气温度 5.0◦C值已被用于Tdry Eq。(1)(科恩et al ., 2005;Moller等，2007;Alchanatis等，2010)。O #39; shaughnessy et al。(2011)最大程度上的每日空气温度 5.0◦C用于Tdry大豆和棉花。回归方程已成为最有希望的，实用的方法来估计Tnws和Tdry的CWSI。然而，回归必然地将复杂的、未知的相互作用简化为先验的或假设的多重线性或非线性关系(Payero and Irmak, 2006)。
人工神经网络(NN)已成功地用于复杂
资料编号：[3366]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
