CN108733952A - 一种基于序贯模拟的土壤含水量空间变异性三维表征方法 - Google Patents

Abstract

本发明公开了一种基于序贯模拟的土壤含水量空间变异性三维表征方法，选取示范性土壤地块，将土壤地块划分成多个栅格，在每个栅格中设置随机采样点；测量所有随机采样点的土壤含水量数据，并对随机采样点的土壤含水量数据进行正态性检验；对每个栅格进行多层过程处理，得到多层精细网格；采用序贯模拟方法对多层精细网格进行模拟，包括随机行走、局部搜索和条件估计，得到土壤含水量的三维立体面数据；运用GRID和TIN数据格式交替表达土壤含水量的三维立体面数据，形成土壤含水量的三维模型。本发明基于序贯模拟的方法获得土壤含水量的连续面，在连续面的基础上运用GRID或者TIN格式进行土壤含水量的三维表达，克服了Kriging方法的平滑效应。

Description

一种基于序贯模拟的土壤含水量空间变异性三维表征方法

技术领域

本发明涉及一种基于序贯模拟的土壤含水量空间变异性三维表征方法。

背景技术

土壤水是生态***中植物赖以生存的基础，同时也是流域水循环中最为活跃的部分，影响着植物生育、生态环境及水资源的合理分配与高效利用。土壤水分变量深刻影响着土壤的物理性质、土壤养分的传输和运移，对作物的生长、节水灌溉等有着非常重要的作用。因此应特别重视作物生长过程中的土壤保墒，以改善作物生长的土壤环境，根据作物不同生育期间土壤墒情和作物需水量，实施精量灌溉，节约水资源，提高水资源利用效率。在实际研究过程中，通常不可能对研究区内每个取样点的土壤含水量进行一一测量。一般选择一些离散的样本点进行测量，通过数学模型获得未采样点土壤含水量的值，得到无缝的点到面扩展面，采样点可以是随机选取、分层选取或规则选取等。

对于离散点扩展到面的方法，国内外均进行了较广泛的研究。由点数据空间插值扩展生成栅格面的方法很多，常用的有全局性多项式插值、反距离权重、径向基函数，改进谢别德法、Kriging、自然邻域法、样条函数法等。每种方法根据所要建模的区域化变量及采样点状况，进行预测估值时都有一定的前提假设，但不论采用哪种方法，通常采样点数目越多，采样点分布越均匀，点到面插值的效果就越好。近些年来，以Kriging为核心的地统计学和经典统计相结合逐渐成为描述和分析区域化变量较可行并大量应用的方法，该方法在各个领域都有广泛应用，涉及的内容也较广泛，不仅用来进行样点土壤含水量、土壤基本理化性质、土壤温度、生物性质、重金属污染，而且进行作物生产力模拟和预测、作物蒸散、作物生长发育阶段、作物生长性状的模拟，在农田水利、农业产值空间化等经济社会领域也有较广泛的应用。区域化变量点到面扩展研究覆盖了不同的尺度，如农场尺度、农田尺度、小尺度、县域尺度、全球尺度。Kriging方法的假设前提是采样点间的距离和方向可反映一定的空间关联，并用它们来解释空间变异，Kriging利用一定的数学函数对特定点或给定搜索半径内所有点进行拟合来估计每个点的值。该方法的应用实现了点数据到面数据的扩展和表达，但是该方法本身易产生平滑效应，把估值过程中出现的极大值进行了平滑，造成了未采样点估值精度的降低。

在传统的应用中，建立不确定性模型进行估值重点是确定均值和方差，显然这是对随机变量不确定性的不完整描述。某一点统计上的不确定性的一个更完整的描述需估计建模变量的概率分布。实际上，估计概率分布依靠估计点附近的样品集合或其它已知信息(如农业耕作过程中的土壤类型、耕地平整状况、管理措施和农民关于提高产量的综合经验措施等经验性的集合性信息、知识和历史资料)。如何对样品的集合信息进行定量的点到面表达本身就是一个非常复杂的科学问题。以Kriging为核心的地统计学结合空间分析技术进行空间插值计算，虽然实现了区域化变量的空间扩展，但是这种空间面的估算存在平滑效应。围绕区域化变量空间估值的精度，研究者们进行了多种尝试，一些研究者运用多点地统计学进行区域化变量的空间估计和预测，多点地统计学模拟通过多个点的训练图像来取代变异函数，更有效地反映了研究目标的空间分布结构。另一些研究者提出了马链随机域理论及转移概率函数(Transiogram)理论，并以此为基础构建了马链地统计学的理论框架，提出了联合模拟试验转移概率函数图的线性插值法和数学模型模拟法。

采样点Kriging插值的一个典型的例子是利用一组采样点来生成区域化变量的连续表面，每个采样点土壤含水量值获取方式多样，可以通过野外采集原状土进行土壤含水量的实验室测定，也可通过农业物联网***智能采集土壤含水量信息，还可由测量仪器如通过时域反射仪(Time Domain Reflectometry，简称为TDR，下同)仪器测定获得，区域内其它点的含水量值可通过Kriging插值得出。地统计学是土壤含水量等区域化变量空间变异连续分布模式的重要数学分析工具，以Kriging方法及其变种的协Kriging、指示Kriging为核心的地统计学区域化变量空间连续表面扩展研究取得了很大进展。但由于Kriging法为核心的地统计学不可避免地存在着平滑效应，从而对土壤含水量等区域化变量的估计和预测有不同程度的偏离实际，对于随机采样状况下区域化变量估值结果的平滑效应是Kriging方法本身所无法解决的。深入分析表明，以Kriging法插值为核心的地统计学仍不可避免地存在着平滑效应，估计值不能反映区域化变量在空间真实变化特性。许多研究者都试图对这种平滑效应进行修正，也有研究者希望引进随机参数或多模型融合进行区域化变量的时空变异研究，如在确定性模型中引入随机参数开展田块尺度上表层土壤饱和导水率的空间变异对农田水分渗漏的影响研究。将主成分分析和普通Kriging相结合开展土壤含水量的空间变异研究，研究结果表明，随机性参数和多模型结合在区域化变量空间变异模式定量化表达上有所提高，但随机参数的引入需要一定的前提条件才有意义，这无疑增加了研究的挑战性。

综上所述，现有技术中对于Kriging及其衍生方法中对于点到面估值产生的平滑效应，无法再现修正后的空间关联关系等问题，尚缺乏有效的解决方案。

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于序贯模拟的土壤含水量空间变异性三维表征方法，基于序贯模拟的方法获得土壤含水量的连续面，在连续面的基础上运用GRID或者TIN格式进行土壤含水量的三维表达，克服了平滑效应。

本发明所采用的技术方案是：

本发明的第一目的是提供一种基于序贯模拟的土壤含水量空间变异性三维表征方法，该方法包括以下步骤：

步骤1：选取示范性土壤地块，将土壤地块划分成多个栅格，对每个栅格中设置随机采样点；

步骤2：测量所有随机采样点的土壤含水量数据，并对随机采样点的土壤含水量数据进行正态性检验；

步骤3：对每个随机采样点的栅格进行多层过程处理，得到多层精细网格；

步骤4：采用序贯模拟方法对多层精细网格进行处理，包括随机行走、局部搜索和条件估计，得到土壤含水量的三维立体面数据；

步骤5：运用GRID和TIN数据格式交替表达土壤含水量的三维立体面数据，形成土壤含水量的三维模型。

进一步的，所述步骤2中，测量所有随机采样点的土壤含水量数据的方法为：

在所有随机采样点上取得土壤表层的土壤样品，测量所述土壤样品的土壤含水量数据；或者，

通过固化仪器测量所有随机采样点的土壤含水量数据；或者，

通过农业物联网***测量所有随机采样点的土壤含水量数据。

进一步的，所述步骤2中，对随机采样点的土壤含水量数据进行正态性检验的步骤包括：

对随机采样点的土壤含水量数据进行正态性检验，如果随机采样点的土壤含水量数据是正态分布的数据，那么执行步骤3，如果随机采样点的土壤含水量数据不是正态分布的数据，则进行数据转换，包括取对数、正弦或余弦。

进一步的，所述对每个随机采样点的栅格进行多层过程处理，得到多层精细网格的步骤包括：

采用对角线采样法、梅花形采样法、棋盘式采样法或S形采样法对每个随机采样点的栅格进行采样，得到若干个采样点；

根据设定的栅格单元的大小，对采样点进行栅格化处理，得到多层精细网格。

进一步的，所述步骤3还包括筛选变异函数模型，所述变异函数模型包括指数模型、高斯模型或球状模型。

进一步的，所述采用序贯模拟方法对多层精细网格进行处理，包括随机行走、局部搜索和条件估计，得到土壤含水量的连续面的步骤包括：

在精细格网中选取一个随机位置X，确定位于X位置的设定搜索半径范围内的所有最近邻位置；

基于变异函数模型，获取X的一个预测值和位于X的估计的标准差作为N个选择点的线性加权合并；

利用土壤含水量的随机位置X预测值在N点上的平均值M和标准差SD的累积正态分布，筛选一个随机变量，将其作为X的估计；

接着，在精细格网中选取另一个随机位置X，按照上述的方法，得到精细网格随机点的随机变量，依次循环，直到得到多层精细网格所有随机点的随机变量；

根据所有随机点的随机变量数据得到土壤含水量的三维立体面数据。

进一步的，所述GRID数据格式是指以规则的阵列来表示土壤含水量三维分布的数据格式，该数据格式中的每个数据表示土壤含水量的属性特征。

进一步的，所述TIN数据格式是土壤含水量的高低变化值。

本发明的第二目的是提供一种计算机装置，用于土壤含水量空间变异性三维表征，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现以下步骤，包括：

选取示范性土壤地块，将土壤地块划分成多个栅格，对每个栅格设置随机采样点；

测量所有随机采样点的土壤含水量数据，并对随机采样点的土壤含水量数据进行正态性检验；

对每个随机采样点的栅格进行多层过程处理，得到多层精细网格；

采用序贯模拟方法对多层精细网格进行处理，包括随机行走、局部搜索和条件估计，得到土壤含水量的三维立体面数据；

运用GRID和TIN数据格式交替表达土壤含水量的三维立体面数据，形成土壤含水量的三维模型。

本发明的第三目的是提供一种计算机可读存储介质，其上存储有用于土壤含水量空间变异性三维表征的计算机程序，其特征是，该程序被处理器执行时实现以下步骤：

选取示范性土壤地块，将土壤地块划分成多个栅格，对每个栅格设置随机采样点；

测量所有随机采样点的土壤含水量数据，并对随机采样点的土壤含水量数据进行正态性检验；

对每个随机采样点的栅格进行多层过程处理，得到多层精细网格；

采用序贯模拟方法对多层精细网格进行处理，包括随机行走、局部搜索和条件估计，得到土壤含水量的三维立体面数据；

运用GRID和TIN数据格式交替表达土壤含水量的三维立体面数据，形成土壤含水量的三维模型。

与现有技术相比，本发明的有益效果是：

(1)本发明采用序贯模拟方法获得土壤含水量的连续面，在连续面的基础上运用GRID或者TIN格式进行土壤含水量的3D表达，能够正确而有效地表达出土壤含水量的连续面，并以不同的数据格式存储，可连续产生不同数据下的3D表面，形成土壤含水量动态变化的3D系列图，该系列3D图反映并再现了农田内土壤含水量的差异性，为精准灌溉、按需灌溉提供了基本依据，可有针对性地进行变量灌溉，既可节约用水又可提高经济效益；

(2)本发明采用序贯模拟方法能有效地处理土壤含水量的各向异性问题，克服了Kriging方法平滑效应，通过系列随机模拟现实表达由变异函数或柱状图量化的特定空间格局，提高估计轻度，避免了“平滑”效应造成的估计失真。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1是基于序贯模拟的土壤含水量空间变异性三维表征方法流程图；

图2是土壤含水量球状模型示意图；

图3是土壤含水量的三维模型图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

正如背景技术所介绍的，现有技术中Kriging等方法的估计精度低，存在“平滑”效应，易造成估计失真，为了解决如上的技术问题，本申请提出了一种基于序贯模拟的土壤含水量空间变异性三维表征方法。

如图1所示，本发明实施例提供了一种基于序贯模拟的土壤含水量空间变异性三维表征方法，该方法包括以下步骤：

步骤1：选取示范性土壤地块，将所述土壤地块划分成若干个栅格，并对每个栅格设置随机采样点。

栅格的数量根据不同的研究目的来确定。

步骤2：测量所有随机采样点的土壤含水量，并对随机采样点土壤含水量数据进行正态性分析和检验。

在随机取样点上通过取得土壤样品经过实验获得土壤含水量，或者通过TDR等固化仪器测定随机采样点的土壤含水量，或者通过农业物联网***完成随机样点土壤含水量的信息采集。

然后对随机采样点的土壤含水量数据进行正态性检验，如果随机采样点的土壤含水量数据是正态分布的数据，那么执行步骤3，如果随机采样点的土壤含水量数据不是正态分布的数据，则进行数据转换，进行数据转换的模型包括取对数、正弦、余弦等。在计算初始，完成土壤含水量的点数据正态性检验。

步骤3：对随机采样点涉及的栅格进行多层的过程处理。

为了增强对远距离效应和短范围变化性的改进，对于随机采样点涉及的栅格进行多层的过程处理，从一个相对粗糙的栅格开始，逐步产生越来越细的格网，最终形成一个精细栅格。

对于每个随机采样点的栅格进行多层处理过程，涉及两个方面，一个是采样方式，采样方式有多种，不同的情况采样的方法不同，分别为：1、对角线采样法：适宜于污水灌溉地块，在对角线各等分中央点采样；2、梅花形采样法：适宜于面积不大、地形平坦、土壤均匀的地块；3、棋盘式采样法：适宜于中等面积、地势平坦、地形基本完整、土壤不太均匀的地块；4、S形或者说蛇形采样法：适应于面积较小地形不太平坦、土壤不够均匀须取采样点较多的地块；5、栅格采样法，本发明专利三维图中黑点即为栅格采样；另外一个方面则指对于采样点的栅格化处理，栅格化处理由于数据结构具有典型的矩阵结构，计算机计算省时；栅格单元大小(Cell Size)，也称为分析解析度，可以人为地根据研究目的进行设置，如在和卫星影像进行融合分析时，一般与卫星影像的分辨率一致，如遥感TM影像的25米*25米的分辨率；栅格数据的空间分析就是在每一个栅格单元的基础上进行的，栅格单元过大则分析结果精确度降低，单元过小则会产生大量的数据，而且计算速度降低。所以需要选择合适的单元大小。

本发明中对随机采样点的栅格的多层处理过程，即根据不同的研究目标，设定好适宜的栅格，进行细分的过程。栅格的多层化越精细、计算耗时越多。因此，随机采样点的栅格多层化过程处理的实现过程也不复杂，关键在根据研究目的设定栅格单元的大小上，而后选取栅格化的数目，执行计算机自动化处理。

筛选变异函数模型，筛选变异模型主要根据曲线拟合进行计算机自动处理和运算。变异函数模型主要包括指数模型、高斯模型或球状模型等多种模型。如图2所示为土壤含水量球状模型。

步骤4：基于随机游走、局部搜索和条件估计实现随机采样点的土壤含水量序贯模拟形成无缝表面。

序贯模拟通过对土壤含水量属性进行随机建模来综合各种信息，并把这些信息的相关性和不确定性融于模型之中，强调概率模型是作用和结果的整体概率特征。序贯模拟过程中需要将对实测点的模拟值条件转化到实测值，所以实测点模拟值和实测值相等，适合于定量刻画土壤含水量的非均质性和不确定性。随着模拟次数的增加，序贯模拟对整个模拟区域上土壤参数值分布的描述更为详细，块金值与基台值的比值逐渐增加，变程也逐渐趋近实测数据。

基于随机游走、局部搜索和条件估计实现随机采样点的土壤含水量序贯模拟形成无缝表面的具体实现方式为：

针对于精细格网中随机位置X，确定位于X位置的、已定义搜索半径范围内的所有最近邻位置；最近邻位置的选取正是土壤含水量区域化变量自相关特性所要求的，自相关即是指随着距离的变化，土壤含水量自身随着距离的变化呈现的相关特性。

使用步骤3得到的变异函数模型提供位于X的一个预测值和位于X的估计的标准差，作为N个选择点的线性加权合并，并使用平均值M和标准差SD的累积正态分布，筛选随机变量的一个随机值，将其作为X的估计。作为N个选择点的线性加权合并可认为是一个指标，平均值M是土壤含水量的随机位置X预测值在N点上的平均。

接着随机游走到另一个未访问的栅格位置，继续按照上述精细网格随机位置的定义及变差图模型进行随机变量的确定，直到精细格网所有节点都被访问。针对于多层精细格网重复这一过程，每一次结果加上输入数据点作为源数据点值进行随机游走模拟，在这一重复过程中随机游走方法搜索格网时减小了假象的风险，并实现了模型运行的稳定性。针对于土壤含水量等区域化变量，在参与栅格空间数据的模拟和建模过程中，平稳性是目标之一，稳定性的模型促进了模型应用的逐步推广。在随机游走搜索过程中，有两类平稳性：一是均值平稳，它假设均值是不变的并且与位置无关；另一类是与协方差函数有关的二阶平稳和半变异函数有关的内蕴平稳。二阶平稳是假设具有相同的距离和方向的任意两点的协方差是相同的，协方差只与这两点的值相关而与它们的位置无关。

随机模拟可以生成众多的实现，每一个实现展现同一种格局，但为不同的表现方式。在单变量分布模型中，通过随机变量的系列结果来统计其不确定性。与此类似，一系列随机模拟的输出结果呈现不确定性的特征。在随机过程中存在着特定的相关规则，用这个相关规则可进行预测和估计预测结果的不确定性，借助于序贯模拟，把不确定性的格局以随机概率的表达方式进行表现。而对于内蕴平稳，随机样点数据的内蕴平稳假设说明了相同距离和方向的任意两点的方差是相同的，这种平稳性对于随机采样点的变异函数模型的稳定性和确定变异函数类型方面是必须的，或者说平稳性是建立变异模型的前提。

该过程由点数据得到三维立体面数据的过程，包含线性加权、邻近位置半径范围的设计和搜索，平均值和标准差等统计指标的参与验正，执行出来的结果精度避免了Kriging“平滑”效应造成的估计失真，提高估计精度。

高斯序列序贯模拟(Gaussian sequential simulation)作为一种基本的模拟方法，克服了Kriging方法平滑的效果，这种模拟需要首先定义所有栅格点属性值的联合概率模型，联合分布定义为

F(z₁,z₂,z₃,…,z_N)＝Pr(Z(u₁)≤z₁,…,Z(u_N)≤z_N)

u₁,u₂,u₃,…,u_NZ(u₁)u₁

其中，z₁,z₂,z₃,…,z_N为点u₁,u₂,u₃,…,u_N的测值；Pr为概率；Z(u₁)为u₁的模拟值，从该分布中生成一个样点要考虑所有点之间的空间相关性。

序贯高斯模拟条件方法主要思路是沿着随机路径序贯地求出各网格结点的条件累积分布函数，并从条件累积分布函数中取得模拟值。该方法围绕土壤含水量这一区域化变量空间分布的随机性和结构性，又重现了该变量空间信息的波动性和离散性，每得出一个模拟值，就把它连同原始数据、此前得到的模拟数据一起作为条件数据，进入下一点的模拟，因此随着模拟的进行，条件数据集合会不断扩大。序贯模拟结果的空间分布趋势与原始数据是相符的。进一步的分析证实，在实测点上，模拟值和实测值相等。

本发明采用序贯模拟方法能有效地处理土壤含水量的各向异性问题，通过系列随机模拟现实表达由变异函数或柱状图量化的特定空间格局。而Kriging法的不足之处在于单独的估计未采样点的属性值，而没有考虑该点与前面已经取得估值的各未知点的相关关系，显然，Kriging法无法再现修正后的空间关联关系，这也是其结果光滑性的原因所在。

步骤5：运用GRID或者TIN数据格式进行土壤3D表面的可视化。

运用GRID和TIN数据格式交替表达土壤含水量的三维立体面数据，形成土壤含水量的三维模型。如图3所示为土壤含水量的三维模型图，黑点处栅格式样的采样点，下面的部分是GRID表征的土壤含水量，上面部分是TIN格式表征的土壤含水量，都能较形象而清楚地表征土壤含水量的立体变化。

TIN(triangulated irregular network)是一种三角形法，运用该数据格式表达土壤含水量的3D形态主要因为该数据模型具有在存储空间上分布不规则的点的数据，以及获取其他的一些参数如坡度和精细灌溉的地形参数上的易达性方面，另外该数据格式可迅速确定3D表面的不连续处，如极度陡峭的土壤含水量，含水量极高或者极低的采样点。但该数据格式也存在一些问题：一是有许多可能是从同一点集产生的不同三角形，有许多不同的三角形算法可产生大量的、不一的、“碎片”式的三角形，每个三角形算法比规则空间点集的分解耗费大量的计算时间。二是叠加两个不规则网格的数据层是困难的，更不用说土壤养分含量与土壤含水量信息叠加后产生的深层次信息。而GIRD数据格式避免了碎片式三角形的产生，在和其他GRID格式的图层进行叠加和交互，执行空间数据的深层分析、挖掘有价值的变量信息方面具有优点，如土壤含水量GRID格式信息、区域作物产量GRID格式信息、土壤养分含量的GRID格式信息……，对于这些信息的叠加和代数运算可以基于三维图的方式分析土壤含水量、土壤养分含量是如何影响作物产量的，也可以理解土壤养分和土壤含水量的耦合关系，进而分析养分溶质运移的面上规律。因此GRID格式和TIN格式对于土壤含水量数据的存储可以发挥每一种格式的优势，用于不同的研发目的。

Kriging是一种局部的加权平均插值方法，它根据样点的土壤含水量数据，估计样点范围内的土壤含水量值，该种方法虽然具有平滑效应，但对于土壤含水量的预测和估计的表达仍有很强的参考意义，针对于同一土壤含水量数据，该数据格式的阵列性或者说层次性比TIN计算耗费的时间较少。另外栅格数据模型GRID还应用在作物全生育期底肥施肥处方图和精准灌溉图，运用栅格施肥量是否小于或者大于0来判定施肥的量，运用GRID表达中地图代数运算可对灌溉时机和灌溉水量的多寡进行有效的调整。

基于序贯模拟的方法获得土壤含水量的连续面，在连续面的基础上运用GRID或者TIN格式进行土壤含水量的3D表达主要通过以下步骤得到的：

首先明确的是栅格数据(GRID)和不规则三角网(TIN)数据可以相互转化，这种转换根据不同的研究目的而定。

GRID栅格数据呈现简单、直观的空间结构特点，又称为网格结构(raster或gridcell)或象元结构(pixel)，是指将地球表面划分为大小均匀紧密相邻的网格阵列，每个网格作为一个象元或象素，由行、列号定义，并包含一个代码，表示该象素的属性类型或量值，或仅仅包含指向其土壤含水量属性记录的指针。因此，栅格数据结构是以规则的阵列来表示空间地物或现象分布的数据组织，组织中的每个数据表示地物或现象的非几何属性特征。

TIN数据格式的形成是从多种矢量数据源中创建的。点、线与多边形要素这些矢量数据作为创建TIN的数据源。针对于本发明，可以理解为Z值是土壤含水量的高低变化值。

GRID和TIN格式在地理信息处理过程中，是较容易处理的，主要根据已经完成数字化的地图格式，设定适宜的栅格大小，获得需要的栅格数目，加入一些简单的代码行或者把具有这样两种处理格式的代码进行封装形成插件即可获得。

本发明实施例提出的基于序贯模拟的土壤含水量空间变异性三维表征方法为针对于采样点的土壤含水量依据，无论是物联网***智能获取土壤含水量数据，还是TDR监测的样点土壤含水量数据，还是野外取土壤实验室化验获得的土壤含水量数据，该序贯模拟技术均能正确而有效地表达出土壤含水量的连续面，实现点到面精度较高的估计和预测，并以TIN或者GRID等不同的数据格式存储。本发明基于序贯模拟的土壤含水量空间变异性三维表征方法产生的土壤含水量3D表面，形成土壤含水量动态变化的3D系列图可反映并再现区域范围内土壤含水量的差异性，为精准灌溉、按需灌溉提供了基本依据，可有针对性地进行变量灌溉，既可节约用水又可提高经济效益。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于序贯模拟的土壤含水量空间变异性三维表征方法，其特征是，包括以下步骤：

步骤1：选取示范性土壤地块，将土壤地块划分成多个栅格，对每个栅格中设置随机采样点；

步骤2：测量所有随机采样点的土壤含水量数据，并对随机采样点的土壤含水量数据进行正态性检验；

步骤3：对每个随机采样点的栅格进行多层过程处理，得到多层精细网格；

步骤4：采用序贯模拟方法对多层精细网格进行处理，包括随机行走、局部搜索和条件估计，得到土壤含水量的三维立体面数据；

步骤5：运用GRID和TIN数据格式交替表达土壤含水量的三维立体面数据，形成土壤含水量的三维模型。

2.根据权利要求1所述的基于序贯模拟的土壤含水量空间变异性三维表征方法，其特征是，所述步骤2中，测量所有随机采样点的土壤含水量数据的方法为：

在所有随机采样点上取得土壤表层的土壤样品，测量所述土壤样品的土壤含水量数据；或者，

通过固化仪器测量所有随机采样点的土壤含水量数据；或者，

通过农业物联网***测量所有随机采样点的土壤含水量数据。

3.根据权利要求1所述的基于序贯模拟的土壤含水量空间变异性三维表征方法，其特征是，所述步骤2中，对随机采样点的土壤含水量数据进行正态性检验的步骤包括：

对随机采样点的土壤含水量数据进行正态性检验，如果随机采样点的土壤含水量数据是正态分布的数据，那么执行步骤3，如果随机采样点的土壤含水量数据不是正态分布的数据，则进行数据转换，包括取对数、正弦或余弦。

4.根据权利要求1所述的基于序贯模拟的土壤含水量空间变异性三维表征方法，其特征是，所述对每个随机采样点的栅格进行多层过程处理，得到多层精细网格的步骤包括：

采用对角线采样法、梅花形采样法、棋盘式采样法或S形采样法对每个随机采样点的栅格进行采样，得到若干个采样点；

根据设定的栅格单元的大小，对采样点进行栅格化处理，得到多层精细网格。

5.根据权利要求1所述的基于序贯模拟的土壤含水量空间变异性三维表征方法，其特征是，所述步骤3还包括筛选变异函数模型，所述变异函数模型包括指数模型、高斯模型或球状模型。

6.根据权利要求1所述的基于序贯模拟的土壤含水量空间变异性三维表征方法，其特征是，所述采用序贯模拟方法对多层精细网格进行处理，包括随机行走、局部搜索和条件估计，得到土壤含水量的连续面的步骤包括：

在精细格网中选取一个随机位置X，确定位于X位置的设定搜索半径范围内的所有最近邻位置；

基于变异函数模型，获取X的一个预测值和位于X的估计的标准差作为N个选择点的线性加权合并；

利用土壤含水量的随机位置X预测值在N点上的平均值M和标准差SD的累积正态分布，筛选一个随机变量，将其作为X的估计；

接着，在精细格网中选取另一个随机位置X，按照上述的方法，得到精细网格随机点的随机变量，依次循环，直到得到多层精细网格所有随机点的随机变量；

根据所有随机点的随机变量数据得到土壤含水量的三维立体面数据。

7.根据权利要求1所述的基于序贯模拟的土壤含水量空间变异性三维表征方法，其特征是，所述GRID数据格式是指以规则的阵列来表示土壤含水量三维分布的数据格式，该数据格式中的每个数据表示土壤含水量的属性特征。

8.根据权利要求1所述的基于序贯模拟的土壤含水量空间变异性三维表征方法，其特征是，所述TIN数据格式是土壤含水量的高低变化值。

9.一种计算机装置，用于土壤含水量空间变异性三维表征，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现以下步骤，包括：

选取示范性土壤地块，将土壤地块划分成多个栅格，对每个栅格设置随机采样点；

测量所有随机采样点的土壤含水量数据，并对随机采样点的土壤含水量数据进行正态性检验；

对每个随机采样点的栅格进行多层过程处理，得到多层精细网格；

采用序贯模拟方法对多层精细网格进行处理，包括随机行走、局部搜索和条件估计，得到土壤含水量的三维立体面数据；

运用GRID和TIN数据格式交替表达土壤含水量的三维立体面数据，形成土壤含水量的三维模型。

10.一种计算机可读存储介质，其上存储有用于土壤含水量空间变异性三维表征的计算机程序，其特征是，该程序被处理器执行时实现以下步骤：

选取示范性土壤地块，将土壤地块划分成多个栅格，对每个栅格设置随机采样点；

测量所有随机采样点的土壤含水量数据，并对随机采样点的土壤含水量数据进行正态性检验；

对每个随机采样点的栅格进行多层过程处理，得到多层精细网格；

采用序贯模拟方法对多层精细网格进行处理，包括随机行走、局部搜索和条件估计，得到土壤含水量的三维立体面数据；

运用GRID和TIN数据格式交替表达土壤含水量的三维立体面数据，形成土壤含水量的三维模型。