基于天气预报的漳河灌区参考作物腾发量预报方法比较

为了提出适合湖北省漳河灌区的参考作物腾发量预报方法,以FAO56-Penman-Monteith公式采用历史气象数据计算出的值为基准,利用天气预报数据,比较Hargreaves-Samani(HS)法、逐日均值修正法及该文改进的逐日均值修正法在该灌区钟祥站点的预报精度,并评价各方法适用性.结果表明:利用这3种方法进行参考作物腾发量预报时,1~7 d预见期平均绝对误差均值分别为0.75、0.80、0.76 mm/d,均方根误差分别为1.00、1.07、1.05 mm/d,相关系数分别为0.82、0.80、0.80.1 d预见期最优预报方法为改进逐日均值修正法,2~7 d预见期的最优方法均为HS法.总体而言,预报精度最好的为HS法、改进逐日均值修正法次之、逐日均值修正法最差.对于漳河灌区,建议采用HS法进行预报,可为灌溉预报提供较为准确的数据基础.     

利用协击方法建立广州荔枝寒害预报模型

传统的农业气象长期预报方法在选择预报因子时,往往忽略了因子间的独立性,降低了预报的实际效果.本文尝试应用协击方法对广州荔枝寒害进行长期预报.首先对1962-2005年的致灾因子与前期大气环流指数进行相关分析,初步入选预报因子;然后利用协击方法对入选因子进行独立性检验,并筛选独立性好的因子建立预报方程;最后对预报方程结果进行综合决策.通过对历史数据的回代检验,所建模型的模拟准确率达到86.4%.运用该预报模型对2007-2008年广州荔枝寒害进行试预报,结果与实际相符,表明应用此方法进行农业气象长期预报是有效的.     

降雨、径流因子的初步研究——Ⅱ—土壤坡面侵蚀量预报

在土壤侵蚀研究和生产实践中,常常要求对山丘地区坡面上的土壤侵蚀量作出预报,以便采取侵蚀的防患措施。预报土壤侵蚀量的方法,美国曾提出土壤流失预报通用方程,就中将引起土壤侵蚀的所有因子归纳为降雨因子、土壤因子、地形因子、经营管理和保土因子。在这些因子中,除降雨因子外,其它因子的实际值都是根据经验或与标准地块相比而得出的。因此,对于地形不甚复杂、地域较大、研究工作又较为规范化时,才有可能建立土壤流失预报通用方程。但如果地域不大、地形复杂,又还未取得足够的完整资料,建立或应用土壤流失预报通用方程就很困难。然而应用现有径流小区的观测资料,建立回归方程进行山丘坡面土壤侵蚀量预报则是可能     

参考作物潜在蒸散量的人工神经网络模型研究

根据河套灌区多年气象资料和Penman-Monteith法计算得到的参考作物蒸散量(ET0),对影响ET0的主要气象因子进行了回归分析,并比较了以4因子(平均气温、净辐射、相对湿度、2 m处风速)和3因子(平均气温、净辐射、相对湿度)为输入向量,由Penman-Monteith法计算所得ET0为输出向量的BP网络ET0预报模型.研究表明,BP网络可以用于ET0的预报计算,四因子法和三因子法均简便可行,能满足生产的需要.相比之下,四因子法的精度更高.此研究是对传统ET0计算的补充.     

河北省夏蝗大发生的气象预报

分析影响夏蝗大发生的关键气象因子,预报夏蝗的发生程度,对夏蝗防治决策起着十分重要的作用.利用秩相关系数法,筛选出影响河北省洼淀和沿海两个类型区夏蝗大发生的关键气象因子.根据贝叶斯判别准则,确定了两类蝗区夏蝗大发生关键气象因子的最佳临界距平值;利用灾变规律的关键时预报方法,对两个蝗区因子数确定的关键年进行敏感性分析,确定了两个类型蝗区最佳的预报因子数.在此基础上,对河北省不同生态类型区夏蝗大发生进行模拟和预报,结果拟合率达到99%以上,2004和2005年延伸预报结果与实际一致.     

集对分析在作物产量年景预报中的应用

影响作物产量预报准确性的关鍵问题之一是自然条件下预报因子对作物产量影响的不确定性。本文针对作物产量预报的特点,应用集对分析中联系度的概念,将影响作物产量的预报因子分为适宜区间、影响不明显区间、不适宜区间和减产区间,进行同异反分析,建立了基于集对分析的作物产量预报模型。并对新昌县小麦产量进行预报试验,结果表明,联系度的引进改进了预报因子的合理性,能提高小麦产量预报的准确性。     

山东棉铃虫发生发展气象预测模型

基于山东省典型植保站1990—2004年逐年棉铃虫各主要危害代的累计卵量、发生程度和同期气象资料,利用DPS数据处理系统,对关键气象因子进行多元逐步回归,建立各代棉铃虫累计卵量、发生程度等的中短期气象预测模式。历史回代以及对2005年试预报效果均较好,可以为当发棉铃虫监测预报和有效防治提供服务,对农业防灾减灾具有重要的指导意义。     

一种基于回归分析与时序分析的降水预报模型

中长期降水预报存在的问题是资料不足和预报精度较低.运用回归分析与时序分析相结合的方法,将实测降水序列分解成趋势、周期、随机3种成分,并分别构建各分量的子模型;将3个子模型线性叠加,并对拟合的纯随机序列进行修正,得到降水预报的第三类模型;进而给出了模型精度评价方法.实例分析表明,运用修正后的模型进行降水预报,可以缩小峰值处的误差,预报精度比其余两类模型有所提高.该方法可仅根据历史资料进行降水预报,对资料要求较低,精度可靠,是一种实用的方法.     

基于日气温特征值与冷/热积量模型耦合的苹果始花期预报模型

以临猗、洛川和栖霞3个富士系苹果主产区为研究区，基于2019−2020年各地调查样点的1km格网气象数据、实际始花期数据以及冷小时模型（Chilling Hour Model，CHM）和生长度小时（Growing Degree Hour，GDH）模型，利用网格搜索法得到苹果始花期最优冷/热需求量；然后将日气温特征值（日最高温Tmax、日最低温Tmin和日平均温Tavg）划分为单因子、双因子和三因子7种日气温特征因子组合方式，利用随机森林算法（Random Forest，RF）构建3个地区不同日气温特征因子组合下的日冷/热积量模型，以筛选最优日气温特征因子；在此基础上，基于最优日气温特征因子，利用RF构建苹果始花期预报模型，并通过独立实际始花期数据对预报模型进行精度评价。结果表明：（1）临猗地区的苹果始花期最优冷/热需求量分别为730CH和7350GDH，洛川地区分别为345CH和4950GDH，栖霞地区分别为520CH和4450GDH；（2）7种日气温特征因子组合中，Tmax、Tmin和Tavg三因子组合下的3个地区日冷/热积量模型在估算日冷/热积量时均具有较高的准确性，日冷积量估算值与基于CHM模型得到的日冷积量间的RMSE为0.97～2.50CH，日热积量估算值与基于GDH模型得到的日热积量间的RMSE为1.73～15.76GDH；（3）利用苹果始花期预报模型估算日冷/热积量，日冷/热积量估算值与基于CHM/GDH模型得到的日冷/热积量间的RMSE分别为1.08～1.14CH和2.03～3.74GDH；当利用该模型进行苹果始花期预报时，预报值与实际值R2为0.92，RMSE为3.44d，其精度与基于真实逐小时气温数据的精度整体一致，表明本研究构建的苹果始花期预报模型可以有效将输入气温数据从逐小时尺度转换为日尺度，这在后续苹果始花期预报工作中具有较好的应用价值和潜力。     

基于密度参数K-均值算法的RBF网络及其在降水量预测中的应用

径向基函数（Radial Basis Funtion,简称RBF）神经网络是一种收敛速度快、逼近能力强的前馈型神经网络。为提高网络的训练速度,采用基于密度参数的K-均值算法,消除传统K-均值算法对初始聚类中心的敏感性,构建了基于K-均值算法的RBF降水预报模型,并应用于挠力河流域的友谊农场汛期月降水量预报中,以检验所建模型的有效性。结果表明,与标准的K-均值算法RBF网络模型和BP（Back Propagation）网络模型相比,所构建的RBF降水预报模型对2008年,2009年,2010年各年间汛期（6—9月）降水量的预测平均相对误差为9.270 7％;确定性系数为0.96。预报精度均有所提高,且满足水文预报要求。     

基于灰色关联度与BP神经网络模型的日参考作物腾发量预测

参考作物腾发量是制定灌溉用水计划、水量分配计划最基本、最重要的内容之一,其精确预测可以提高灌溉预报的精度。采用灰色系统理论中的关联分析方法,对影响作物腾发量的各个气象因素进行关联度分析,挑选出影响作物腾发量的主要气象因子,并以这些主要气象因子为输入向量,以参考作物腾发量为输出向量,建立作物腾发量与主要气象因子之间的BP神经网络预测模型。通过实例证明,该方法简单可行,预测精度比较高,能够满足实际生产需要。     

基于大气环流特征量的河北省冬小麦白粉病预报模型

利用1990-2010年逐年的河北省冬小麦白粉病和国家气候中心74项大气环流特征量指数（即大气环流指数）逐月值资料,通过Pearson相关分析和逐步回归分析方法,筛选与白粉病发生显著相关的大气环流因子,建立河北省冬小麦白粉病受害面积的年前、春季预报模型.首先根据白粉病发生面积与大气环流指数关系,建立白粉病发生面积预报模型（模型Ⅰ和模型Ⅱ）,并基于贝叶斯分类规则,利用白粉病面积预报结果建立白粉病发生程度的预报模型;另外,基于贝叶斯分类规则直接利用关键大气环流指数建立白粉病发生程度预报模型（模型Ⅲ和模型Ⅳ）;最后通过预报结果与实际发生情况的对比对模型效果进行检验.结果表明,白粉病发生面积和发生程度两种模型均可在发病前1a的12月底和当年4月底进行预报;对1990-2010年的历史回代拟合和2011-2013年的外延预报结果显示,模型Ⅰ和模型Ⅱ预报的小麦白粉病发生面积（1990-2013年）与实际发生面积基本一致,年前和春季病害发生程度预报模型（模型Ⅲ和模型Ⅳ）的历史回代拟合准确率分别为81.0％和90.5％,2011-2013年外延预报误差最大的仅1个等级.说明大气环流特征量对小麦白粉病有较强的气候指示效应,可为小麦白粉病的长期预测提供参考依据.     

吉林省一代玉米螟发生的气象条件适宜程度等级预报

将玉米螟发生的气象条件划分为5个等级:1级:气象条件有利于玉米螟大发生;2级:气象条件有利于玉米螟中等偏重发生;3级:气象条件有利于玉米螟中等发生;4级:气象条件有利于玉米螟中等偏轻发生;5级:气象条件不利于玉米螟发生.利用相关法确定影响玉米螟发生的主要气象因子,假设每个气象因子对玉米螟发生程度的影响是线性的,将每个影响因子对玉米螟发生的影响程度相叠加,建立了吉林省一代玉米螟发生的气象适宜程度等级预报方程.利用近26a来吉林省玉米螟发生的历史虫害资料与气象资料对方程进行检验,并对2007年吉林省玉米螟发生气象条件适宜程度进行预报,效果较好.可达到从气象角度对玉米螟发生进行监测和预报的目的.     

土壤侵蚀研究中的坡长因子评价问题

坡长是决定坡面能量沿程变化,影响坡面径流与水流产沙过程的重要地貌因素之一.进行土壤侵蚀预报,建立土壤侵蚀预报模型,离不开对坡长因子的评价.关于坡长的研究从定性描述到作为模型因子的定量考察已经进行的十分深入,但大多是经验性的,从物理意义上对坡长因子的研究还处于初步阶段,尤其我国在这方面的研究更为欠缺.在总结国内外前人工作的基础上,对土壤侵蚀在坡长方面的研究提出了一些问题和展望,指出在坡长因子评价方面应加强对侵蚀产沙过程的研究.     

基于主分量的神经网络气温预报模型

根据山西省6个有代表性的气象观测站1951-2000年的气象资料,以降水量、气温为预报因子,以太原市最冷月平均气温为预报量,采用人工神经网络与主分量分析相结合的方法,建立了太原最冷月平均气温预报模型。该模型对1960-1990年的历史样本拟合的平均相对误差为3.6%,对1991-2000年独立样本的预报准确率达90%,说明该模型可使预报泛化能力显著提高,对农业防灾减灾有较大作用。     

四川省典型区域滑坡、泥石流致灾临界雨量阈值确定方法

[目的]确定四川省滑坡泥石流典型区域各个子区最关键的降雨因子,建立典型区域各子区临界阈值模型,为该区对滑坡、泥石流灾害进行有效预报提供科学依据.[方法]利用1999 2014年四川滑坡泥石流灾情资料,确定出滑坡、泥石流的典型区域,根据典型区域各个子区的气候和下垫面条件,比较不同降雨因子组合的阈值模型,得到各子区最关键的降雨因子,建立典型区域各子区临界阈值模型.[结果]平均降雨强度和峰值降雨强度是典型区域滑坡、泥石流阈值模型中的重要指标;诱发雨量多作为滑坡典型区域致灾临界阈值模型雨量指标,激发雨量只作为泥石流典型区域致灾临界阈值模型雨量指标;有效雨量可以在滑坡、泥石流典型区域值模型中应用.典型区域多采用多因子预报模型,只有汶川震区采用单因子预报模型,其临界阈值在震后呈现上升趋势.[结论]不同降雨参数对诱发滑坡泥石流灾害的作用不同,典型区域中各子区建立的预报模型及得出的临界阈值也不同.多因子预报模型考虑了多种降雨参数,比单因子模型更客观.     

基于气象条件的赤松毛虫越冬死亡率预报模型

利用辽宁省阜新县1976-2012年赤松毛虫越冬死亡率数据及同期气象站的温度、降水量、风速、相对湿度、日照时数等资料,采用相关分析、逐步回归分析、主成分分析与逐步回归相结合等方法,确定影响赤松毛虫越冬死亡率的关键气象因子,并建立赤松毛虫越冬死亡率的预报模型,两种方法建立的模型都通过了0.05水平的显著性检验。结果表明,冬季温度是影响赤松毛虫越冬死亡率的主要因子,其次是日照时数和温湿度的配合情况。仅采用逐步回归分析方法(方法Ⅰ)所建模型得到的拟合值与观测值的相关系数为0.75,D2(越冬死亡率模拟值与实际值相对差值的平方)均值为0.58,而采用主成分与逐步回归相结合方法(方法Ⅱ)建立模型得到的拟合值与观测值的相关系数为0.76,D2均值为0.62。利用两种方法对2009-2012年松毛虫越冬死亡率进行模拟预测,其中2009,2010和2012年方法Ⅰ预测准确率在70%以上,方法Ⅱ的预测准确率在80%以上,表明方法Ⅱ所建模型的拟合及预报准确率均高于方法Ⅰ,但由于两种模型的适用条件不同,在各气象因子数据容易获取的情况下,应选用方法Ⅱ,反之则可选用方法Ⅰ进行预报。     

湖南省气象-柑桔产量预报模式研究

分析了影响湖南省柑桔产量的气象因子;在柑桔生长发育3个关键期,对柑桔产量歉年提出了5个气象灾害减产指标,对丰年也作了气象条件的定性分析.并在此基础上,建立了柑桔产量气象预测预报模式;其中柑桔产量营养积累均衡值的提出,为预报柑桔产量大、小年提供了一种新的方法;并以大气环流因子作为多个气象因子对柑桔产量作用的综合表征,更进一步提高了柑桔产量预报定量化的准确率和时效性.     

基于两种方法建立辽宁大豆产量丰歉预报模型对比

利用辽宁省56个气象站1992?2016年逐日气象资料和5个代表农业气象站的大豆发育期资料,计算不同生育期关键气象因子和气候适宜度指数,分别建立基于关键气象因子和气候适宜度的辽宁省大豆逐候产量动态预报模型,并进行回代检验和预报检验。结果表明：基于关键气象因子的预报模型在6月16日、7月21日、7月26日、8月1日、8月26日和9月16日可以进行产量预报（P＜0.05）,基于气候适宜度的预报模型在8月16日-10月1日每候可进行1次产量预报（P＜0.05）;两种预报模型的平均回代检验准确率均高于83.0%;基于气候适宜度的预报模型回代检验准确率和预报检验准确率的变幅较小,稳定性更高;应用两种预报模型,辽宁省大豆产量趋势预报业务得分＞0的年份约占60%。说明利用两种模型对辽宁省大豆产量进行动态预报均能满足业务服务需求;进行趋势预报时,可以优先考虑基于关键气象因子的预报模型,而在未出现重大气象灾害的正常年份,可以赋予基于气候适宜度的预报模型更多权重,以减少预报时次。     

冬小麦产量结构要素预报方法

为优选出最佳的冬小麦产量结构要素预报方法,该研究选择冬小麦成穗数、穗粒数及千粒质量为预报目标,综合考虑种植品种、密度及地区因子,并对气象因子进行膨化统计,得到126个自变量因子,分别采用多元线性回归、因子分析-线性回归及BP(Back Propagation)神经网络等3种方法进行建模分析。结果表明,直接采用各因子进行回归分析无法解决不同自变量间存在的多重共线性问题,而因子分析虽然消除了不同自变量间的多重共线性,但采用因子优化后的10个综合因子分别对3个产量结构要素进行线性回归,得到的预报模型决定系数(R^2)均不足0.500。运用BP神经网络对冬小麦3个产量结构要素进行预报,结果发现,当输入层为126、隐含层为16、输出层为3时,BP神经网络结构最佳,在此结构下,模型的决定系数为0.644,明显优于多元线性回归及因子分析-线性回归法。同时,基于BP神经网络模型对冬小麦产量结构要素的预报精度平均达85.3%。因此,推荐采用BP神经网络模型对冬小麦产量结构要素进行预报。