根据天气预报估算参照腾发量

参照腾发量ET₀的实时预测对实时灌溉预报很重要。通过对普通天气预报信息进行解析,取得可用的合理数据,利用Penman-Monteith方法估算了北京大兴试区近10年逐日参照腾发量,最后与由实测气象数据计算的结果进行了对比分析。结果表明：解析气象因子与实测数据中,日照时数的相关系数为0.99,风速为0.90;t检验值日照时数为376.9042,风速为122.4295,远远大于t分布相应临界值2.576(α＝0.01),表明其可以认为是来自一个近似的总体样本。由日最低气温确定的实际水汽压和由实测相对湿度计算的实际水汽压,二者相关系数达到0.93,t检验值为153.3015。运用天气预报信息计算预测的ET₀与实测数据用Penman-Monteith方法计算的ET₀相比,相关系数达到0.9613,t检验值为209.1194,说明二者具有高度显著的线性相关性。如果日常天气预报准确度能够达到90％以上,用此理论预测参照腾发量将具有较大的参考价值和实际意义。     

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.     

冬小麦返青后腾发量时空尺度效应的通径分析

作物腾发量（ET）的时空尺度效应是作物高效用水调控与节水灌溉管理中需面对的基础科学问题。该文对返青后冬小麦生育期内试验小区实际腾发量（ETa）和区域水分通量（LE）以及作物生长环境因子进行实测,利用通径分析方法,对冬小麦ET时空尺度效应及其主要影响因子进行分析。结果表明,不同时间尺度和空间尺度下,作物蒸腾蒸发的影响因子不同,显示了其不同的时空尺度效应。对试验小区实际腾发量ETa来说,以全日24 h的数据来分析,其主要影响因子是叶面积指数LAI和净辐射Rn,而白日时段（7:00-18:00）分析显示主要影响因子是空气饱和水汽压差VPD_7-18和叶面积指数LAI。对田间尺度的区域水分通量LE来说,全日24h数据的主要影响因子是净辐射Rn和作物高度H,白日时段（7:00－18:00）数据的主要影响因子是饱和水汽压差VPD_7-18和作物高度H。冬小麦返青后的时间尺度效应表现是全日24h作物腾发量的主要影响因子是净辐射,而白天时段影响腾发量的主要因子是空气饱和水汽压差;空间尺度效应表现是小面积的作物腾发量大小对作物的叶面积指数变化敏感,区域水分通量的大小与下垫面植被高度的变化有关。     

应用自适应神经模糊推理系统(ANFIS)的ET0预测

参照作物腾发量是计算作物需水量和进行灌溉预报的基础要素。该文利用自适应神经模糊推理系统(ANFIS)所具有的直接通过模糊推理实现输入层与输出层之间非线性映射能力,和神经网络的信息存储和学习能力,将其应用于参照作物腾发量预测中。根据相关分析,输入变量选择日照时数和日最高气温;用5年共1827个数据组对系统进行训练,建立了参照作物腾发量预测系统。利用该系统对近年213个数据组进行了实际预测,与Penman-Monteith方法计算结果进行比较,结果相关性良好。     

基于日天气预报数据估算小麦生长季参考作物蒸散量

为了在气象要素类型不完整条件下采用Penman-Monteith方法估算小麦生长季蒸散量,运用2014/2015和2015/2016年度两个小麦生长季新乡历史日天气预报数据和对应日气象实测数据,以及修正后的太阳辐射参数和调节系数,首先验证天气预报气温值的准确性,并以预报气温为基础,估算实际水汽压和太阳辐射,最后利用天气预报气温和平均风速值,以Penman-Monteith公式为基础估算参考作物蒸散量。结果表明：日天气预报温度数据可以代替气温观测数据;用天气预报中的最高和最低气温估算的水汽压和太阳辐射能满足Penman-Monteith公式的要求;用天气预报数据估算的辐射项的精度高于空气动力项的精度。总体上,用天气预报数据估算的日参考作物蒸散量中辐射项的精度高于空气动力项,用天气预报估算值总体偏低,但低估范围在7%之内,经统计分析,用天气预报估算与利用Penman-Monteith估算的日参考作物蒸散量相关性较高（R2=0.77）。因此,采用日天气预报的气象资料估算参考作物蒸散量这一方法可行,建议在干旱半干旱地区采用辐射法估算参考作物蒸散量,这给农业灌溉预报提供了理论和方法上的保证,并对指导当地农业水资源的优化配置具有参考意义。     

基于RS数据和GIS方法估算区域作物节水潜力

利用遥感ET数据开展用水定额管理及节水潜力分析等方面的研究,是对传统农业节水研究的有益补充。该文利用分类均值法构建了基于遥感ET数据的作物水分生产函数,考虑耗水较低兼顾水分生产率较高的原则,提出基于水资源脆弱区作物ET定额估算模型,利用该模型计算获得冬小麦及夏玉米的ET定额分别为346.00、313.00 mm;保持现有土地利用结构不变,以作物ET定额为评价标准,通过对超过该作物ET定额的像元进行调整,获得大兴区夏玉米及冬小麦的节水潜力分别为1 176.75、369.27万m3。该研究为利用遥感ET数据开展区域耗水节水潜力的定量化评价进行了有益的探索。     

利用常规气象资料模拟计算作物系数的探讨

利用Ｐｅｎｍａｎ-Ｍｏｎｔｅｉｔｈ公式和ＮＷＳＥ（非水分胁迫条件下作物腾发）模型及中国科学院禹城综合实验站的系列气象资料逐日模拟计算了冬小麦返青～收获期间的作物系数。分析表明：作物系数多年变化具有相对稳定性,当表土含水率为田间持水量的６０％时,ＮＷＳＥ模型模拟计算作物系数多年均值与实验值较一致;同时,作物系数年际间的变化存在一定程度的变异性。ＮＷＳＥ模型计算的作物系数的平均标准差为０.１３,平均变差系数为０.１２。气象因素对作物系数变异性的影响分析表明：太阳净辐射、风速和空气湿度的影响较显著,而气温波动的影响不明显;作物系数随风速增大或相对湿度、净辐射降低而增大。     

温室夏季温湿度遗传模糊神经网络控制

利用模糊神经网络对温室夏季温湿度控制进行了研究,同时为了克服BP算法收敛速度慢和局部极小的弱点,采用改进的遗传算法对网络的参数进行训练,从而将模糊逻辑、神经网络、遗传算法3者有机地结合起来应用于温室夏季温湿度控制中     

基于改进遗传算法的温湿度模糊神经网络控制器

为了创造适合作物生长的环境,针对温室系统的特点,该文提出了一种基于改进遗传算法的模糊神经网络控制器,利用改进遗传算法训练模糊神经网络模型,采用此模糊神经网络控制器控制温室系统,由数值实验可以看到采用此控制器的温室系统具有响应速度快、过程平稳、编程简单的特点.     

参考作物腾发量主成分神经网络预测模型

为解决采用神经网络模型预测参考作物蒸发蒸腾最Eto研究中预测能力不足的问题,将气象因子包括最高、最低和日平均温度、日照时数、气压、水汽压、相对湿度和风速进行主成分分析,提取主成分,建立了基于主成分的三层BP神经网络模型.选取崇川水利科学试验站2001年到2004年的旬气象资料,采用Matlab神经网络工具箱进行模型训练与预测,并以传统BP网络模犁作为对照.结果表明,主成分网络模型能够很好地反映诸多影响因子与Eto之间的关系,尤其对训练样本以外的验证样本,主成分网络模型具有显著优于传统BP网络模型的识别能力,取得更为可靠的预测结果.     

Prediction of daily reference evapotranspiration by a multiple regression method based on weather forecast data

Prediction of daily reference evapotranspiration (ET ₀) is the basis of real-time irrigation scheduling. A multiple regression method for ET ₀ prediction based on its seasonal variation pattern and public weather forecast data was presented for application in East China. The forecasted maximum temperature (T _max), minimum temperature (T _min) and weather condition index (WCI) were adopted to calculate the correction coefficient by multilinear regression under five time-division regimes (10 days, monthly, seasonal, semi-annual and annual). The multiple regression method was tested for its feasibility for ET ₀ prediction using forecasted weather data as the input, and the monthly regime was selected as the most suitable. Average absolute error (AAE) and root mean square error (RMSE) were 0.395 and 0.522 mm d^?1, respectively. ET ₀ prediction errors increased linearly with the increase in temperature prediction error. A temperature error within 3 K is likely to result in acceptable ET ₀ predictions, with AAE and average absolute relative error (AARE) <0.142 mm d^?1 and 5.8%, respectively. However, one rank error in WCI results in a much larger error in ET ₀ prediction due to the high sensitivity of the correction coefficient to WCI and the large relative error in WCI caused by one rank deviation. Improving the accuracy of weather forecasts, especially for WCI prediction, is helpful in obtaining better estimations of ET ₀ based on public weather data.     

基于BP神经网络的东港灌区作物需水量预测研究

为了指导东港地区的农业生产,对影响作物参考蒸散量(ET0)的气象因子进行了分析,利用东港市1999年和2000年水稻生育期的常规气象资料,采用Matlab软件的神经网络工具箱,建立ET0三层BP神经网络预测模型,网络的输入因子为日净辐射量、日平均相对湿度和日平均风速,输出因子为利用Penman—Monteith公式计算得到的同期ET0值。结果表明:(1)当模型的隐层节点数为11,传递函数采用tansig函数,训练函数采用trainlm函数时,预测值与目标值的平均相对误差为9%,预测效果较其他情况都好,由此确定模型的最终结构为3—11—1的BP—ET0模型。(2)用BP—ET0模型预测参考作物蒸散量,预测值与目标值的变化趋势基本一致。     

Forecasting daily reference evapotranspiration using the Blaney–Criddle model and temperature forecasts

Accurate daily reference evapotranspiration (ET_o) forecast is essential for real-time irrigation scheduling. An attempt was made to forecast ET_o using the Blaney–Criddle (BC) model and temperature forecasts in this study. Daily meteorological data for the period 2000–2014 at five stations in East China were collected to calibrate and validate the BC model against the FAO56 Penman–Monteith (FAO56-PM) model. Temperature forecasts up to 7 days’ lead time for 2012–2014 were input to the calibrated BC model to forecast ET_o. It is found that the performance of the BC model for ET_o forecast is further improved at all stations after monthly calibration. Average accuracy of forecasted ET_o (error within 1.5 mm d^?1) ranged from 82.7% to 89.3%, average values of mean absolute error (MAE) varied between 0.73 and 0.82 mm d^?1, average values of root mean square error (RMSE) ranged from 0.95 to 1.08 mm d^?1, and average values of the correlation coefficient (R) and concordance index (d) were more than 0.75 and 0.89, respectively. Furthermore, the error in ET_o forecast caused by error in temperature forecast is acceptable. The encouraging results indicate that the proposed method can be an alternative and effective solution for forecasting daily ET_o in East China.     

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.     

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。     

利用温度资料和广义回归神经网络模拟参考作物蒸散量

参考作物蒸散量(reference evapotranspiration,ET0)精确模拟对水资源高效利用和灌溉制度制定具有重要意义,该文以四川盆地19个气象站点1961-1990年逐日最高、最低温度和大气顶层辐射作为输入参数,FAO-56 Penman-Monteith(PM)模型计算的ET0为标准值,建立基于广义回归神经网络(generalized regression neural network,GRNN)的ET0模拟模型,基于1991-2014年资料进行模型验证,将GRNN模型同Hargreaves(HS1)和改进Hargreaves(HS2)等简化模型的模拟结果进行比较,分析只有温度资料情况下不同模型模拟ET0误差的时空变异性。结果表明:GRNN、HS1和HS2模型均方根误差(root mean square error,RMSE)分别为0.41、1.16和0.70 mm/d,模型效率系数(Ens)分别为0.88、0.13和0.67。3种模型RMSE在时空上均呈现HS1HS2GRNN、Ens均呈现GRNNHS2HS1趋势;与PM模型模拟结果相比,GRNN、HS1和HS2模型模拟结果分别偏大0.8%、45.1%和17.3%。在时空尺度上的误差分析均表明利用温度资料建立的GRNN模型能够较为准确地模拟四川盆地ET0,因此可以作为资料缺失情况下ET0模拟的推荐模型。该研究可为四川盆地作物需水精确预测提供科学依据。