基于辐射改进Penman-Monteith模型估算粮食主产区参考作物蒸散量

为进一步提高Penman-Monteith模型估算参考作物蒸散量(Reference crop evapotranspiration,ET₀)的精度,以中国粮食主产区为研究对象,将其划分为温带湿润半湿润地区(THSZ)、温带干旱半干旱地区(TASZ)、暖温带半湿润地区(WTSZ)和亚热带湿润地区(SHZ),基于32个气象站点1994-2020年长序列实测逐日气象数据,将猎豹算法(CO)、沙猫算法(SCSO)、野狗算法(DOA)优化的时间卷积神经网络模型(TCN)和3种基于日照时数、3种基于温度的经验模型估算的辐射(R_s)值与PM模型进行融合,得到改进PM模型。以均方根误差(RMSE)、决定系数(R²)、平均绝对误差(MAE)和效率系数(E_NS)为精度评价体系,找出了粮食主产区不同分区的ET₀最优估算模型,结果表明：基于日照时数模型的计算精度要优于温度模型,其中CO-TCN模型在全区内均表现出了较高的精度,在不同分区的RMSE、MAE、R²和E_NS...     

基于CatBoost的温室日参考作物蒸发蒸腾量估算模型研究

参考作物蒸发蒸腾量(Reference Evapotranspiration,ET₀)是估算作物需水量、制定灌溉制度、提高用水效率,实现农业节水的重要参数。针对传统Penman-Monteith(P-M)公式计算作物蒸发蒸腾量需要参数多,计算复杂等问题,提出了一种基于支持分类特征的梯度提升决策树(CatBoost)算法估算温室日参考作物蒸发蒸腾量。以温室修正型Penman-Monteith公式计算的ET₀作为标准值,通过Pearson’s方法对输入参数与ET₀之间的相关性进行分析,组合不同输入特征向量。当输入参数组合为3参数,即平均室内温度、平均相对湿度、累积太阳辐射时,CatBoost性能最优,测试集估算精度MAE为0.220 mm/d,RMSE为0.310 mm/d。进一步对比了6种其他机器学习模型(XGBoost、AdaBoost、随机森林、决策树、KNN、SVM)的估算精度,结果表明CatBoost模型具有最佳的估算精度和稳定性,能够较好地模拟参考作物蒸发蒸腾量。构建的日参考作物蒸发蒸腾量估算模型为水肥精准化管理、灌溉控制系统研发提供了一种新的思路。     

考虑“蒸发悖论”的洱海灌区逐日参考作物蒸散发预测

【目的】为估算参考作物蒸散发(ET₀)和灌溉实时预报调度、区域农业干旱评估提供依据。【方法】以滇中高原上洱海湖滨灌区的大理气象站为例,探究“蒸发悖论”现象出现的时期,采用气象因子线性回归模型、蒸发皿折算系数K_p模型、气象因子+蒸发皿蒸发(E_pan)多元回归模型、Normal Copula模型等4种方法计算逐日ET₀进行预测对比,并与Penman-Monteith公式计算所得的ET₀进行对比。【结果】①1954—2018年大理站20 cm蒸发皿蒸发量呈下降趋势,ET₀和气温呈上升趋势,但ET₀的上升趋势更平缓;虽然在长时间序列上ET₀和蒸发皿蒸发量有相反的变化趋势,但在年代际存在显著的差异性,1960年和2000全年以及四季均出现“蒸发悖论”,1970年则是全年以及夏、秋、冬三季出现“蒸发悖论”,1990年仅夏季出现“蒸发悖论”,2010年秋季出现“蒸发悖论”。②在未出现“蒸发悖论”时期,加入E_pan后的气象因子多元回归模型法(ET_0,Epan+Metr)所得逐日ET₀预测结果与标准值的误差最小,其次为单纯的气象因子多元线性回归模型法(ET₀,Metr),最差为K_p模型法(ET₀,K_p);加入E_pan后的气象因子多元回归模型(ET₀,ET_0,Epan+Metr)逐日ET₀预测的相对误差(ERR)小于15%、20%、25%的样本数达到了79.18%~90.16%、89.32%~97.23%、94.79%~98.36%。③出现“蒸发悖论”时,蒸发皿蒸发与ET₀的变化趋势相反,只能采用Copula联合分布函数模型预测,构建T-T_max二维Normal Copula模型的精度更高,ERR小于15%、20%、25%的样本数为73.70%~86.56%,82.51%~92.95%,89.89%~98.52%。【结论】通过M-K检验判别是否处于“蒸发悖论”期,以决策选用加入E_pan后的气象因子多元回归模型,还是T-T_max二维Normal Copula模型,二者均可显著提高逐日ET₀预测模拟的精度。     

基于公共天气预报的参考作物腾发量预报

针对Penman Monteith公式的应用局限性,以公共天气预报可测因子及历史气象数据计算ET₀为基准,对广州站2017-01-01-2019-03-31预报气象信息风力状况进行量化后,以2017,2018年气象预报信息为输入因子、ET₀为输出因子,分别建立基于回归型支持向量机(SVR)预报模型与BP神经网络预报模型,选择性能较优预报模型对2019年ET₀进行预报,并与计算值进行对比分析.结果表明:回归型支持向量机参考作物腾发量预报模型测试集确定性系数为0.896、均方误差为0.206,BP神经网络参考作物腾发量预报模型测试集确定性系数为0.851、均方误差为0.305,SVR参考作物腾发量预报模型均方误差及决定系数要明显优于BP神经网络;基于SVR模型的预报值与PM公式计算值相关系数为0.761,没有明显差异,表现出显著的相关性以及整体吻合度,可为灌溉预报及决策提供较为准确的ET₀预报数据.     

江苏地区不同参考作物蒸发蒸腾量估算模型

为了研究不同参考作物蒸发蒸腾量ET₀估算方法在江苏地区的适用性,收集了江苏省徐州市、高邮市和昆山市1957年1月至2019年12月的气象数据,采用12种不同模型估算了各站点的ET₀,其中模型Priestly-Taylor,Hansen,Jensen-Haise,Makkink是基于辐射数据的模型;MC-Cloud,1985 Hargreaves,Thornthwaite是基于温度数据的;Copais,Valiantzas 1和Valiantzas 2是综合法模型;XGBoost和SVM是机器学习模型.12种ET₀的估算模型计算值分别与Penman-Monteith模型(PM)计算值进行比较,结果表明:各站点的综合评价指数GPI最高的为机器学习模型中的SVM模型;在输入参数相同的情况下,机器学习模型模拟精度优于综合法和温度法以及辐射法中的Pristley-Taylor和Makkink模型;机器学习模型随着输入参数减少,模拟精度依次降低.研究结果可以为江苏地区气象数据不完善时估算ET₀提供科学依据.     

三江平原ET0时空特征及其未来情景下预测研究

参考作物蒸发量(Reference crop evapotranspiration, ET₀)的预测对作物需水量计算与田间水分管理具有重大意义,可为农业节水和水资源高效利用提供重要的科学依据。基于三江平原6个气象站1961—2010年逐日气象资料,采用Penman-Monteith(P-M)公式计算ET₀,对历史期(1961—2010年)ET₀及相关气象要素的时空特征进行分析;依据美国国家环境预报中心再分析数据以及大气环流模型(GCM)中加拿大CanESM2模式的预报因子日序列的输出数据,采用统计降尺度模型(SDSM)对未来RCP4.5和RCP8.5两种排放情景下的ET₀进行预测。结果表明：历史期ET₀呈上升趋势,多年年平均气温与ET₀趋势相同,而年平均风速、相对湿度和净辐射整体呈下降趋势,空间分布上多年年平均ET₀总体表现为中部高于周边、西部高于东部的趋势;模拟精度检验方面,基于CanESM2模式下historical情景模拟的ET...     

基于改进Makkink模型的四川盆地参考作物蒸散量估算

为了有效提高四川盆地参考作物蒸散量ET₀的预报精度,选取四川盆地16个代表性气象站点1961-2019年逐日气象数据,基于差分进化算法(DE)对辐射模型的经验参数校准改进Makkink模型并估算四川盆地ET₀,在日、月尺度上对改进的Makkink模型(M1-M6)和Jennsen-Haise(JH)及Irmak(IK)模型评价.结果表明:在日尺度上,改进的Makkink(M1-M6)模型(R²为0.77~0.87)模拟结果比JH和IK模型(R²为0.74~0.76)更精确,改进的Makkink模型中,M4模型估算精度最高,综合性指标GPI中位数为1.05;在月尺度上,改进的Makkink模型模拟结果(误差为3.59~15.71 mm/月)也优于JH和IK模型(误差为6.84~25.31 mm/月),其中M4模型估算精度最佳,综合性指标GPI为1.72.总体而言,推荐以温度和相对湿度作为输入数据的M4模型模拟四川盆地ET₀.     

基于ELM的西北旱区参考作物蒸散量预报模型

为实现气象资料缺失情况下ET₀的精确预报,选取中国西北旱区4个代表性站点的气象资料,建立15种基于极限学习机(ELM)的ET₀预报模型,并通过与其他ET₀计算模型对比和可移植性分析探究ELM在西北旱区的适用性.结果表明:基于温度和风速的ELM₇预报精度较高(整体评价指标GPI排名第4);基于温度和辐射的ELM₅预报精度(GPI排名第6)明显高于Iramk模型和Jensen-Haise模型;仅基于温度的ELM₉预报精度(GPI排名第8)高于Hargreaves-Samani模型.通过模型可移植性分析发现,ELM₇在西北旱区内各训练站点和预测站点组合下预报精度良好.因此,可将ELM₅(输入温度和辐射)、ELM₇(输入温度和风速)和ELM₉(输入温度)作为西北旱区较少气象参数输入情况下精确预报ET₀的推荐模型.     

基于日照时数的太阳辐射通用模型提升参考作物蒸散估算精度研究

准确的太阳辐射(R_s)信息是农业、气象和能源等领域和业务部门的重要基础资料，但R_s的可靠观测在全球极具挑战。利用中国96个辐射站1967-2016年观测数据，评估了32个(S1～S32)基于日照时数估算R_s的模型精度，确定了适用于无R_s观测区的最佳通用模型，并最终更新了FAO56推荐的Penman-Monteith方程参考作物蒸散量(ET₀)中R_s的计算方法。结果表明，S18～S32模型的表现较好且接近，其适用于单站点的模型回归系数、决定系数、均方根误差(RMSE)、相对均方根误差(RRMSE)和模型效率的均值分别为0.975～0.976、0.882～0.886、2.368～2.412 MJ/(m²·d)、0.171～0.175和0.881～0.885。进一步对S18～S32模型进行一般化后发现S18模型仅需3个参数，估算精度较高且稳定性好，推荐该模型为中国无辐射观测区估算日R_s的通用模型。基于通用S18模型估算...     

MARS模型在渭河流域参考作物蒸散量计算中的适应性研究

为有效提高气象资料缺失时渭河流域参考作物蒸散量(ET₀)计算精度,选取流域及附近20个气象站58 a (1960-2017年)逐日气象资料,基于不同气象要素组合,构建16种基于多元自适应回归样条(MARS)的ET₀计算模型,并将计算结果与Hargreaves-Samani、Makkink和Irmark-Allen模型进行对比,评价MARS模型在渭河流域的适应性及可移植性。结果表明：MARS模型能很好地甄别ET₀与各输入因子间的非线性关系,MARS2 (T_max、T_min、R_a)计算精度(平均MAE为0.225 mm/d,平均RMSE为0.327 mm/d,平均R²为0.897)能满足应用要求,模型精度随输入气象要素数量的增加而升高;输入因子中引入地球外辐射R_a,可明显提高MARS模型精度;在输入因子相同时,MARS模型精度高于Hargreaves-Samani、Irmark-Allen和Makkink模型;MAR...     

基于NARX模型的参考作物蒸散发预测

为了实现气象资料缺失情况下参考作物蒸散量(ET₀)精确计算和预测,以攀枝花站点为例,构建非线性自回归滤波器(NARX)模型预测ET₀.以Penman-Monteith模型计算的ET₀作为预测标准,将日最高温、日最低温、日照时数、风速和相对湿度作为模型的输入参数,建立11种不同气象因子组合的NARX模型,并与Hargreaves-Samani模型、Irmak-Allen模型、Makkink模型、Priestley-Taylor模型的计算结果进行比较.结果表明:不同气象因子输入下的NARX模型模拟精度表现出明显的差异.其中,基于全部气象因子的NARX-1模型的RMSE,MAE和MBE分别为0.425 mm/d,0.320 mm/d和0.069 mm/d,NSE为0.920,GPI排名第11,精度最差;而基于风速的NARX-9模型精度最高,其RMSE,MAE和MBE分别为0.285 mm/d,0.237 mm/d和0.019 mm/d,NSE为0.964,GPI排名第1.在输入相同气象参数情况下,基于温度和日照时数的NARX-4模型模拟精度优于Irmak-Allen,Makkink,Priestley-Taylor模型;基于温度的NARX-7模型模拟精度明显高于Hargreaves-Samani模型.因此,可将NARX模型作为四川西南山地缺失较多气象资料情况下计算ET₀的推荐模型,为农田精准灌溉提供科学依据.     

4种人工智能模型在江西省参考作物蒸散量计算中的适用性

为了实现气象资料缺失下参考作物蒸散量ET₀的高精度预测,以江西南昌、吉安及龙南站1966-2015年每日最高气温T_max、最低气温T_min、日照时数n、相对湿度RH和2 m高风速u₂作为输入参数,以FAO-56 Penman-Monteith(P-M)公式的计算结果作为对照,建立了6种不同气象要素组合条件下的4种ET₀计算模型,并分别与输入相同数据的经验法计算结果进行了比较.结果表明,在3个站点中,多元自适应回归样条法MARS模型的精度最高,且计算简便,可作为江西省蒸散量模拟的推荐方法.当4种模型的输入数据完整时,模拟精度均达到最高,表明4种模型均可适用于对参考作物蒸散量的模拟;输入数据缺失条件下,各气象要素对智能模型模拟ET₀的影响由大到小按参数排序依次为T_max,T_min,n,RH,u₂.与传统经验公式相比,4种智能模型的ET₀计算结果精度均优于输入相同数据的经验法.     

基于自适应模糊推理系统的汾河流域参考作物蒸散量模拟研究

【目的】有效提高缺少气象资料条件下汾河流域参考作物蒸散量(ET₀)计算精度。【方法】选取汾河流域及附近7个气象站点1960—2017年逐日气象资料,根据不同气象要素组合,构建16种基于自适应模糊推理系统(ANFIS)的ET₀模拟模型,并与Hargreaves-Samani、Irmak-Allen、Makkink模型进行比较,评价ANFIS模型在汾河流域的适用性及可移植性。【结果】(1)ANFIS模型能很好地展现ET₀与各输入因子之间的非线性关系;仅输入Tmax、Tmin、Ra建立的ANFIS2模型模拟精度(平均R²为0.882,平均NSE为0.876,平均RMSE为0.341 mm/d)能满足使用要求,随着输入气象要素数量的增加,模型模拟精度不断提高;(2)在输入因子相同时,ANFIS模型精度高于Hargreaves-Samani、Irmak-Allen、Makkink模型;(3)ANFIS模型在汾河流域具有很强的泛化能力和可移植性,不同分区建立的ANFIS模型相互移植时具有较高精度(平均R     

Hargreaves公式在中国农业区的年内回归修正

针对中国范围的Hargreaves(HS)公式线性回归修正研究缺少,区域或站点的修正系数存在时空尺度不统一、推广应用困难的问题,以中国气象数据网发布的中国地面气候资料月值数据集和中国辐射月值数据集中124个站点1957-2016年的气象要素逐月有效观测数据,首先,基于Penman-Monteith(PM)公式和HS公式分别计算各站点逐月的多年平均参考作物需水量ET_0-PM和ET_0-HS;其次,以ET_0-PM为真值,基于1957-2010年的逐月平均ET_0-PM和ET_0-HS,引入中国农业综合区划作为空间分区框架,通过回归分析获取中国38个陆地农业子区的HS公式校正系数a和b;最后,以2011-2016年为应用验证区间,通过逐月比较ET_0-HS校正前后的6 a平均相对误差,验证联合国粮农组织(FAO)推荐的HS公式校正方法在中国农业区的适用性,并进一步基于误差结果的对比分析,提出各农业区HS公式校正系数a和b的逐月最优取值方案.结果表明:各农业区之间回归计算的HS公式校正系数a和b并无明显的变化规律,但系数b稳定在0.8左右,系数a则在区域之间的差异较大,徘徊于-0.22~1.10;校正前后的ET_0-HS均存在不同程度的误差,但校正后的ET_0-HS误差明显降低,平均相对误差降低了20%,最大相对误差降低约100%.因此经验证,FAO推荐的HS公式回归校正方法简单易行,可操作性强,对中国各农业区大规模使用简化的方式快速获得较准确的参考作物需水量,具有一定的推广价值.     

基于公共天气预报的三江平原ET0预报模型比较及敏感性分析

为了提出适合我国三江平原的高精度ET0预报方法,基于该区6个气象站点的天气预报数据和实测气象数据,以FAO56-Penman-Monteith(FAO56-PM)公式计算值为基准,比较Hargreaves-Samani(HS)、Thornthwaite(TH)和Blaney-Criddle(BC)3个ET₀预报模型的效果,对最优模型进行敏感性分析。结果表明:3个模型1~7 d预见期平均绝对误差均值分别为0.66、0.65、0.65 mm/d,均方根误差分别为0.93、0.96、0.95 mm/d,相关系数分别为0.857、0.828、0.840。1~5 d预见期最优预报模型为HS模型,6~7 d为TH模型。总体上预报精度由高到低为HS、TH、BC模型,建议采用HS模型在三江平原开展ET₀预报,HS模型预报对最高温预报的敏感性大于最低温。其预报值在夏季受温度预报误差影响最大,冬季最小,4季整体误差较小。研究可为灌溉预报提供较准确的数据基础。     

豫西地区一次大气污染过程对参考作物腾发量的影响——以洛阳市为例

综合分析了2016年6月15日20时-6月20日8时豫西地区一次大气污染过程中，洛阳市各气象要素及参考作物腾发量ET₀受气溶胶影响的变化，使用WRF-Chem双向反馈试验量化，并通过气象观测数据验证模拟结果精度，从而进一步分析了气溶胶对ET₀的影响及其机理。研究结果表明：在这次大气污染过程中，洛阳市区的PM_2.5浓度整体偏高，峰值多出现早晨与傍晚时分，洛阳市东北地区PM_2.5浓度整体高于西南地区；气溶胶存在使洛阳市各气象要素发生了变化，进而导致了ET₀的变化，各站点ΔET₀在-0.23～0.33 mm/d之间；受气溶胶的影响，ET_0-d变化幅度在-0.26～0.04 mm/d，较ET_0-n的变化程度(-0.08～0.02 mm/d)更大；各站点空气动力项ET_0-A的变化程度要大于辐射项ET_0-R，这也主导了洛阳市各地区ET₀的变化。     

基于MARS模拟鄱阳湖地区参考作物蒸散量

为了寻找最适宜的鄱阳湖作物蒸散量替代计算方法,文中以FAO Penman-Monteith模型参考作物蒸散量计算结果(ET₀)为标准值,使用江西省南昌站1966—2015年逐日最高温度、最低温度、日照时数、风速和相对湿度数据(其中1966—1990年数据用于建立模型,1991—2015年数据用于验证模型),建立12种不同气象要素组合条件下的多元自适应回归样条(MARS)ET₀计算模型,并将计算结果与广义回归神经网络(GRNN)、支持向量机(SVM)和经验模型(Hargreaves法、Irmak-Allen法、Makkink 法、Pristley-Taylor法)的计算结果相比较.结果表明:3种人工智能算法的ET₀计算结果精度均优于相同输入数据下的经验模型.3种人工智能算法中MARS的精度最高,在全参数组合下RMSE为0.227 mm/d,R²为0.982,NRMSE为0.086,其次是支持向量机,其在全参数组合下RMSE为0.266 mm/d,R²为0.978,NRMSE为0.101,GRNN排第三,其在全参数组合下RMSE为0.323 mm/d,R²为0.962,NRMSE为0.123.缺少温度参数时,模型精度总体较差,3种人工智能算法下R²仅为0.8左右.MARS法不但精度更高,而且具有明确的数学表达式,是鄱阳湖地区适宜的ET₀计算方法.     

四川省不同SPEI指数计算方法适用性评价

为探究不同参考作物腾发量(ET₀)算法及相应标准化降水蒸散指数(SPEI)在四川省的适用性,针对四川省3个区域(川西高原、川西南山地和川中盆地),利用34个气象站点1967—2016年的气象资料,以Penman-Monteith(PM)法计算的ET₀为标准,对FAO-24Radiation(FAO-Ra)、Priestley-Taylor(PT)、Makkink(MK)、Hargreaves-Samani(HS)、Blaney-Criddle(BC)、World Meteorological Organization(WMO)、Rohwer(Ro)7种方法的ET₀计算结果进行比较,并选取其中综合表现较好的3种方法进行相应的SPEI计算。通过时间序列分析、误差分析、K-S检验及小波分析等方法,探讨各区域不同ET₀算法下的SPEI适用性。结果表明：7种方法在不同区域计算精度差异显著,在川西高原及川西南山地,PT法均方根误差(RMSE)均在99.11 mm以下,大部分气象站点的相对误差(RE)介于-3.8...     

基于Stacking集成学习的夏玉米覆盖度估测模型研究

以基于无人机多光谱影像提取的夏玉米植被指数作为特征变量,利用皮尔森相关系数结合随机森林反向验证权重的方法进行特征选择,去除冗余特征。以随机森林、梯度提升树、支持向量机和岭回归作为初级学习器,以岭回归作为次级学习器,建立基于Stacking集成学习的夏玉米覆盖度估测模型,并通过5折交叉验证进一步提升模型泛化能力,采用随机搜索和网格搜索结合的方法对模型超参数进行优化,使用4种回归指标进行模型精度评价,并利用次年数据验证其鲁棒性。结果表明,与单一模型以及决策树、Xgboost、Adaboost、Bagging集成框架相比,Stacking集成学习模型具有更高的精度和更强的鲁棒性,R2为0.9509,比单一模型平均提升0.0369,比其他集成模型平均提升0.0417;Stacking集成学习模型RMSE、MAE和MAPE分别为0.0432、0.0330和5.01%,各指标分别比单一模型平均降低0.0138、0.0130和2.14个百分点,分别比其他集成模型平均降低0.0185、0.0126和2.15个百分点。本研究为夏玉米覆盖度估测提供了新的方法。     

基于“三边”参数的冬小麦冠层SPAD值监测模型

开展冬小麦冠层SPAD值监测,建立“三边”参数与SPAD值之间的高光谱估算模型,以期为高光谱诊断冬小麦冠层SPAD值提供理论依据和技术支持.以冬小麦冠层反射率与冠层SPAD值的相关关系为基础,构建基于“三边”参数的冬小麦冠层SPAD值的一元线性回归模型和主成分回归模型.结果表明:拔节期、抽穗期、灌浆期和全生育期分别以红谷位置、(SD_r-SD_b)/(SD_r+SD_b)、红谷幅值、(SD_r-SD_y)/(SD_r+SD_y)的相关系数最高,且均具有统计学意义(P<0.01);采用主成分方法构建的光谱模型在拔节期、抽穗期、灌浆期和全生育期相较于同期一元线性回归模型,决定系数R²分别提高49.6%,54.3%,14.3%和8.6%,均方根误差RMSE与相对误差RE均分别减少9.0%,12.4%,13.5%和13.6%,因此采用综合光谱信息构建主成分回归模型,在各生育时段及全生育时段对冬小麦冠层SPAD值均有较高的估算精度,可为冬小麦SPAD值的监测与诊断提供依据.