共查询到19条相似文献,搜索用时 54 毫秒
1.
基于ELM的西北旱区参考作物蒸散量预报模型 总被引:1,自引:0,他引:1
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. 相似文献
2.
基于MEA-BPNN的西北旱区参考作物蒸散量预报模型 总被引:2,自引:0,他引:2
为有效提高西北旱区参考作物蒸散量(Reference crop evapotranspiration,ET0)预报精度,在西北旱区选择5个代表性气象站点,构建10种基于思维进化算法(Mind evolutionary algorithm,MEA)优化的误差反向传波神经网络(Back propagation neural network,BPNN)ET0预报模型,并将其与Hargreaves-Samani模型、Irmak模型和48-PM模型等3种在西北旱区ET0计算精度较高的模型进行比较。结果表明:在不同输入的情况下MEA-BPNN模型模拟精度具有相对较高水平,其中MEA-BPNN1(输入最高气温Tmax、最低气温Tmin、相对湿度RH、日照时数n和距地面2 m高处的风速u2)、MEA-BPNN2(输入Tmax、Tmin、n和u2)及MEA-BPNN3(输入Tmax、Tmin、RH和u2)模型的R2、NSE均大于0.96,RMSE、MAE也分别小于0.34、0.25 mm/d,以上3种MEA-BPNN模型的整体评价指标(Global performance indicator,GPI)排名分别为1、2、3;MEA-BPNN7(输入Tmax、Tmin和u2)的R2、NSE分别为0.966 2、0.962 2,RMSE、MAE分别为0.361 0、0.276 1 mm/d,模拟精度较高;MEA-BPNN模型可移植性的分析表明:MEA-BPNN模型在西北旱区具有较强的泛化能力,基于不同站点数据构建的预报模型也有较高精度;在相同输入情况下MEA-BPNN模型模拟精度均高于Hargreaves-Samani模型、Irmak模型和48-PM模型。因此,在气象资料缺乏情景下MEA-BPNN模型可作为西北旱区ET0计算的推荐模型,可为实时精准灌溉预报的实现提供科学依据。 相似文献
3.
基于改进Makkink模型的四川盆地参考作物蒸散量估算 总被引:1,自引:0,他引:1
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. 相似文献
4.
基于气温预报和神经网络的参考作物腾发量预报 总被引:2,自引:0,他引:2
采用反向传播人工神经网络(BP-ANN)逼近气象因子-参考作物腾发量ET0函数关系,以天气预报中的最高和最低气温为输入进行短期ET0预报。收集了南京站实测的2010年7月1日至2013年7月7日逐日气象数据和2012年7月1日至2013年6月30日逐日对未来7d的气象预报数据,以最高、最低气温及相应的日序数为3个输入因子,ET0为输出建立一个包含一个隐含层的3层BP网络,以2010年7月1日至2012年6月30日实测气象数据及通过FAO-56PM公式计算的ET0进行网络,以2012年7月1日至2013年6月30日实测气象数据及通过FAO-56PM公式计算的ET0进行网络验证。将2012年7月1日至2013年6月30日逐日对未来7d的气象预报中的最高、最低气温输入训练及验证后的网络,得到2012年7月1日至2013年6月30日逐日对未来7d的ET0预报值,并与FAO-56PM公式计算的ET0值进行比较以验证预报精度。结果表明,预见期1~7d内,预报的ET0和计算的ET0变化趋势基本一致,预报精度随着预见期的增加而降低;平均准确率(±1.5mm/d以内)达88.08%,相关系数为0.77,均方根误差为1.28mm/d,显示出了较高的预报精度。在局部时间段内出现的ET0,PM和预报ET0的较大差别的原因是该时段内的ET0更多地受到除了日最高和最低气温之外的其他因素的影响。提出的方法 ET0预报,随着气象预报准确度的提高,可实现较为精确的ET0预报。 相似文献
5.
准确估算参考作物蒸散量(ET0)对于区域水资源管理和灌溉决策有着重要意义.Hargreaves-Samani模型(HS)是目前公认结构最简单且精度较高的ET0估算模型.为了进一步提高HS模型预测精度,采用蜂群理论和广西盆地20个气象站(1961—2019年)数据对HS模型全局校准,使用1961—2000年数据对HS模型进行校准,2001—2019年数据在日、月、年尺度上验证.结果表明:全局优化后的经验参数C,m和a中,参数a随地形起伏差异较大,而参数C和m差异较小;校准后HS模型(平均MAE和R2分别为1.06 mm/d和0.86)优于原始HS模型(MAE和R2分别为2.20 mm/d和0.68);在日、月和年时间尺度上,校准HS模型和原始HS模型都高估了ET0,但校准的HS模型与P-M模型计算的ET0更为接近.因此,对仅有温度数据的地区,推荐采用校准的HS模型估算ET0. 相似文献
6.
基于公共天气预报的参考作物腾发量预报 总被引:1,自引:0,他引:1
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. 相似文献
7.
8.
9.
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(Rs)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(ENS)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ENS... 相似文献
10.
为提高参考作物蒸散量模拟的准确性,提出蝙蝠算法优化极限学习机的参考作物蒸散量模拟模型.基于汕头站1966-2015年月值气象数据(包括逐月最高温度、最低温度、地表总辐射量、风速和相对湿度),建立参考作物蒸散量的极限学习机模型,并采用蝙蝠算法通过交叉验证方法对极限学习机的正则化系数和径向基函数的幅宽进行优化,最后对参考作物蒸散量模拟效果进行评估.结果表明:与传统调参方法和遗传算法优化后的模型相比,蝙蝠算法优化参数极限学习机模型建立了整体性能优异并且稳定的参考作物蒸散量模型,提高了参考作物蒸散量的模拟精度. 相似文献
11.
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。 相似文献
12.
针对以往BP神经网络收敛速度慢及易陷于局部极小值等问题,引入粒子群算法优化BP网络的权值和阈值,建立PSO-BP神经网络,预测参考作物蒸腾量ET0。以西安地区的相关资料为基础,设计9种影响因子组合方案,利用PSO-BP网络模型进行ET0的预测,结果表明,该模型运算速度快,预测精度较高;对比分析9种方案的预测结果发现,方案7为最优,该方案只需选用平均温度、平均相对湿度、风速和日照时数四项影响因子,即可获得较高精度的参考作物蒸腾量预测值。 相似文献
13.
为探索精确预报未来短期ET0的方法,比较了4种基于气温预报ET0预报模型,即Hargreaves-Samani(HS)、Thornthwaite(TH)、简化的Penman-Monteith(PT)及McCloud(MC)模型。收集了西藏林芝站2001年1月1日至2013年12月31日的实测逐日气象数据和2012年6月6日至2013年12月31日逐日对未来7d的气象预报数据,在气温预报精度评价的基础上,采用4种基于温度的参考腾发量计算模型直接进行ET0预报,然后采用率定后的模型进行ET0预报,最后与实测气象数据和FAO-56PM公式计算的ET0值进行比较。结果表明,未率定的4种模型预报误差均较大,其中PT公式精度稍高。经率定后,4种公式的预报精度都有所提高,平均准确率为70%,MAE值HS模型最小,平均为0.57mm/d,其他3个模型为1.27~1.50mm/d;RMSE都在2.0mm/d左右;r值总体仍不高,TH模型平均仅有0.19,其他3种模型在0.6左右。综合来看,PT模型的预报效果稳定性优于其他3个模型。对于林芝地区附近的灌区,无论有无气象观测数据供模型率定,建议采用PT模型进行ET0预报。 相似文献
14.
参考作物腾发量ET0是计算作物需水量、制定灌溉制度和进行水资源优化配置的重要参数之一。因参考作物腾发量随季节性变化,并呈现以年为周期波动的特点;在这种情况下,提出了一种基于灰色GM(1,1)与周期外延相结合的预测模型,即灰色-周期外延组合模型。以沈阳、鞍山、铁岭、盘锦4个地区1997—2006年参考作物腾发量季节值为例进行分析和模拟。结果表明:运用灰色-周期外延组合模型预测参考作物腾发量比原有的GM(1,1)模型预测精度高。该模型预测过程简单,预测结果可靠,适应性强。因此,该模型可广泛的应用于参考作物腾发量的季节预测。 相似文献
15.
基于气温预报和HS公式的不同生育期参考作物腾发量预报 总被引:2,自引:0,他引:2
根据南京站2001-2011年实测气象数据,以Penman-Monteith(PM)公式计算得到的参考作物腾发量ET0值作为基准值,对仅需要气温数据计算参考作物腾发量的Hargreaves-Samani(HS)公式进行参数率定,采用率定后的HS公式依据2012年6月-2015年6月气温预报数据对南京水稻、冬小麦不同生育期未来1~7d的ET0进行预报,并与基于实测气象数据的PM法计算的ET0值进行比较,评价HS法的ET0预报精度。结果表明:最低、最高气温实测值与预报值相关系数分别为0.97和0.93,最低气温预报精度略高于最高气温;预见期1~7d内,水稻、冬小麦不同生育期ET0预报值与PM法计算值变化趋势基本一致,整个生育期内冬小麦ET0预报值与PM法计算值吻合程度更好,水稻、冬小麦相关系数分别达0.60、0.80左右;水稻各生育期平均准确率为66.0%~97.5%,平均绝对误差为0.65~1.22mm/d,均方根误差为0.76~1.42mm/d,冬小麦各生育期平均准确率为75.4%~99.5%,平均绝对误差为0.33~1.06mm/d,均方根误差为0.43~1.23mm/d;作物生育期各阶段对气温预报误差越敏感,ET0预报精度越低,随着生育期的推进,水稻对气温预报误差的敏感程度逐渐减小,相应的ET0预报精度逐渐增加,而冬小麦反之;但整体上预见期1~7d的气温预报及ET0预报精度达到可利用程度,可为快速灌溉预报及灌溉决策提供数据支撑。 相似文献
16.
参考作物腾发量(ET0)是计算作物需水量的关键,是进行农田水分管理和灌溉预报的主要参数。但不同ET0计算方法的结果存在明显差异。用能力统计量Z比分数,对FAO56Penman-Monteith、Hargreaves-Samani、Irmark-Allen拟合和Priestley-Taylor四种常用ET0计算方法在不同天气条件下的计算结果精度进行了对比分析。结果表明,Priestley-Taylor与FAO56Penman-Monteith方法的计算结果在精度上具有较高的一致性,与有关文献结果相吻合,其中前者精度略佳。且Z比分数参数受极端值的影响较小,计算简便、适用性强,克服了常规方法公式繁杂、编程实现困难的缺点,说明Z比分数法能够更好地适用于ET0计算方法的优选。研究结果可为农业水土工程领域有关参数计算与测定方法的优选提供借鉴。 相似文献
17.
参考作物蒸发蒸腾量计算方法的应用比较 总被引:52,自引:6,他引:52
应用国家"863"节水农业重大专项子课题示范现场的气象资料,对4种分属于不同类型的参考作物蒸发蒸腾量ET0计算公式进行了日ET0值的验证计算。结果显示,在时间序列上,随气象因素变化各方法计算的日ET0值呈相同的变化趋势,但计算值有较大的差异;选取FAO56Penman-Monteith公式计算结果为标准,Priestley-Taylor(1972)方法结果与之最为接近,其余依次是Irmark-Allen拟合法和Hargreaves-Samani(1985)法;不同天气类型条件下,Priestley-Taylor(1972)结果与FAO56Penman-Monteith有较高的一致性,而其他2种方法随n/N的减小,误差急剧增加,尤其是Hargreaves-Samani(1985)方法。 相似文献
18.
19.
为了研究时间尺度的选择对参考作物腾发量(ET0)估算结果的影响,选取日、候、旬、月、年几个基本时间尺度,对不同时间尺度下的ET0估算结果进行了详细的对比分析,并分析了不同尺度估算结果在年内的变化以及在不同气候类型区的差异。结果显示,候、旬、月3种时间尺度下的估算值与日尺度下的估算值具有很好的相关性,虽然也表现出随时间尺度增加相关性减小的趋势,但差异不大;而年尺度的估算值则与其他4个尺度的估算值差异较大,不宜使用。候、旬、月几种时间尺度估算结果与日尺度估算结果的相对偏差在年内的分布,表现出高温时段较小、低温时段较大的趋势,并且月尺度下的偏差要明显高于旬和候尺度,表明旬和候是较为适宜选用的时间尺度。8个代表性站点结果的对比分析表明,时间尺度对ET0估算结果的影响与气候类型的关联性很弱,实际工作中时间尺度的选择可以不考虑气候类型的差异。 相似文献