基于历史气象资料和WOFOST模型的区域产量集合预报

针对基于作物生长模型进行产量预报时气象要素变化对作物生长的实时影响不能得到充分反映,产量预报缺乏量化不确定性信息的突出问题,选择河北省保定市和衡水市冬小麦主产区为研究对象,提出构建历史气象集合作为预报期气象数据输入驱动WOFOST模型的冬小麦生长模拟,并通过实时更新不断向前滚动预报,从传统单一数值的预报转向基于集合的概率预报。结果表明:基于历史气象资料可以进行作物模型的区域产量集合预报,抽穗期至灌浆期是预报精度最高的时期,预报集合中位数与实测产量的皮尔逊相关系数(PCC)最高为0.563,平均绝对误差(MAE)最低为458 kg/hm~2。研究结果表明区域化产量集合预报具有较强的可行性,并为量化作物模拟系统不确定性、数值天气预报与作物模型的结合应用提供了参考。     

山东省冬小麦单产监测与预报方法研究

针对传统农业估产方法效率低、成本高的现状,以山东省为研究区,基于山东省10年表面反射率8 d合成产品MOD09A1、全球陆地蒸发蒸腾8 d合成产品MOD16A2数据和历史产量数据,以增强型植被指数(EVI)、作物水分胁迫指数(CWSI)和经过历史产量分解得到的技术产量为输入,利用最小二乘法构建了山东省级和市级尺度的冬小麦单产估算模型,并在监测和预报两种模式下进行了模型的应用和精度验证。结果表明,在监测模式下,省级估产精度为96.91%,各市监测精度均不小于89.41%,其中菏泽市监测精度最高,为99.31%,济宁市监测精度最低,为89.64%;在预报模式下,返青期结束(第89天)、拔节期结束(第121天)和乳熟期结束(第145天)时的省级小麦预报精度均不低于96.44%,各市预报精度均不小于89.41%,其中青岛市预报精度最高,3次预报的平均精度为99.07%,济宁市预报精度最低,3次预报的平均精度为89.81%。本文建立的估产模型对市级和省级作物单产估算均有较高的适用性,可以实现动态产量预报。本研究对及时了解冬小麦的生长状况、制定科学有效的农业生产决策具有参考价值。     

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.     

基于作物生长模型与机器学习算法的区域冬小麦估产

为精准、高效、实时地实现区域冬小麦产量估算,以河南省鹤壁市淇县桥盟乡石桥村为研究区,基于分辨率10 m的Sentinel-2多时相光学遥感影像,利用集合卡尔曼滤波(Ensemble Kalman filter, EnKF)算法同化PROSAIL辐射传输模型反演的多期叶面积指数(Leaf area index, LAI)到PyWOFOST作物生长模型中实现一定数量不同长势单点产量的估测,最后利用建立的机器学习模型和面域数据反演区域冬小麦产量,实现作物生长模型与机器学习算法的应用耦合及一种新的区域冬小麦估产模式。研究基于Sobol参数敏感性分析法量化对贮藏器官总干重质量(Total dry weight of storage organs, TWSO)与LAI_max的敏感性参数,并基于反演的多期LAI和粒子群优化(Particle swarm optimization, PSO)算法优化与LAI_max相关的TDWI、TBASE、CVS、CVL敏感性参数,将其输入到PyWOFOST模型中,利用EnKF算法和时序LAI数据调整对TWSO相关的AMAX...     

基于MODIS与WOFOST模型同化的区域冬小麦成熟期预测

针对遥感技术只能获取作物的表征信息、对作物内在机理过程变化描述较为困难的问题,引入作物生长模型与遥感数据同化进行作物成熟期预测研究。以叶面积指数(LAI)作为耦合变量,以MODIS LAI(MCD15A3H产品)作为遥感数据源,结合2017—2018年实时气象数据以及气象预报数据,以2018年5月1日为预报时间节点,构建LAI归一化代价函数,采用复合形混合演化算法(Shuffled complex evolution-University of Arizona,SCE-UA)最小化代价函数,优化WOFOST作物模型的输入参数,用优化后的参数重新驱动WOFOST模型逐像元模拟冬小麦生长过程,得到研究区冬小麦成熟期的预测结果,并使用研究区内农业气象站点的观测数据进行验证。结果表明,冬小麦预测开花期、成熟期的均方根误差(RMSE)分别为2. 10、2. 48 d,预测精度较高。该方法能够为农作物的大区域成熟期预测提供重要理论基础。     

作物在线实时灌溉制度研究及其管理软件研制

针对已有作物灌溉预报中未能充分利用降雨的不足,特别是在应用实施时缺乏可操作性问题,基于实时的气象与土壤墒情监测数据,利用田间水量平衡原理和作物根系生长模拟技术,提出了充分利用降雨的实时灌溉制度模型,并用Java语言编制了网络计算机软件,以冬小麦作为研究对象,通过实验研究与软件调试,实现了对作物灌溉的远程及实时调控。该方...     

气候变化影响下作物模型的不确定性

作物生理生长过程准确描述及产量的精确估计在社会食品安全和农业生产中起着至关重要的作用.作物生长模型作为一种监测作物生长的数值模拟方法,已被证明是作物生长、产量预测和情景分析的有力工具.然而,在当前气候变化背景下,气候走向的不确定性以及极端气候事件的增加,都对粮食生产产生了重大影响,如何对作物生长进行准确模拟成为当前的热点关注话题.同时,除了气候变化的不确定性外,由于作物模型本身是实际作物生长过程的简化,物理结构并不完美,同时数据采集的随机性和初始条件的区域异质性,导致模拟结果不确定性较大.因此,在论述作物模型的国内外研究进展的基础上,探讨气候变化的不确定性对作物模型的影响以及作物模型本身的不确定性,概述了模型-数据融合方法的类型及特点,以及区域尺度上作物模型与遥感数据结合所采用的减小不确定性的方法,以期为相关研究提供一定参考.     

华北地区夏玉米水分生产率多参数全局敏感性分析

量化限制因素的敏感性对协同提升作物水分生产率具有重要意义,为了探讨作物水分生产率在不同土壤、气象以及田间管理措施下参数的敏感性,以华北地区夏玉米为研究对象,采用扩展傅里叶幅度检验法,量化了基于DNDC模型的夏玉米水分生产率对土壤、气象和田间管理(灌溉水量、施肥量)等10个参数的敏感程度,结果表明:DNDC模型能够有效地模拟0～50 cm土壤水分、作物蒸发蒸腾量、作物生长过程以及产量;灌溉水量、土壤初始氨氮浓度、CO_2浓度、第二次施肥量、降雨量以及日最高温度是不同水文年条件下对夏玉米水分生产率敏感程度高的限制因素。当水文年型由丰水年-平水年-枯水年转变时,灌溉水量的敏感性呈高于施肥量的敏感性的变化趋势,因此,考虑限制因素的敏感程度将更有助于提出区域分异下水分生产率多要素协同提升的技术途径。     

基于贝叶斯模型平均的水文模型不确定性及集合模拟

单一模型在水文过程模拟和预报中存在诸多不确定性,集合模拟是减少不确定性影响的有效方法。在水文模型参数估计的两类方法基础上(分别选用SCE-UA算法和SCEM-UA算法为代表),选用3个基于子流域的半分布式水文模型(新安江模型、混合产流模型和HYMOD模型),综合考虑模型参数和模型输入的不确定性,并采用贝叶斯模型平均(BMA)将3个模型的模拟结果集合进行概率预报。结果表明:SCE-UA算法和SCEM-UA算法优化的参数都能使模型取得较好的模拟效果,但SCEM-UA算法能得到模型参数的后验概率分布,并获取模型的概率预报区间,具有更大的优势;考虑模型输入不确定性,模拟径流的精度没有较大提高,但概率预报区间精度有一定的改善;采用BMA方法集合多模型模拟结果,综合考虑模型参数、模型输入和模型结构的不确定性,其模拟结果要优于单一模型,说明水文集合模拟的优越性;BMA集合后,SCEM-UA算法的模拟结果较SCE-UA算法的模拟结果具有更准确的概率预报区间。     

江西省水稻需水量预报与网络发布系统开发

为了促进江西省灌区技术现代化及灌溉用水管理现代化的发展，为实时灌溉决策提供较为精确和及时的作物需水量预报数据支持，开发了江西省逐日水稻需水量预报与网络发布系统。系统通过关系型数据管理系统MySQL来获取水稻需水量预报模型计算所需的参数及基本信息，分别使用率定了的Hargreaves-Samani(HS)模型、Blaney-Criddle(BC)模型、McCloud(MC)模型和作物系数来预测江西省未来7天26个气象站点的作物腾发量ETc值。用户可登陆网址查询任意站点、任意水稻生长阶段、任意模型预报的ETc数值，页面简洁，易于操作。总体而言，率定后的4种模型均具有较高的预报精度，可用于全省的水稻需水量预报，为灌溉决策和节约灌溉用水提供科学依据。     

顺序同化不同时空分辨率LAI的冬小麦估产对比研究

选择PyWOFOST模型为动态模型,以叶面积指数(LAI)为状态变量,遥感LAI为观测值,采用集合卡尔曼滤波(En KF)同化算法,研发了一种遥感LAI与作物模型同化的区域冬小麦产量估测系统。为消除云的污染,采用Savitzky-Golay(S-G)滤波算法重构时间序列MODIS LAI;通过构建地面观测LAI与3个关键物候期Landsat TM植被指数回归统计模型,获得区域TM LAI;通过融合3个关键物候期的TM LAI与时间序列S-G MODIS LAI,生成尺度转换LAI。对比分析3种不同时空分辨率的遥感LAI的同化精度,研究结果表明,同化尺度转换LAI获得了最高的同化精度,与官方县域统计产量相比,在潜在模式下,决定系数由同化前的0.24提高到0.47,均方根误差由602kg/hm2下降到478 kg/hm2。结果表明,遥感观测与作物模型的尺度调整对提高冬小麦同化模型精度具有重要作用,遥感LAI与作物模型的En KF同化方法是一种有效的区域作物产量估测方法。     

考虑气象因子不确定性的概率降水预报研究

降水量与气象因子的变化密切相关,因而气象因子的不确定性必然影响着降水量预报的精度。【目的】获取气象因子不确定性特征,提高降水预报结果的精度。【方法】以三江平原典型农场—友谊农场为研究区域,在贝叶斯概率预报系统(BFS)的理论框架下,利用径向基人工神经网络(RBF-ANN)描述月降水主要影响因子与月降水量的映射关系,并将其作为BFS的似然函数,以实测降水量为后验信息,对降水主要影响因子先验信息进行贝叶斯修正,利用基于自适应算法的马尔可夫链蒙特卡罗随机模拟技术(AM-MCMC)获取了各月的蒸发量、平均气温、相对温度的后验密度。结合RBF-ANN构建了考虑主要影响因子不确定性的概率降水预报模型(IFU-PBF),研究了各月降水的均值预报过程及其指定概率的置信区间。【结果】与传统RBF-ANN的确定性预报结果相比,预报期IFU-PBF计算结果的各精度评价参数均有所提高,纳什效率系数提高了3%;均方根误差降低了51%;相关系数提高了2%。尤其对极值降水的适用性更好,极大值的预报相对误差平均提高了55%,极小值的预报相对误差提高了24%。【结论】考虑气象因子不确定性,开展降水的概率预报更符合降水及其影响因素的随机过程的本质,提高预报精度的同时,能够考虑预报结果的不确定度。     

降雨径流相关模型在丹江口水库洪水预报中的应用研究

针对丹江口流域已有水文资料及流域气象特点,将该流域划分为12个单元区,建立降雨径流经验相关模型,应用于丹江口水库的短期洪水预报系统,并采用基于可变遗忘因子递推最小二乘算法的校正技术对预报流量过程进行实时校正。计算结果表明,基于降雨径流经验相关模型预报的洪水过程与实测过程基本一致,洪峰数值及峰现时间指标合格率较高。实践证明,模型具有较高的预报精度,可为防汛部门提供较为准确的降雨径流预报方法。     

冬小麦生物量和产量的AquaCrop模型预测

以华北地区冬小麦为研究对象,将AquaCrop作物生长模型应用到滴灌、喷灌、漫灌中,对模型主要参数如气象、土壤、作物特性等进行调整,并对作物产量和生物量模拟的有效方法进行了研究。模拟结果表明,产量和收获时地上部分生物量的模拟值与实测值较为接近且略高于实测值,模型性能指数均高于0.95。产量模拟效果优于生物量,滴灌模拟效果最好。     

不同滴灌灌溉制度对绿洲棉田土壤水热分布及产量的影响

【目的】探究不同滴灌灌溉制度对绿洲棉田土壤水热分布状况及对产量的影响。【方法】于2017年在策勒地区开展田间试验,设置了2种灌水模式:基于计算机模型的预报灌溉与基于土壤墒情的灌溉,每种灌水模式设置2种灌溉梯度:充分灌溉(100%)和非充分灌溉(75%的充分灌溉)。【结果】预报灌溉的土壤含水率和贮水量在花蕾与花铃期显著高于墒情灌溉;不同灌溉制度各剖面的土壤温度变化趋势一致,整个生育期的表层土壤平均温度表现为墒情亏缺最高,预报充分最低。作物产量在一定范围内随灌溉量的增加而增加,预报充分的产量较预报亏缺,墒情充分,墒情亏缺分别提高13.7%、12.1%、47.6%。水分利用效率表现为预报亏缺最高,且产量与预报充分的产量无显著差异。【结论】在策勒绿洲地区,预报亏缺灌溉可达到节水增产的目的。     

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...     

基于气象水文耦合的中小河流枯季径流短期预报

开展枯水期径流过程的模拟预报对水资源配置、生态环境需水量的研究、抗旱救灾等十分重要,为延长预见期,以数值天气预报未来7 d预报成果及水文实时观测数据为资料,以中小河流枯季短期径流为研究对象,优选了预报因子,基于二次回归正交旋转设计,探索了气象水文耦合在中小河流枯季径流预报方法。经在南汀河姑老河水文站未来3、5、7 d枯季径流模拟中应用,构建的气象水文耦合的预报模型拟合精度达到甲级,精度较高,效果理想,该方法操作简单,易于实现。     

基于天气预报的参照作物腾发量中短期预报模型研究

以新乡市1970—2011年逐日实测气象资料代入FAO 56 Penman-Monteith(PM)方法算得的ET0作为基准值,对HG、P-T、M-K、M-C模型进行参数修正,将新乡市2012—2014年冬小麦生育期间预见期为1、3、5、7、10d的天气预报数据代入修正后的模型进行ET01~10 d的中短期预报,并以2012—2014年冬小麦生育期间逐日实测气象资料由PM公式算得的ET0为基准值,对天气预报的精度及ET0的预报精度进行评价。结果表明:经过参数修正后HG、P-T、M-K、M-C模型的精度均有提高;最高气温、最低气温、风速、日照时数的预报精度均随预见期的增加呈逐渐下降趋势,最低气温预报的精度稍高于最高气温;不同预见期的ET0预报模型中,P-T模型预报的ET0平均准确率在众模型中较高(95.06%),其次为HG-M模型(94.66%)、PMT1模型(94.34%)、M-K模型(93.89%),且P-T、HGM两种模型计算程序较简单,因此优选P-T、HG-M模型进行ET0的中短期预报。     

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

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。     

基于数值天气预报后处理的参考作物蒸散量预报改进

针对基于数值天气预报（Numerical weather prediction,NWP）对参考作物蒸散量（Reference crop evapotranspiration,ET0）进行预报通常需要数据偏差校正的问题,基于LightGBM机器学习方法和我国西北地区9个气象站点数据提出一种对第二代全球集合预报系统（Global ensemble forecast system,GEFSv2）预报气象因子进行偏差校正的方法（M3）。该方法使用太阳辐射、最高和最低气温、相对湿度和风速集合分别对每个气象因子进行重预报,再计算ET0。使用等距离累积分布函数（EDCDFm,M1）和单气象因子输入的LightGBM法（M2）对模型精度进行评估。结果表明,GEFSv2的预报因子与相应的观测气象因子之间存在不匹配问题,其不匹配程度因气象因子不同而不同,太阳辐射的匹配度较高,相对湿度的匹配度较低。M3模型有助于缓解数据不匹配问题。M1、M2和M3方法在9站点预报ET0的平均均方根误差（RMSE）分别介于0.66~0.93mm/d、0.57~0.83mm/d和0.53~0.79mm/d,平均绝对误差（MAE）分别介于0.44~0.61mm/d、0.38~0.56mm/d和0.35~0.53mm/d,决定系数（R2）分别介于0.82~0.91、0.84~0.93和0.86~0.94。3种方法均在夏季误差最大,1~16d平均RMSE分别为1.21、1.18、1.04mm/d。各预报因子中太阳辐射对ET0预报误差影响最大,其后依次是风速、最高气温、相对湿度和最低气温。在后处理过程中,NWP的最高气温预报值对其他因子预报精度的贡献最大、对相对湿度预报精度的贡献最小。建议在进行NWP偏差校正时,应考虑数据不匹配问题,通过多因子校正来弥补预报精度的不足。