基于ANUSPLIN 的降水空间插值方法研究

【目的】对黄淮海平原点状降水数据进行空间插值,筛选最优模型,分析插值精度,为该区域水分供给状况分析、农业干旱研究等提供科学依据与技术支撑。【方法】采用基于样条函数插值理论的专业气象插值软件ANUSPLIN,根据黄淮海平原内457个气象站点1981—2010年连续30年的降水数据,分别以分辨率为90 m、1 km的高程数据作为第三变量,对降水数据进行空间插值,根据误差统计选出最优插值模型,分析不同分辨率的数字高程模型与插值精度的关系;为比较ANUSPLIN插值结果,随机选取29个点的降水数据作为验证集,同时将其与克里金插值方法进行比较。【结果】(1)对所选气象站点数据进行交叉验证发现,相比较克里金插值,ANUSPLIN得到的结果精度更高。冬季降水量较少时的插值精度比降水集中的6—8月份的插值精度高,利用ANUSPLIN对冬季的降水数据插值的均方根误差为0.38 mm,夏季为4.19 mm,克里金方法对冬季降水数据插值后对应的RMSE为0.45 mm、夏季为4.31 mm;(2)DEM分辨率越高,对应的插值精度会有所提升,对夏季降水插值较明显,利用90 m分辨率的DEM对夏季降水插值,RMSE为4.19 mm,1 km分辨率的DEM插值后对应的RMSE为4.24 mm。【结论】通过ANUSPLIN对黄淮海平原的降水插值方法研究,探讨插值精度与DEM分辨率的关系,发现提高协变量数据DEM的分辨率可以获得更高精度的降水栅格数据,相比较克里金方法,AUNSPLIN获得的结果更加细致地描绘出地形因素对降雨空间分布的影响,为黄淮海平原干旱分析、指导当地农作物灌溉生产提供重要的决策支持信息。     

西南丘陵地区土壤有机质含量的空间插值法研究

通过对重庆市梁平县仁贤镇105个土壤采样点的有机质含量与海拔高度的关系进行分析,提出了结合海拔高度对逆距离权重法和克里格插值法改进的插值方法,并用改进前后的方法对研究区土壤有机质含量进行插值获取土壤有机质含量的空间分布图,进行交叉检验。结果表明,结合海拔高度改进的插值方法插值结果精度有比较明显的提高。对逆距离权重法,考虑海拔高度的平均绝对误差（MAE）从0.0819％降到了0.0008％,均方根误差（RMSE）从0.1034％降到了0.0014％;对克里格插值法,考虑海拔高度的平均绝对误差（MAE）从0.0764%降到了0.0031％,均方根误差（RMSE）从0.0986％降到了0.0039％。在4种插值法中结合海拔高度的逆距离权重法最优。     

基于辅助环境变量的土壤有机碳空间插值——以黄土丘陵区小流域为例

利用普通克里格法(OK)、反距离加权法(IDW)、径向基函数法(RBF)、基于土地利用类型修正的普通克里格法(OK_LU)4种插值方法,对黄土丘陵羊圈沟小流域的土壤有机碳含量进行空间插值。预测结果的准确性通过Pearson相关系数(R),平均绝对误差(MAE),均方根误差(RMSE),准确度(AC)来评价。研究结果表明:(1)在前3种常规空间插值方法中,OK对刻画区域土壤有机碳的空间分布趋势效果最佳,其预测MAE值和RMSE值均为最小,Pearson相关系数(R)和准确度(AC)最大,说明其预测结果的准确性最好、预测的极端误差也最小;其次为RBF;IDW预测的效果最差。(2)OK_LU在空间特征表达方面能够更好地反映复杂地形区的局部变异,其插值结果的精度相比OK有一定程度的提高,其平均绝对误差(MAE)从0.900%降到了0.567%,均方根误差(RMSE)从1.101%降到了0.777%,Pearson相关系数(R)从0.4026提高到0.5589,准确度(AC)从0.9081提高到0.9505。综合比较,在黄土丘陵地区,OK_LU能使插值结果的精度有较大提高,是土壤有机碳空间制图的有效途径。     

县域尺度土壤样点密度与插值精度研究——以土壤pH值为例

土壤特性空间变异性的研究是进行精准施肥的基础,也是目前国内外研究的热点之一.空间插值是进行土壤特性空间研究的基本方法,但土壤样点密度对插值的精度有重要的影响.以湖南省衡东县耕地土壤pH值为例,研究了土壤样点密度与插值精度的关系.结果表明:绝对平均误差( MAE)、相对平均误差(MRE)及均方根误差(RMSE)都随着土壤样点密度的增大而降低;当土壤采样点采样密度为480×480 m2/点时,验证样点的实测值与预测值没有相关性.     

西南丘陵地区土壤有机质含量的空间插值法研究

通过对重庆市梁平县仁贤镇105个土壤采样点的有机质含量与海拔高度的关系进行分析, 提出了结合海拔高度对逆距离权重法和克里格插值法改进的插值方法, 并用改进前后的方法对研究区土壤有机质含量进行插值获取土壤有机质含量的空间分布图, 进行交叉检验. 结果表明, 结合海拔高度改进的插值方法插值结果精度有比较明显的提高. 对逆距离权重法, 考虑海拔高度的平均绝对误差(MAE)从0.081 9%降到了0.000 8%, 均方根误差(RMSE)从0.103 4%降到了0.001 4%;对克里格插值法, 考虑海拔高度的平均绝对误差(MAE)从0.076 4%降到了0.003 1%, 均方根误差(RMSE)从0.098 6%降到了0.003 9%. 在4种插值法中结合海拔高度的逆距离权重法最优.     

几种逐日气温插值方法的比较

针对高精度逐日气象要素插值的需要,以我国北方15个省市为例,利用ARCGIS10.0软件平台,基于90 m分辨率的DEM数据,根据北方1981~2010的逐日气象资料,选取3月下旬~5月上旬和9月中旬~10月下旬中每旬的第6天为试验日期,计算出日最低温度和平均温度的多年平均值;使用数据资料较全的300个站点进行插值,43个站点进行验证;插值方法选择反距离权重法(IDW)、多元回归+残差订正、气温垂直订正(OK+DEM)3种;使用根据交叉检验法得出的决定系数(R2)、平均绝对误差(MAE)、均方根误差(RMSE)的数值比较插值精度。结果表明,对于日最低温度和日平均温度的插值的精度检验,均为多元回归+残差订正OK+DEMIDW,气象站点所在经纬度的DEM数据与站点原本高程数据的不匹配是导致插值精度降低的原因;考虑到研究需要及方法精度,最后选择气温垂直订正方法作为农业气象逐日要素插值方法。     

基于机载激光雷达点云的桉树林分蓄积量估算模型构建

  目的  通过2018年1—2月广西国有高峰林场机载激光雷达数据及地面调查数据,采用参数方法和非参数方法建立回归模型,反演桉Eucalyptus树人工林森林蓄积量。  方法  通过点云提取点云高度参数、点云密度参数、林分郁闭度等点云特征变量,采用参数方法(逐步回归、偏最小二乘回归)和非参数方法(随机森林回归、支持向量机回归)进行林分蓄积量构建,通过与样地实测数据对比,进行模型回归预测性能评估,进而选择出表现最优蓄积量反演模型。  结果  采用留一法对以上4种模型进行验证,结果显示:逐步回归模型R2为0.85、均方根误差(RMSE)为23.93 m3·hm?2、平均绝对误差(MAE)为18.18 m3·hm?2;偏最小二乘回归模型R2为0.81、RMSE为26.52 m3·hm?2、MAE为19.94 m3·hm?2;核函数为RBF的支持向量回归模型R2为0.88、RMSE为21.35 m3·hm?2、MAE为16.62 m3·hm?2;随机森林回归模型R2为0.84、RMSE为24.53 m3·hm?2、MAE为17.41 m3·hm?2。  结论  采用随机森林进行变量筛选后,RBF-SVR模型拟合优度及泛化能力最优;通过逐步筛选法结合方差膨胀因子(VIF)方法优选变量的逐步回归模型次之;最后为随机森林回归模型与偏最小二乘回归模型。可见,在解决林业激光雷达领域中的回归预测问题时,采用非参数方法构建RBF-SVR模型更有优势。本研究建立的4种森林类型蓄积量模型,各模型均有较高精度且符合森林资源调查相关技术规定要求。图6表6参25     

天津表土DDT浓度的空间插值方法研究

分别运用反距离加权插值法（IDW）、反距离平方加权插值法（ISDW）、多项式回归法（PR）、双线性插值法（BI）以及普通克里格法（OK）共5种方法对天津表土188个采样点的DDT浓度数据进行了空间插值,并对插值精度进行了评估和比较。结果表明,上述5种方法均无系统误差,且方均根误差（RMSE）差别不大,从误差分布来看,普通克里格法表现稍好。188点中,普通克里格法插值误差在0.5和1.0个对数单位以内的百分比分别为62.2%和91.5%。在表土DDT浓度突变的局部,所有插值方法的误差都超过一个对数单位。相对于其他4种插值方法而言,普通克里格法生成的空间插值图,更能准确表达天津表土DDT浓度的空间分布特征,其细部的浓度变化也更清晰。     

基于颜色参数和BP神经网络的紫叶李叶片花青素含量估算

目前对植物叶片花青素含量的测定主要是湿化学法和高效液相色谱法(high performance liquid chromatography,HPLC),为简化测定方法,降低成本和提高精度,提出一种利用数码相机获取照片提取的颜色参数构建模型无损估测植物叶片花青素含量的方法。试验测定166份紫叶李叶片的花青素含量及其RGB特征值,对15种颜色参数进行皮尔逊相关分析,构建逐步多元线性回归（stepwise multiple linear regression,SMLR）、一元线性回归（single linear regression,SLR）和BP神经网络（BP neural network,BPNN）估算模型;同时对模型进行验证和比较。结果表明,1）BP神经网络模型建模集的R²、RMSE和MAE分别为0.883、0.412、0.323,验证集的R²、RMSE和MAE分别为0.796、0.462和0.353,相关系数均达到极显著水平;一元线性回归模型中,参数G-B与花青素含量的线性相关性最强,相关系数为-0.820,达到极显著水平;逐步多元线性回归模型的相关系数均达极显著水平,其中建模集的R²、RMSE和MAE分别为0.724、0.630、0.459,验证集的R²、RMSE和MAE分别为0.643、0.616和0.509。2）颜色参数与花青素含量之间具有明显的相关性,利用数码相机获取的颜色特征值估测紫叶李叶片花青素含量具有可行性;3）3种模型中,BP神经网络模型的估测效果最好,能有效地估测紫叶李叶片花青素含量,其次为逐步多元线性回归,一元线性回归模型的预测效果相对较差。     

基于多层感知机的长白落叶松人工林林分生物量模型

目的神经网络模型能避免林分生物量模型建模时自变量共线性与异方差问题,研究多层感知机在林分生物量模型中的应用,为森林经营单位、区域生物量和碳储量的估算提供方法和依据。方法以长白落叶松人工林为研究对象,利用吉林省一类清查固定样地的917组数据,分别建立了基于传统的对数转化后线性模型和神经网络多层感知机的地上生物量和总生物量模型。使用AIC、决定系数（R2）、均方根误差（RMSE）、相对均方根误差（RMSE_r）和平均绝对误差（MAE）来评价模型。结果估计精度最高的模型是输入单元为林分平均胸径（D）?平均高（H）?林分密度指数（S）?海拔（HB）?坡向（PX）?坡位（PW）、2个隐藏层、隐单元数为40?20的神经网络模型,与传统对数转换线性回归模型相比,地上生物量和总生物量模型的调整决定系数（Adj.R2）分别从0.902 1提高到了0.914 1,从0.897 9提高到了0.908 9;RMSE_r分别从6.330 5%降低到了5.992 2%,从6.490 1%降低到了6.153 6%。包含立地因子的神经网络模型比未包含立地因子的神经网络模型估计精度略有提升,地上生物量与总生物量的Adj.R2分别提高了0.88%和0.99%,RMSE_r分别降低了5.33%和5.46%。结论多层感知机生物量模型的估计精度比传统回归模型略有提高,但它可以避免模型选型和违背传统统计假设的处理等问题,且能够一次性计算地上生物量和总生物量模型,有一定优势。      

我国不同参考作物蒸散经验模型适用性分析及参数修正

为提高不同参考作物蒸散经验模型在全国范围内的精度和适用性,并简化计算方法,依据1961—2020年全国585个气象站点的逐日地面观测资料(统计数据未包含港、澳、台地区,下同),选用平均相对百分误差、标准差等量化指标,采用最大似然和最短距离法,从月尺度和年尺度上对以Penman-Monteith模型为标准的Hargreaves-Samani(HS)模型、Makkink(MK)法、Priestley-Taylor(PT)模型、Hargreaves(Har)模型、Mc Cloud(MC)模型进行比较分析和系数修正。结果表明:1)修正前除MC模型外月尺度平均相对百分误差平均值均低于20%,PT模型和MC模型年尺度平均相对百分误差平均值均高于25%,精度最低;2)修正后5种模型的月尺度和年尺度平均相对百分误差平均值均低于8%,计算精度明显提升,其中PT模型的修正效果最好,月尺度和年尺度的平均相对百分误差平均值均低于3.7%,与修正前相比均降低了80%以上;3)利用最短距离法进行聚类分析后发现,区域修正后Har模型和MK模型的修正效果最好,年蒸散量相对百分误差平均值分别为8%和5.1%。修正后的不同参考作物蒸散经验模型在全国范围内具有更高的适用性。     

山区月平均气温的短序列订正方法研究

山区气象台站稀少,气象哨资料的时间序列较短,一般通过延长气象哨的时间序列来研究山区气候状况.本文以仙居县气象站为基本站,收集9个气象哨的气温资料,采用一元回归订正法和差值订正法对浙江省仙居县内9个气象哨的月平均气温进行订正,并从统计学和订正误差的角度分别对它们进行了比较分析.结果表明:采用一元回归订正法和差值订正法来订正误差无显著性差异,两者均可以用于山区月平均气温的短序列订正.     

基于PSO_LSSVM和Elman神经网络的北京市气温预测效果比较

利用北京市1960-2004年的月平均气温数据,建立最小二乘支持向量机(LSSVM)与Elman神经网络模型,分别运用粒子群算法(PSO)与试凑法对这2种模型进行优化,并对2005-2009年的月平均气温进行预测估计,比较2种模型的预测结果,以便找出更准确的气温预测模型。结果表明,2种模型总体上均能较好地拟合气温序列(R2均大于0.985),但是对于低温预测效果均相对欠佳;PSO_LSSVM预测误差(RMSE=1.380 6)明显小于Elman神经网络(RMSE=1.732 5),拟合精度更高,能更好地对短期气温变化进行模拟。因此,可用PSO_LSSVM模型进行气温预测,指导当地的农业生产与工业开发。     

Amplification of surface temperature trends and variability in the tropical atmosphere

The month-to-month variability of tropical temperatures is larger in the troposphere than at Earth's surface. This amplification behavior is similar in a range of observations and climate model simulations and is consistent with basic theory. On multidecadal time scales, tropospheric amplification of surface warming is a robust feature of model simulations, but it occurs in only one observational data set. Other observations show weak, or even negative, amplification. These results suggest either that different physical mechanisms control amplification processes on monthly and decadal time scales, and models fail to capture such behavior; or (more plausibly) that residual errors in several observational data sets used here affect their representation of long-term trends.     

单、双作物系数法计算夏玉米需水量对比研究

采用FAO-56推荐计算作物需水量的单作物系数和双作物系数方法,计算豫北安阳地区夏玉米需水量,并与实测值进行对比,分析其差异及原因。结果表明,采取单、双作物系数法计算的夏玉米需水总量与实测值相对误差分别为14．8％、11．7％,双作物系数法更接近实测值;采取单.双作物系数法2种方法计算的夏玉米逐日及月均需水量具有较好的一致性,相关系数（r）为O．78、0．85。     

基于SPEI的陕北黄土丘陵区干旱特征及影响因素分析

为探讨陕北黄土丘陵区干旱特征及其影响因素,借助绥德2000-2014年逐日的气象数据,基于Hargreaves、Thornthwaite和Penman-Monteith蒸散模型及同一套降水资料计算,获得不同时间尺度(月、半年和年)3种标准化降水蒸散指数(SPEI),对比分析上述3种SPEI的差异并选取适宜于陕北黄土丘陵区的SPEI,而后采用SPEI分析干旱特征,并利用通径法分析气象因子对SPEI敏感性。结果表明:1)基于Penman-Monteith蒸散模型的SPEI(SPEI-PM)能够准确反映陕北黄土丘陵区干旱事件,与SPEI-PM相比,基于Hargreaves和Thornthwaite的SPEI值偏低,计算误差为0.26～0.38;2)干旱变化呈现减弱趋势,短时间尺度上(1和6个月)SPEI-PM值变化频繁,长时间尺度上(12、18和24个月)SPEI-PM值变化幅度小且变化周期长;3)在月、半年和年尺度上对SPEI-PM影响程度最大的气象因素分别为气温和相对湿度。     

西藏拉萨(A)ngstr(o)m-Prescott系数选取研究

介绍了总辐射气候学的计算公式及几种计算方法,分析比较了青藏高原采用晴天（可能）总辐射、天文总辐射和理想大气总辐射为起始数据的太阳总辐射的计算方法和结果。根据西藏高原区拉萨气象站1971—1980年10年实测月总辐射Q、月平均日照时数n和月平均日照百分率s资料,重点比较了拉萨Angstrom-Prescott系数a、b选取方法及结果。结果表明,拉萨全年a=0．27、b=0．55,冬半年（10～次年3月）a=0．28、b=0．55;夏半年（4～9月）a=0.35、b=0．41。     

自动站数据A文件的数据处理维护分析

A文件时报表文件,其构成因素包括自动站的每月原始观测的数据和数据质量控制以及对应自动站的附加信息。由于当月出现异常数据,需在维护逐日数据(即B文件)是完成,因此维护A文件时要着重维护附加的信息段备注栏,在备注的时候要将具体情况说明清楚,包括故障原因、是否影响极限以及处理方法等,最终实现质量把关目的。主要分析自动站数据A文件的数据处理维护。首先阐述A文件预审,接着分析审核A文件时注意的问题,其次是讲述建立A文件,审核并上传月报表,然后分析日数据和月数据的维护,最后讲述在数据维护中,要注意校对的内容。     

基于SVM分类的淮河流域夏季降水预测模型

采用1959--2009年逐月74项大气环流特征量序列、500hPa月平均高度场和月平均海温场,计算与预报对象淮河流域夏季降水量相关系数,选取预测因子;用主分量分析方法组合预测因子。用支持向量分类机方法分别建立山东淮河流域、河南淮河流域、江苏淮河流域、安徽淮河流域共4个区域夏季降水短期气候预测模型。对2007--2009年夏季降水量SVM分类预测,4个区域的训练集回预测正确率为85％～99％,平均训练集回预测正确率91％;预测结果误差最大不超过1级,绝对值平均为0．4级。结果表明,该模型具有较强的预测能力和推广前景,可在气候预测业务中使用。     

宁夏夏季各月降水的时空分布及与74类大气环流指数的关系初探

使用EOF方法,对宁夏全境具有代表性的19个气象观测站的1961～2008年夏季各月降水资料进行了时空分解,得到了夏季各月降水的EOF空间分布特征和时间系数变化趋势。利用国家气候中心资料室提供的1961～2008年共48年的74类月大气环流指数资料,对大气环流指数与宁夏夏季各月降水量之间的相关性进行了分析,得出了相关指数因子。利用最优子集回归方法(OSR)从相关因子中筛选出了最能拟合各月降水的4个关键因子,建立了最优子集回归预报方程,对1962～2008年共47年的夏季各月降水距平进行了回报,得出了各观测站夏季各月的历史拟合率。