基于辐射和温度的ET0模型在吐鲁番地区的比较与修正

利用吐鲁番地区3个气象站2000—2015年逐日气象资料,以FAO-56 Penman-Monteith(FAO-56 PM)模型为标准,对6种ET_0模型(M-A模型、P-T模型、M-H模型、H-S模型、Traj模型和B-H模型)进行评价并修正,采用均方根误差(RMSE)、绝对平均误差(MAE)、平均相对误差(MRE)评价指标和Wilcoxon非参数检验法比较年、月尺度上各模型修正前后的估算精度,以筛选适用吐鲁番地区ET_0简化估算模型。结果表明:吐鲁番地区ET_0的主要影响因子是R_s(太阳辐射),其次是e_s(饱和水汽压)和R_n(作物表面净辐射);修正前,年尺度上,M-H模型的估算精度最高;月尺度上,各模型误差较大且与FAO-56 PM模型存在显著差异,适用性较差;修正后,各模型在年、月尺度上的精度均有明显提高,无显著差异,其中修正后的P-T、M-H和B-H模型估算精度最高,可作为吐鲁番地区ET_0简化估算模型。     

基于ANFIS的焉耆盆地绿洲区ET0预测研究

ET0是计算作物需水量、进行农田灌溉管理及区域水资源优化配置的重要依据.以新疆焉耆盆地绿洲区为例,将ANFIS应用于逐日ET0预测中.根据研究区各气象要素的相关分析结果,选择系统输入变量为日最高气温和日均风速;利用不同水文年共1462组数据对系统进行训练,建立ET0预测模型.利用该模型对研究区2011年的365组数据进行预测效果检验,并与PM模型计算值为标准进行对比,结果表明:ANFIS系统预测平均相对误差绝对值为6.5％;通过t检验,预测值和标准值相差不大,在0.01的置信度下,无显著差异;回归分析表明,预测值和标准值相关系数为0.9911,且数据均匀分布在直线y=x附近,模型具有较高的精度和稳定性.研究结果为干旱区灌区农田灌溉管理及水资源配置提供了一定参考.     

夏玉米叶面积指数模型适用性及误差分析

为了研究叶面积指数模型的适用性，利用郑州农业气象试验站2009—2013年夏玉米观测资料和气象资料，建立修正的Logistic叶面积指数模型，并通过2014—2017年的数据对模型进行了检验。为了进一步研究模型在不同地区的适用性，分别于2014年、2015年在鹤壁、黄泛区、驻马店、郑州4个站点进行4个品种的分期播种试验，利用4个站点2 a的分期播种数据进行模型验证。结果表明：叶面积指数实测值与模拟值变化趋势基本一致，三叶期、七叶期平均绝对误差为0.01～0.23，平均相对误差为0%～12%，拔节期、抽雄期、抽雄后10d绝对误差为0～1.11，相对误差为0%～62%。模拟值与实测值之间平均绝对误差为0.06～0.32，平均相对误差为4%～18%。总体上，修正的Logistic叶面积指数模型在不同地区不同年份，均表现出一定的适用性，可用于夏玉米正常生长条件下叶面积指数的模拟，为修正的Logistic叶面积指数模型的推广应用提供数据支持。     

基于气象参数的内陆干旱区作物生育期ET0预测

为实现大田作物灌溉的精细化管理,研究了基于气象因素的生育期ET₀预测模型。采用灰色理论对ET₀与日均、日最高、最低温度,日均风速,相对湿度以及日照时数进行灰色关联度分析,结果表明ET₀与温度（包括日均、最高、最低温度）及相对湿度的灰色关联度较高。在分析ET₀与上述气象因素间的相关系数基础上,采用日均温度、日均风速以及日照时数作为模型的输入,ET₀作为输出,建立了BP神经网络（BPNN）预测模型;采用日均温度、日均风速、日照时数及灰色关联度作为输入,建立了模糊最小二乘支持向量机（FLSSVM）预测模型。研究结果表明,BPNN模型的训练值决定系数为0.8643,平均相对误差6.29%,预测值决定系数为0.8099,平均相对误差7.83%;FLSSVM模型的训练值决定系数为0.9684,平均相对误差2.89%;预测值决定系数为0.9663,平均相对误差3.43%。BP神经网络与FLSSVM模型的精度均较高,可以用来预测ET₀日值,这为大田作物的精细化灌溉管理提供理论与技术支持。     

甘肃省参考作物蒸散量变化特征与影响因子分析

为了探寻甘肃省参考作物蒸散量(ET_0)的变化特征及其影响因子,利用FAO-Penman-Monteith(98)公式计算甘肃省4个分区的ET_0。依靠处理定性概念与定量描述不确定转换的云模型对ET_0变化特征和影响ET_0的气象因子进行了研究;同时,采用通径分析的方法,对不同区域影响ET_0变化的气象因子进行了探讨。结果表明:63年来,ET_0在空间上表现为西北地区大于东南地区。其中,河西地区ET_0在甘肃省内一直处于最高值,但呈逐年减小的趋势;陇中地区和陇东地区前30年先减小,后33年较之前有所增加,但总体趋于稳定;陇南地区则表现为多年最低值且较为稳定,无明显变化。63年来河西地区ET_0分布最为离散,不均匀性也最不稳定性;陇东地区ET_0分布最为均匀,稳定性也相对最好。通径分析表明,各个气象因子对ET_0变化都有影响且对不同区域ET_0的主要影响因子也不尽相同。对河西地区和陇南地区ET_0变化直接作用最大的气象因子为平均温度;对陇中地区和陇东地区ET_0变化直接作用最大的气象因子分别为平均相对湿度和日照时数。平均风速是对河西地区、陇中地区和陇东地区间接作用最为显著的气象因子;而对陇南地区ET_0间接作用最为显著的气象因子则为日照时数。     

宁夏青铜峡灌区年退水量时间序列预测模型研究

针对宁夏青铜峡灌区年退水量预测问题,采用时间序列方法分析了灌区年退水量特性,建立了预测模型,结果发现青铜峡灌区年退水量在年际间相互关联,其时间序列是一个非白噪声非平稳时间序列,一阶差分序列是一个非白噪声平稳序列,建立了ARIMA年退水量时间序列模型,模型模拟的平均相对误差为5.66%,预测的相对误差在5%以内,精度较高,可以用于灌区退水量的预测。     

河北省冬小麦干旱预测技术研究

本研究以河北省冬小麦干旱综合监测模型为基础,对其包含的土壤相对湿度指数、作物水分亏缺距平指数、降水量距平指数进行未来10天的预测,建立冬小麦干旱预测模型;应用2001年、2008-2010年唐山、涿州、定州、黄骅、深县、栾城、南宫、肥乡8个站气象和土壤墒情资料,以农田土壤水分平衡方程为依据,对0 ～ 50 cm、0～20 cm土壤相对湿度预测结果和冬小麦干旱预测模型模拟结果进行检验.结果表明:0～50 cm土壤相对湿度相对误差在10％以下的站点占73％,在10％ ～ 15％的占12％,在15％以上的占15％;0～ 20 cm土壤相对湿度相对误差在10％以下的站点占68.4％,在10％ ～ 15％的占13.7％,在15％以上的占17.9％;干旱预测模型预测准确率为77.8％,如果以预测结果与监测结果相差一个干旱等级为正确,则干旱预测与监测结果完全一致,干旱预测模型可满足业务应用的需要,但干旱预测模型预测准确率依赖于降水预报的准确率.     

基于误差校正的二次非线性能源需求预测

能源需求预测是能源规划和政策制定的基础.通过对影响能源需求的因素进行分析,建立了基于影响因素的二次非线性能源需求预测模型,并通过混沌遗传算法(CGA)求解模型的参数得到具体的预测模型.在模型基础之上,进一步研究了模型误差,通过数据变换技术对误差建立GM(1,1)预测模型.通过对二次非线性模型进行误差校正,进一步提高了模型的预测精度.依据1985-2014年的历史数据建立了基于误差校正的二次非线性能源需求预测模型,并预测了在经济新常态的形势下,2020年中国能源的需求量约为48.57亿t标准煤.     

ANN在森林资源预测中的应用研究

人工神经网络(ANN)方法是基于实例的方法,不需要考虑数学模型的内部结构,不需要假设前提条件,不需要人为地确定因子权重,作为一个黑箱综合地映射研究对象的整体性。应用人工神经网络多步预测方法对甘肃连城林场吐鲁沟营林区有林地面积进行预测,网络模型的最大相对误差为0 080 8％,最小相对误差达到0 0089％,平均为0.038 6％,表明预测值与实际值吻合程度很好,因此模型的精度较高,并且建模简单经预测,林场2000-2004年有林地面积稍有下降趋势,分别为2 873.2 hm2,2 618 7 hm2,2 484.5 hm2,2 346 hm2,2 171 6hm2。     

ARIMA-SVR组合模型在基于标准化降水指数干旱预测中的应用

开展干旱预测是有效应对干旱风险的前提基础,本研究利用1951—2017年河南省郑州气象站点逐日降水量数据计算多尺度标准化降水指数(SPI),并建立了SPI序列自回归移动平均模型(ARIMA)和自回归移动平均与支持向量机回归组合模型(ARIMA-SVR),对模型参数进行率定和验证后,利用所建立的模型对河南省郑州气象站点多尺度SPI值进行预测。借助均方根误差(RMSE)、平均绝对百分比误差(MAPE)对回归预测模型的有效性进行判定。结果表明:ARIMA-SVR组合模型在SPI1(1个月)和SPI12(12个月)的RMSE值分别为80.05和0.74,均低于ARIMA模型的92.25和1.24,说明ARIMA-SVR组合模型与单一的ARIMA模型对SPI的预测精度都与该指数的时间尺度长短有关,都随时间尺度的增加而逐渐提高;SPI12的两种模型预测精度均高于SPI1、SPI3(3个月)和SPI6(6个月)的预测精度。用实测数据与模型的预测数据相比较说明ARIMA-SVR组合模型相比于单一ARIMA模型预测精度更高,且能够很好拟合不同时间尺度的标准化降水指数。     

基于GA-BP网络的西藏高海拔地区ET0预报

选择那曲县(海拔4 450 m)、改则县(海拔4 700 m)作为西藏高原气候典型地区,通过遗传-神经(GA-BP)网络训练,应用1983—2012年30年的数据建立GA-BP网络模型,采用前一年的气象资料预报当年的参考作物腾发量,当2010—2012年连续3年的预报值均满足设定的阈值下限时,输出预测结果,这样使得模型在保证了预报精确度的同时兼具预报稳定性。结果发现:经GA-BP网络确定的2010—2012年3年模型预报值与真实值间的线性关系明显,决定系数R~2分别达到0.8805、0.9363、0.9167,斜率接近于1;多年的模拟预报值与实际值之间的相对误差均处于0.1以下,小于设定的阈值下限。对于易获得气象资料的地区,研究成果可对高海拔地区未来月际间作物需水量的变化进行预判,进而为将来灌溉制度的制定提供依据;对于缺测气象资料的地区,通过本文建立的网络模型,结合气象条件类似的站点,可在大时间尺度下对该地区ET_0变化趋势进行模拟,同时对下年度灌溉制度的拟定提供指导。     

内蒙古东北部大豆灌溉动态预报模型

为实现内蒙古东北部大豆农田灌溉动态预报,应用多项式拟合方法将大豆适宜土壤湿度下限值插值到全生育期的每一天,形成适宜土壤水分下限动态连续指标曲线,并从土壤-作物-大气连续体角度出发,依据农田土壤水分平衡理论,利用内蒙古突泉农业气象试验站2001—2007年土壤水分数据和气象资料,建立了适合内蒙古东北部旱作农区的大豆灌溉动态预报模型,实现了灌溉日期和灌溉量的时域滚动预报;利用2008—2011年实测数据验证该模型模拟结果,土壤相对湿度预测值与实测值的均方根误差(RMSE)和平均绝对百分比误差(MAPE)分别为2.44%和3.42%,预报灌溉日期的误差在-3~3 d之间,表明模型准确性和实用性较强,可为东北大豆产区节水灌溉提供一定的科学依据。     

基于小波神经网络和BP神经网络的麦蚜发生期预测对比

为建立更准确、稳定的病虫害预测预报模型,减少农作物病虫害损失、提高农作物产量与质量,运用主成分分析法从42个基础气象因子中整合形成8个新的自变量输入模型,采用试凑法对网络关键参数进行筛选,用2002-2011年数据进行网络训练,建立了以Morlet小波函数为传递函数的小波神经网络模型,并与以Sigmoid函数为传递函数的BP神经网络模型进行了比较.在小波神经网络训练过程中,有6年拟合精度在90％以上,平均拟合精度为89％,预测结果MAPE值为4.1939,MSE值为5.9764;在BP神经网络的训练过程中,有4年拟合精度超过90％,平均拟合精度仅为81.07％,预测结果中MAPE值为6.4694,MSE值为8.2457.从训练结果看,小波神经网络更能准确描述麦蚜发生期的变化规律,其拟合能力较BP神经网络好;从预测精度和模型的稳定性来看,小波神经网络好于BP神经网络.     

基于NOAA-NDVI的河南省冬小麦遥感估产

以河南省为研究区域,利用1982-2006年冬小麦生长关键期3-5月的NOAA-NDVI数据集,结合河南省18地市冬小麦产量数据,分析了研究区NDVI与冬小麦产量的时间动态变化特征,建立了基于NDVI的冬小麦产量估算模型,并对模型进行了验证与比较。结果表明:自1982-2006年,研究区冬小麦生长关键期的NDVI和小麦产量均表现出显著增长态势;利用3月、4月、5月NDVI分别建立的冬小麦产量线性预测模型相对误差均较小,分别为-7.56%、-6.10%、-2.63%;利用不同月份组合的NDVI累积和分别建立的冬小麦产量预测模型相对误差较小,平均误差为-5.08%;利用多个月份组合的NDVI分别建立的多元线性回归模型,虽然综合考虑了冬小麦生长期,但估测精度却低于基于单月NDVI和NDVI累积所建立的模型精度。通过误差对比分析后发现,利用5月NDVI建立的冬小麦估产模型误差最小。     

用太阳黑子和自相关因子超长期预测棉铃虫的发生趋势

以太阳黑子和自相关因子为预测因子，采用逐步回归分析方法，建立了赣北棉铃虫发生趋势的超长期预测模型。该模型１９６６～１９９１年的历史符合率达８０．７７％，１９９２～１９９６年的预报确率达８０％。所建模型可以提前２ａ发出预报，据此对１９９７和１９９８年赣北棉铃虫的发生趋势进行了预测。     

基于EMD和IDAR的灌区年降水量预测研究

针对降水量这样一种非线性、非平稳序列,研究经验模态分解方法(EMD)和信息扩散近似推理方法（IDAR）在年降水量预测中的组合应用,解决资料序列不充分情况下的区域降水量预测问题。首先,通过EMD方法对具有典型非线性与非平稳特征的年降水量时间序列进行处理,分解出包含原信号不同特征尺度的分量数据系列;然后应用信息扩散近似推理技术对各降水量分量间的复杂非线性关系进行描述,建立当前趋势以及相邻年份之间的预测规则,并进行预测。以文献案例灌区长系列降水资料为样本进行实例计算,并与其它预测方法进行了对比。结果表明：基于EMD和信息扩散近似推理的预测方法效果较好,误差绝对值和为1.30,优于人工神经网络、线性自回归方法以及单纯信息扩散近似推理的统计结果。同时,为了验证该方法的适用性,将该方法应用于文峪河灌区的降雨量预测,取得了满意的效果。研究中发现：信息扩散近似推理可将样本点转换成模糊集,部分弥补了由于数据的不完备性所造成的信息空白,并可将矛盾模式转换成兼容模式。而EMD方法可有效分解具有非线性、非平稳特征的降水序列,保留其原序列在空间（或时间）各种尺度上的分布规律。两者结合对解决样本不完备的非平稳序列的预测问题是非常有价值的。通过与其它预测方法比较,发现该模型能够很好地光滑样本数据以及能够较好地发掘知识,有较高的预测精度和推广应用价值。     

VMD-LSTM模型对不同预见期月径流的预测研究

为减小径流时间序列的非线性及非平稳性带来的预测误差，提高多种预见期下的月径流预测精度，将变模态分解（VMD）和长短期记忆神经网络（LSTM）模型相结合，建立了VMD-LSTM组合预测模型，并将大气环流因子作为模型输入的增加项，预测未来1~3个月的月径流。将模型应用于黄河流域上游唐乃亥、民和、享堂、红旗及折桥站的月径流预测以验证模型的适用性，并与VMD-BP（BP神经网络）、VMD-SVR（支持向量回归）及单一LSTM模型相比较。结果表明：VMD-LSTM组合模型的预测误差最小、精度最高，相比单一LSTM模型，其纳什效率系数（NSE）约从0.6~0.7提高到0.9以上；融合大气环流因子后VMD-LSTM模型预测精度进一步提高，NSE保持在0.91~0.96之间；随着预见期的增长，VMD-LSTM模型预测精度衰减较VMD-BP和VMD-SVR模型明显变缓，在3个月预见期时NSE仍能保持在0.84~0.95之间。VMD-LSTM模型是月径流预测的一种有效方法，结果可为研究区月径流预测提供参考。     

夏玉米蒸散优化参数模型及参数敏感性分析

分别采用2种不同的冠层阻力模型和土壤阻力模型,组合成4种Shuttleworth-Wallace(S-W)模型,模拟夏玉米农田灌浆期的逐时蒸散量,以涡度相关法观测蒸散量为实测值检验模型改进的效果,找出最优冠层阻力模型和土壤阻力模型,并分析最优S-W模型对各阻力参数的敏感性。结果表明:李俊改进型有效叶面积指数冠层阻力模型和Sellers土壤阻力模型组合的S-W模型模拟效果最好,S-W模型估算玉米田蒸散的精度显著提高,蒸散发模拟值与实测值的相关系数、一致性指数更接近1,蒸散发模拟的相对误差和均方根误差变小。敏感性分析表明,在计算各个阻力参数模型中,S-W1模型估算蒸散发对冠层阻力最敏感,其次是土壤阻力和有效叶面积指数;采用改进型有效叶面积指数冠层阻力模型和Sellers土壤阻力参数模型组合后,在一定程度上提高了模型精度,提高了计算准确率。     

适用于我国的稻纵卷叶螟长期预测模型

为给我国稻纵卷叶螟Cnaphalocrocis medinalis防治提供前期预警,使用R语言软件对我国15个省市区稻纵卷叶螟发生等级与全球海温场资料进行遥相关分析,绘制相关系数的时空间分布图,筛选出显著相关海温区作为预测因子,根据各省市区虫情数据组建回归模型+判别模型、BP神经网络模型和支持向量机(SVM)模型,比较3种模型的历史回检率和预测完全准确率。结果显示,3种模型对稻纵卷叶螟发生等级均有一定的预测能力,其中判别模型+回归模型效果最好,预检完全准确率可达到75.0%,BP神经网络模型次之,预检完全准确率为68.2%,SVM模型预测效果最差,预检完全准确率为54.5%。进一步分析建模所使用的50个预测因子的空间位置,在南印度洋和北大西洋确定3个预测指标,预检准确率为94.4%。通过海温场数据建立的我国15个省市区稻纵卷叶螟发生等级预测模型,适用于长期预测预报。判别模型+回归模型更适合在样本量少、预测因子相关性强的地区建模,而根据预测因子空间分布选择的预测指标进行定性预测准确率更高。