潜在蒸散量对SWAT模型寒区典型流域径流模拟的影响

以目前广泛应用的SWAT模型为例,利用对比研究方法,以欧根河流域作为典型研究区域,采用PenmanMonteith模型、Priestley-Taylor模型、Hargreaves模型、Shuttleworth-Wallace模型及修正的20 cm蒸发皿观测数据计算潜在蒸散量(PET)。研究不同PET驱动的SWAT模型对模拟结果的影响,研究结果表明:SWAT模型以子流域为尺度对PET计算结果进行插值的方式较粗略,不能较好反映PET的空间分布情况,在大面积森林覆盖的不同子流域,月平均PET值随不同子流域内森林物种的种类和分布不同数值变化较小,并非在考虑地形影响下SWAT模型模拟的日径流量结果均好,在未考虑地形影响下Penman-Monteith模型与考虑地形影响下的Hargreaves模型、Shuttleworth-Wallace模型模拟结果较好,其中Penman-Monteith模型拟合的效果最好,率定期与验证期的Ens值分别为0.651、0.686,说明Penman-Monteith模型更适合用于高寒森林地区的潜在蒸散量计算。     

基于CARS算法的不同类型土壤有机质高光谱预测

不同土壤类型的理化性质和光谱性质存在差异,以往研究多以高光谱反射率或光谱吸收特征建立模型,输入变量类型结构单一,往往导致土壤有机质(Soil Organic Matter,SOM)预测模型的精度不高。为提高SOM高光谱预测模型精度,该研究以黑龙江省海伦市为研究区,将不同类型土壤分别以竞争自适应重加权采样(Competitive Adaptive Reweighted Sampling,CARS)筛选的特征波段、数字高程模型(Digital Elevation Model,DEM)数据和光谱指数作为输入变量,结合随机森林(Random Forest,RF)算法建立SOM预测模型。结果表明:1)通过CARS算法筛选后,各土壤类型特征波段压缩至全波段数目的16%以下,在很大程度上降低土壤高光谱变量维度和计算复杂程度,从而提高了模型的预测能力,说明CARS算法在提取特征关键波段变量、优化模型结构方面起到重要作用;2)不同类型土壤的SOM预测精度存在差异,沼泽土的预测精度最高为0.768,性能与四分位间隔距离的比率(Ratio of Performance to InterQuartile distance,RPIQ)为3.568;黑土次之,草甸土的预测精度最低,仅0.674,RPIQ为1.848。3类土壤的RPIQ均达到1.8以上,模型具有较好的预测能力;3)局部回归预测精度最优,验证集的调整后决定系数为0.777,均方根误差(Root Mean Square Error,RMSE)为0.581%,模型验证RPIQ为2.689,模型稳定性高。该试验筛选的预测因子通过RF模型可实现SOM含量的快速预测,简化了传统复杂的程序,可为中尺度区域不同类型土壤的SOM预测提供依据,为输入量的选择提供参考。