机器学习算法和Hargreaves模型在四川盆地ET0计算中的比较

以四川盆地中部遂宁气象站2001-2010年逐日温度资料和大气顶层辐射（Ra）为输入参数,以FAO-56 Penman-Monteith（PM）模型计算的参考作物蒸散量（ET0）为标准,分别利用广义回归神经网络（GRNN）和小波神经网络（WNN）两种机器学习算法建立ET0模拟模型,并对GRNN、WNN和Hargreaves（HS1）与两种改进的Hargreaves（HS2和HS3）模型的ET0模拟效果进行对比分析,利用2011-2014年数据对各模型模拟精度进行验证,分析仅有温度资料时不同模型在四川盆地的适用性。结果表明：GRNN模型和WNN模型均具有较强的适用性,GRNN模型均方根误差（RMSE）、模型效率系数（Ens）和决定系数（R2）分别为0.395mm×d-1、0.924和0.902,WNN模型分别为0.401mm×d-1、0.911和0.901,且两种模型计算精度均高于HS1（1.05mm×d-1、0.885和0.334）、HS2（0.652mm×d-1、0.892和0.736）和HS3（0.550mm×d-1、0.881和0.812）模型。模型适用性验证进一步表明,GRNN和WNN模型在四川盆地西部和东部也具有较好的适用性,在输入参数中引入Ra能提高模型的模拟精度。因此,GRNN和WNN可以作为气象资料缺失条件下四川盆地ET0计算的推荐模型,且GRNN计算精度高于WNN,可优先选用。     

利用改进的MOD16模型估算区域蒸散发

蒸散发（Evapotranspiration,ET）是地表水循环和能量循环的关键纽带,准确、定量地估算区域ET对于理解陆-气相互作用、全球气候变化等至关重要。MOD16模型基于Penman-Monteith（P-M）方程,是一种获取区域ET的重要遥感模型。然而,MOD16模型没有直接利用土壤水分信息,而是通过相对湿度（Relative Humidity,RH）、饱和水汽压差（Vapor Pressure Deficit,VPD）、叶面积指数（Leaf Area Index,LAI）等间接表达土壤水分信息的作用,这可能会给区域ET的估算带来一些不确定性。该研究将归一化水指数（Normalized Difference Water Index,NDWI）作为土壤水分信息的补充项,对MOD16模型的地表阻抗进行修正,以改进MOD16模型（改进后的模型为MOD16-sm）,并将改进后的模型在中国西北干旱区绿洲进行验证和应用。模型验证包括模拟值与观测值的对比及误差分析。模拟值与观测值的对比分析结果表明,MOD16-sm模型获取的ET精度较高,决定系数（Coefficient of Determination,R2）为0.77,均方根误差（Root Mean Square Error,RMSE）为0.8 mm/d,平均绝对误差（Mean Absolute Deviation,MAE）为0.46 mm/d;误差分析结果显示,MOD16-sm模型估算结果的误差控制优于MOD16模型,结合模拟值与观测值的对比分析可知,MOD16-sm模型改善了MOD16模型的部分高估现象,MOD16-sm模型能更好地反映土壤水分对ET的影响。模型应用包括ET估算值的空间分布分析及ET估算值的频率分布统计。对MOD16-sm模型的估算结果进行空间分析发现,高植被覆盖区的ET值较高,低植被覆盖区的ET值较低,说明MOD16-sm模型的ET估算结果与土地利用类型密切相关;研究区ET估算值的频率分布结果表明,MOD16-sm模型能较好地反映和表达出不同植被覆盖区的ET通量异质性。因此,利用NDWI对MOD16模型进行改进是可行的和合理的,该研究可为提高区域ET的估算精度提供参考和思路。     

基于机器学习的遮荫设施内参考作物蒸散量估算

为高效准确地估算遮荫设施内参考作物蒸散量（Reference Evapotranspiration, ET0）,该研究通过分析三七栽培遮荫设施（四周及顶部均由黑色遮阳网遮盖,通风性较好）内及设施外气象参数的关系,采用Sobol敏感性分析方法筛选出设施外有效的气象参数,并将其作为模型输入,以Penman-Monteith（FAO-56 PM）模型计算的值为标准值,采用贝叶斯优化（Bayesian Optimization, BO）算法优化机器学习方法（支持向量回归机（Support Vector Regression, SVR）、随机森林（Random Forest, RF）和极限学习机（Extreme Learning Machine, ELM））中的参数,建立3种遮荫设施内ET0估算模型（BO-SVR、BO-RF和BO-ELM）。结果表明：遮荫设施内ET0对设施外平均相对湿度、平均风速、最高气温和平均气温的敏感性较高,一阶敏感系数分别为0.450、0.304、0.064和0.026,故基于4组气象参数建立模型。BO-ELM模型的测试精度整体优于BO-SVR和BO-RF,其中BO-ELM模型基于平均相对湿度、平均风速、最高气温和平均气温的气象参数组合估算精度最高,决定系数、均方根误差和平均绝对误差分别为0.928、0.069 mm/d和0.046 mm/d,BO-ELM模型也能很好地适应少量气象参数（平均相对湿度和平均风速）估算设施内ET0,决定系数、均方根误差和平均绝对误差分别为0.910、0.078 mm/d和0.057 mm/d。综合考虑计算精度和计算代价,可将BO-ELM模型作为气象参数缺失情况下遮荫设施内ET0的估算方法。研究为遮荫设施内ET0的估算提供有效方法。     

利用温度资料和广义回归神经网络模拟参考作物蒸散量

参考作物蒸散量(reference evapotranspiration,ET0)精确模拟对水资源高效利用和灌溉制度制定具有重要意义,该文以四川盆地19个气象站点1961-1990年逐日最高、最低温度和大气顶层辐射作为输入参数,FAO-56 Penman-Monteith(PM)模型计算的ET0为标准值,建立基于广义回归神经网络(generalized regression neural network,GRNN)的ET0模拟模型,基于1991-2014年资料进行模型验证,将GRNN模型同Hargreaves(HS1)和改进Hargreaves(HS2)等简化模型的模拟结果进行比较,分析只有温度资料情况下不同模型模拟ET0误差的时空变异性。结果表明:GRNN、HS1和HS2模型均方根误差(root mean square error,RMSE)分别为0.41、1.16和0.70 mm/d,模型效率系数(Ens)分别为0.88、0.13和0.67。3种模型RMSE在时空上均呈现HS1HS2GRNN、Ens均呈现GRNNHS2HS1趋势;与PM模型模拟结果相比,GRNN、HS1和HS2模型模拟结果分别偏大0.8%、45.1%和17.3%。在时空尺度上的误差分析均表明利用温度资料建立的GRNN模型能够较为准确地模拟四川盆地ET0,因此可以作为资料缺失情况下ET0模拟的推荐模型。该研究可为四川盆地作物需水精确预测提供科学依据。     

中国三大灌区参考作物蒸散量温度法模型的修订与适应性评价

为提高中国三大灌区（都江堰灌区、河套灌区和淠史杭灌区）参考作物蒸散量（reference crop evapotranspiration,ET 0 ）温度法的计算精度,选取 8 个代表性站点 1961-2014 年逐日气象资料,采用 Irmark-Allen（IA）、Hargreaves and Samani（HS）、Turc（Tur）、McCloud（MC）、Schendel（Sch）、Trajkovic （Tra）、Droogres and Allen?1（DA-1）和 Droogres and Allen?2（DA-2）共 8 种温度法计算 ET 0 ,以 FAO-56 Penman-Monteith（PM）法计算结果为标准,基于各方法计算的 ET 0 日值线性回归方程（y=kx+b）,分别 在都江堰灌区选取 IA 法和 Tra 法,河套灌区选取 HS 法、DA-1 法和 DA-2 法,淠史杭灌区选取 IA 法、 HS 法、DA-1 法和 DA-2 法,引入调差参数对模型进行修订,利用均方根误差（RMSE）、平均相对误差 （MRE）和 Nash-Sutcliffe 系数（NS）对其适应性进行评价。结果表明：都江堰灌区和淠史杭灌区所选 模型修订后计算精度均有明显提高,河套灌区提高不明显;都江堰灌区 IA 修订模型（IA-Du 法）在该灌 区计算精度最高,其日值、旬值的 RMSE、MRE 和 NS 分别为 0.318mm·d-1 、0.120 和 0.923,0.201mm·d-1 、 0.093 和 0.959,且在不同月份均有较高计算精度;河套灌区计算精度最高模型为 HS 法,其日值、旬值 的 RMSE、MRE 和 NS 分别为 0.898mm·d-1 、0.326 和 0.785,0.547mm·d-1 、0.223 和 0.904,且在 1-5 月 和 10-12 月具有较高计算精度;淠史杭灌区 IA 修订模型（IA -Pi 法）在该灌区计算精度最高,其日值、旬 值的 RMSE、MRE 和 NS 分别为 0.534mm·d -1 、0.195 和 0.861,0.390mm·d -1 、0.167 和 0.896,且在不同 月份均具有较高计算精度。因此,推荐 IA -Du 法、HS 法和 IA -Pi 法分别作为都江堰灌区、河套灌区和淠史 杭灌区计算参考作物蒸散量的方法。     

基于GEP和地理位置信息的湘鄂地区月参考作物腾发量模拟计算

参考作物腾发量(ET0)是计算植被蒸散发的关键因子,准确估算ET0对水资源管理、灌溉制度设计等具有重要意义。本研究利用湘鄂地区46个气象站点1955—2005年的逐月气象数据,包括月最高气温、最低气温、平均风速、日照时数以及相对湿度,用FAO-56 Penman-Monteith法计算各站的逐月ET0值。然后结合基因表达式编程(GEP)算法挖掘公式的能力,以各站点的地理位置信息(纬度、经度、海拔)及月序数为输入,以多年逐月平均ET0值为输出,建立基于地理位置信息的月ET0模型,并与传统ET0模型的计算结果进行比较。结果表明,所建立的模型具有足够的精度,校正、检验阶段的决定系数(R2)和均方根误差(RMSE)分别为0.934、0.951和10.050 mm、8.628 mm;与Hargreaves和Priestley-Taylor法相比,基于地理位置信息建立的GEP模型的结果均方根误差最小,变化范围为8.628~9.967 mm。本研究所建立的月ET0模型具有明确的表达式,简单易用,在湘鄂地区仅利用地理位置信息计算逐月ET0是可行的,可以利用该模型进行月尺度的灌溉制度设计和植被蒸散发的估算。     

基于MGWR的渭河流域TRMM降水产品空间降尺度分析

高分辨率降水数据有助于刻画降水的时空分异特性,对流域水文、气象和生态等过程的精准模拟具有重要作用,因此对低分辨率降水产品开展空间降尺度,提高其分辨率十分必要。鉴于此,本文在充分考虑热带降雨测量卫星（Tropical Rainfall Measuring Mission,TRMM）降水产品在渭河流域适用性的基础上,引入归一化差分植被指数（Normalized Difference Vegetation Index,NDVI）、数字高程模型（Digital Elevation Model,DEM）、坡度、坡向和经纬度等地理环境因子,构建了多尺度地理加权回归（Multi-scale Geographically Weighted Regression,MGWR）模型用以分析不同因子对渭河流域降水空间格局影响的尺度差异;进一步提出了一种针对TRMM降水产品的空间降尺度方法,并透过精度评价验证了降尺度结果的可靠性。结果表明：1）TRMM降水产品数据相较于站点实测数据存在一定精度误差,年尺度上R2=0.807,BIAS=2.909%,RMSE=83.477 mm,表现较好;季尺度上秋季R2最高,为0.847,夏季RMSE最大,为62.393 mm,四季的BIAS均较低;月尺度R2为0.456～0.815,BIAS介于±0%～8%之间,多数月份为正值,RMSE值域范围为3.019～37.841 mm,精度较好;总体而言,TRMM降水产品数据在年、季和月尺度上均表现出良好的整体适用性。2）不同因子在干湿年份对降水空间分异格局的影响呈现出不同的尺度特征,其中湿润年的DEM、NDVI、坡向和经纬度对降水呈现局部影响,坡度影响具有全局性,而干旱年各因子均表现为局部影响。3）流域和站点尺度上,降尺度TRMM数据相较于降尺度前产品数据精度得到一定改善,其中流域尺度上,R2整体提升3%,RMSE降低1mm;站点尺度上,各站点统计指标变化各异,但降尺度后统计指标整体优于降尺度前,并且由于时间尺度上的误差累积,站点年尺度数据精度相比月尺度数据稍差（R2由0.8～0.91变为0.4～0.95,RMSE从11～17变为32～150）。4）降尺度TRMM数据相比于降尺度前产品数据,空间分布更细腻,细节特征表现更好,且在年、月时间尺度上均具有较高的精度,可为渭河流域资料短缺地区的水文设计提供数据支撑。     

基于日气温特征值与冷/热积量模型耦合的苹果始花期预报模型

以临猗、洛川和栖霞3个富士系苹果主产区为研究区，基于2019−2020年各地调查样点的1km格网气象数据、实际始花期数据以及冷小时模型（Chilling Hour Model，CHM）和生长度小时（Growing Degree Hour，GDH）模型，利用网格搜索法得到苹果始花期最优冷/热需求量；然后将日气温特征值（日最高温Tmax、日最低温Tmin和日平均温Tavg）划分为单因子、双因子和三因子7种日气温特征因子组合方式，利用随机森林算法（Random Forest，RF）构建3个地区不同日气温特征因子组合下的日冷/热积量模型，以筛选最优日气温特征因子；在此基础上，基于最优日气温特征因子，利用RF构建苹果始花期预报模型，并通过独立实际始花期数据对预报模型进行精度评价。结果表明：（1）临猗地区的苹果始花期最优冷/热需求量分别为730CH和7350GDH，洛川地区分别为345CH和4950GDH，栖霞地区分别为520CH和4450GDH；（2）7种日气温特征因子组合中，Tmax、Tmin和Tavg三因子组合下的3个地区日冷/热积量模型在估算日冷/热积量时均具有较高的准确性，日冷积量估算值与基于CHM模型得到的日冷积量间的RMSE为0.97～2.50CH，日热积量估算值与基于GDH模型得到的日热积量间的RMSE为1.73～15.76GDH；（3）利用苹果始花期预报模型估算日冷/热积量，日冷/热积量估算值与基于CHM/GDH模型得到的日冷/热积量间的RMSE分别为1.08～1.14CH和2.03～3.74GDH；当利用该模型进行苹果始花期预报时，预报值与实际值R2为0.92，RMSE为3.44d，其精度与基于真实逐小时气温数据的精度整体一致，表明本研究构建的苹果始花期预报模型可以有效将输入气温数据从逐小时尺度转换为日尺度，这在后续苹果始花期预报工作中具有较好的应用价值和潜力。     

基于多光谱影像和机器学习算法的红树林树种LAI估算

针对红树林叶面积指数（Leaf Area Index,LAI）实地测量难度大、无法快速大范围LAI估算的问题。该研究以广西北部湾红树林为研究对象,以无人机（Unmanned Aerial Vehicle,UAV）和哨兵二号（Sentinel-2A,S2）多光谱影像为数据源,整合原始光谱波段、植被指数和组合植被指数构建高维数据集,并进行数据降维和特征优选。定量评估6种机器学习算法（XGBoost、前馈反向传播神经网络（Back Propagation,BP）、支持向量机（SVM）、岭回归（Ridge）、Lasso和弹性网络（ElasticNet））对不同红树林树种LAI的估算能力;探究UAV和Sentinel-2A影像对红树林树种LAI估算的精度差异。研究结果表明：1）基于XGBoost算法构建的模型实现了红树林LAI高精度估算,R2均高于0.70,RMSE均低于0.349;2）在UAV和Sentinel-2A影像下,XGBoost模型对不同红树林树种LAI的估算精度（R2）比其他5种模型分别提高了0.105～0.365和0.283～0.540,RMSE降低了0.100～0.392和0.102～0.518;3）UAV影像数据与XGBoost算法构建的模型对海榄雌LAI的估算精度优于其他组合（R2=0.821、RMSE=0.288）,Sentinel-2A影像数据与XGBoost算法构建的模型对秋茄和桐花树LAI的估算精度优于其他组合（R2=0.940～0.979、RMSE=0.142～0.104）,不同红树林树种LAI的估算精度依次为桐花树>秋茄>海榄雌;4）SNAP-SL2P算法整体性低估红树林LAI值,UAV影像红树林树种LAI的平均估算精度（R2=0.677～0.713）均优于Sentinel-2A影像,实现了不同红树林树种LAI的高精度估算。     

云南省Ångström-prescott辐射模型的参数化研究

现行的太阳辐射通常采用常规数据进行估算。其中,基于日照的ngstrm-prescott公式的估算精度最高、应用最广。但模型应用的关键是如何获得适宜的模型参数。该文采用FAO和Liu等推荐的6种参数化方法,在云南省3个站点应用ngstrm-prescott公式计算太阳辐射值,并与实测值进行比较。结果表明,Liu等的2种方法太阳辐射值的估算效果最好,精度与校正参数相当。二者在昆明和丽江的平均偏差(MBE)、均方根误差(RMSE)及相对均方根误差(PRMSE)分别在-0.28～0.50、2.09～2.39MJ/(m2·d)及12.4%～15.8%之间。相比之下,FAO推荐值在这两地点预测的MBE、RMSE及PRMSE分别为-0.43～0.84、2.61～5.37MJ/(m2·d)及17.2%～31.7%,估算精度远低于前两种参数化方法。鉴于目前国内直接使用FAO推荐值的做法还相当普遍,该文结果有助于加深人们对ngstrm-prescott模型参数选择的重要性的认识,进而实际应用中更多地使用校正值或估算值。     

四川省不同区域参考作物蒸散量计算方法的适用性评价

为实现参考作物蒸散量(reference crop evapotranspiration,ET0)在资料缺失情况下的准确计算,对ET0简化算法在四川省不同区域的适用性进行科学评价,将四川省划分为4个区域(I东部盆地区、II盆周山地区、III川西南地区和IV川西高原区),采用46个气象站点1954-2013年逐日气象资料,以1998 FAO-56 Penman-Monteith(PM)法的计算结果为标准,对具有代表性的6种简易算法48 Penman(48PM)法、Hargreaves-Samani(HS)法、Pristley-Taylor(PT)法、Irmark-Allen(IA)法、Makkink(MAK)法和Penman-Van Bavel(PVB)法的计算精度进行对比,结果表明:6种方法在四川省不同区域计算精度差异明显,HS法、PT法和PVB法较为精准,48PM法、IA法和MAK法误差较大,其中I区表现最好的为HS法,II、III和IV区表现最好的方法均为PT法;同时,除PT法和PVB法外,其余方法空间变异性较大(HS法在海拔较低的I、II区较为精准,在海拔较高的III和IV区结果远小于PM法,48PM法在四川东南地区的计算误差为11.1%~37.5%,在浅山丘区和高原区计算误差多大于50%)。因此,计算四川省的参考作物蒸散量时,推荐在东部盆地区使用HS法,盆周山地区、川西南地区与川西高原区使用PT法。     

基于天气预报的漳河灌区参考作物腾发量预报方法比较

为了提出适合湖北省漳河灌区的参考作物腾发量预报方法,以FAO56-Penman-Monteith公式采用历史气象数据计算出的值为基准,利用天气预报数据,比较Hargreaves-Samani(HS)法、逐日均值修正法及该文改进的逐日均值修正法在该灌区钟祥站点的预报精度,并评价各方法适用性.结果表明:利用这3种方法进行参考作物腾发量预报时,1~7 d预见期平均绝对误差均值分别为0.75、0.80、0.76 mm/d,均方根误差分别为1.00、1.07、1.05 mm/d,相关系数分别为0.82、0.80、0.80.1 d预见期最优预报方法为改进逐日均值修正法,2~7 d预见期的最优方法均为HS法.总体而言,预报精度最好的为HS法、改进逐日均值修正法次之、逐日均值修正法最差.对于漳河灌区,建议采用HS法进行预报,可为灌溉预报提供较为准确的数据基础.     

基于极限学习机的参考作物蒸散量预测模型

为实现气象资料缺乏情况下参考作物蒸散量（reference crop evapotranspiration, ET0）高精度预测,以气象因子的不同组合为输入参数,利用FAO-56 Penman-Monteith公式计算的ET0作为预测标准值建立基于极限学习机（extreme learning machine, ELM）的ET0预测模型。选取川中丘陵区7个气象站点1963－2012年逐日气象资料进行模型训练与测试,并将模拟结果同Hargreaves、Priestley-Taylor、Makkink及Irmark-Allen等4种常用模型进行对比。结果表明：ELM模型能很好地反映气象因子同ET0间复杂的非线性关系,且模拟精度较高;基于最高和最低温度的ELM模型模拟精度（均方根误差和模型效率系数分别为0.504 mm/d和0.827）高于Hargreaves模型（均方根误差和模型有效系数分别为0.692 mm/d和0.741）;基于最高、最低温度和辐射的ELM模型模拟精度（均方根误差和模型有效系数分别为0.291 mm/d和0.938）明显高于Priestley-Taylor（均方根误差和模型有效系数分别为0.467 mm/d和0.823）、Makkink（均方根误差和模型有效系数分别为0.540 mm/d和0.800）和Irmark-Allen模型（均方根误差和模型有效系数分别为0.880 mm/d和0.623）。因此基于最高、最低温度和辐射的ELM模型可以作为气象资料缺乏情况下川中丘陵区ET0计算的推荐模型。该研究可为川中丘陵区气象资料缺乏情境下ET0精确计算提供科学依据。     

应用Penman-Monteith公式和土壤湿度指数估算区域地表蒸散

准确计算地表蒸散对于水资源合理利用具有重要意义。Penman-Monteith公式具有坚实的理论基础,被广泛应用于计算地表蒸散,但表面阻抗计算的复杂性阻碍了其向区域应用的进一步推广。本文首先利用地表温度(Ts)-植被指数(Fv)特征空间计算土壤湿度指数,进而计算土壤阻抗,改进和发展了Penman-Monteith蒸散算法,简称为PM-SMI。将该算法与地表温度-植被覆盖特征空间蒸散算法以及Penman-Monteith系列另一种算法(PM-Yuan)进行比较。利用美国南部大平原12个波文比观测数据进行模型比较和验证。研究区域主要覆盖农田和草地,植被覆盖度较低。结果表明在瞬时和日值两个时间尺度PM-SMI整体上都优于其他两种算法,PM-SMI方法适合用于区域地表蒸散估算。     

四川省不同区域地表太阳总辐射模型适用性评价

选用1994−2016年四川省7个辐射站气象数据,在3个辐射区（川西高原I区、川东盆地II区和川西南山地III区）中评价了6种地表太阳总辐射（Rs）估算模型在3种天气类型（晴、多云、阴）下的适用性,并分析基于天气类型的组合模型在不同区域的模拟效果,以探寻最适宜全省不同区域的Rs估算方法。结果表明：（1）各经验模型在四川省整体表现良好（决定系数R2介于0.554～0.934,P <0. 001）,I区（甘孜和红原站）模拟效果最好的为日照时数模型A−P（平均绝对误差MAE为2.210±0.714MJ∙m⁻²∙d⁻¹）,II区（成都、绵阳和泸州站）、III区（峨眉山和攀枝花站）模拟效果最佳的均为混合模型Chen（II区MAE为1.510±0.027MJ∙m⁻²∙d⁻¹,III区为1.930±0.006MJ∙m⁻²∙d⁻¹）;（2）6个模型在四川省3种天气类型下的模拟效果呈晴天>多云>阴天的规律,日照时数模型（A−P和Ba模型）能更好地模拟晴天时的Rs,混合模型（Chen和Ab模型）则在多云和阴天时模拟效果更佳,I区在晴天、多云、阴天3种天气下模拟效果最好的模型分别是A−P（整体评价指标GPI为0.850）、Ab（1.294）、Ba（0.862）,II区分别为A−P（0.381）、Chen（1.358）、Chen（1.742）,III区分别为Chen（0.204）、Chen（0.857）、Chen（0.526）;（3）基于天气类型的组合模型（M新）模拟各区Rs的效果均比未组合前各模型的效果好（3个区GPI分别为0.558、0.582、0.134）。因此,推荐使用基于天气类型的组合模型来估算四川省Rs。     

基于称重式蒸渗仪实测日值评价16种参考作物蒸散量(ET_0)模型

参考作物蒸散量(ET_0)的准确估算是作物需水量及区域农业水分供需计算的关键,尽管已提出大量方法,但缺乏基于实测值的严格检验。本文利用北京小汤山2012年称重式蒸渗仪实测日值,检验16个ET_0模型,包括5个综合法、6个辐射法、5个温度法模型。依据均方根误差RMSE值,各模型估算效果的排序为FAO79 Penman=1963 Peman1996 Kimberly PenmanFAO24 PenmanFAO56 Penman-Monteith(PM)TurcFAO24 Blaney-Criddle(BC)DeBruin-KeijmanJensen-HaisePriestley-Taylor(PT)FAO24RadiationHargreavesMakkinkHamonMcloudBlaney-Criddle(BC)。总体而言,综合法表现最好,其RMSE在1.33~1.47mm·d~(-1),以FAO79 Penman和1963 Penman为最好;辐射法次之,其RMSE在1.48~1.77mm·d~(-1),以Turc最好;温度法检验效果最差,其RMSE在1.50~2.68mm·d~(-1),以FAO24 BC为最好。FAO79Penman和1963 Penman比最好的辐射法和温度法模型的精度分别高10%和13%。综合法、辐射法模型普适性好于温度法的原因在于其均含有影响ET_0的关键因子——辐射或饱和水汽压差VPD。所有模型均具有低蒸发条件下高估、高蒸发条件下低估的阈值特点,综合法及辐射法平均低估0.14mm·d~(-1)和0.33mm·d~(-1),而温度法平均高估0.52mm·d~(-1)。前两类方法 ET_0阈值相对较低,更适于低蒸发力条件,而温度法较适于高蒸发力条件。所有综合法、辐射法模型及温度法的Hargreaves和FAO24 BC法估算值与实测值变化趋势一致,说明模型结构合理,可通过参数校正提高精度;但对于与实测值趋势不吻合的温度法,模型结构尚需优化。VPD和最大湿度RHx是影响综合法、辐射法估算偏差的两大主要因子,其中VPD对低估类模型偏差影响最大,且偏差随着VPD增加而增大;而RHx对高估类综合法模型(1963 Penman、FAO79 Penman)偏差影响最大,且偏差随RHx增加而减小。校正后的PT(1.38)、Makkink(0.83)、Turc(0.014)及Hamon(1.248)系数大于原系数,而Hargreaves(0.0019)和BC(0.192)校正系数低于原系数。此外,PT与Hamon的系数利用最小相对湿度、Turc和Makkink系数利用VPD、Hargreaves和BC系数利用辐射或日照时数能得到最佳估算。FAO56 PM表现不佳(RMSE=1.47mm·d~(-1))的原因与站点气候干燥程度、较低的空气动力项权重有关。后人对原始Penman式的诸多修正并没有显著改善精度,因此建议在类似气候条件地区继续使用老版本Penman式。同时,对FAO56 PM的进一步检验将有助于回答"FAO56 PM是否真正比其它综合法具有优势,在何种气候下表现好,在高蒸发条件下低估是否为普遍现象"等科学问题。     

不同蒸散量时间尺度提升法用于节水灌溉稻田的对比分析

蒸散量（ET）时间尺度提升方法能充分利用遥感数据与地面观测的优势,获得精确的区域日尺度估算值,对指导农业水管理特别是农田灌溉具有重要的意义。该研究以节水灌溉稻田为研究对象,基于2015和2016年稻季涡度相关系统实测数据,在能量强制闭合的条件下,选择了4种基于能量平衡原理的蒸散量尺度提升方法,分析了蒸发比、作物系数、冠层阻力、辐照度比4个尺度转换因子在节水灌溉条件下的变化特征,对比了四种方法提升估算日尺度ET与涡度相关系统实测值的差异。结果表明,节水灌溉条件下蒸发比、作物系数、冠层阻力3个尺度转换因子的生育期平均日变化和其他下垫面相比有一定特殊性,辐照度比的变化仅取决于研究区域所处纬度位置。作物系数法与冠层阻力法以 10:00－11:00小时值估算日蒸散量结果的准确性较好,决定系数和一致性系数分别达到0.92和0.97以上,正弦关系法的模拟效果稍差,但该方法估算效果稳定,可作为一种粗略的尺度提升方法。各时段蒸发比法估算值均存在一定程度的低估,但相关性较好,用考虑饱和水汽压差的线性关系修正后,10:00－11:00估算结果的准确性和一致性均最好,决定系数和一致性系数分别为0.987和0.996。研究结果明确了适宜长江中下游节水灌溉稻田ET时间尺度提升各估算方法的较优时段,并表明修正后的蒸发比法提升估算日尺度ET最优。