基于ResNet18特征编码器的水稻病虫害图像描述生成

针对图像描述算法缺乏在农业领域中的应用,传统模型参数庞大的问题,该研究提出一种基于ResNet18特征编码器的图像描述算法,对作物患病类型进行识别并生成描述。首先,建立水稻病虫害图像描述数据集。其次,使用浅层ResNet18作为编码器,在保证特征提取能力的同时缩减网络模型大小,解码器使用融合了注意力机制的长短期记忆网络（Long Short Term Memory,LSTM）来生成图像描述。试验结果表明,改进后模型尺寸大小为原来的1/3,经过6 000次迭代后模型基本收敛,准确率达到98.48%。在水稻病虫害图像描述数据集上,改进编码器-解码器结构后的双语评估替换值（Bilingual Evaluation Understudy,BLEU）和METEOR（Metric for Evaluation of Translation with Explicit ORdering）分别达到0.752和0.404,其余指标结果也明显优于其他模型,具有描述细致准确、鲁棒性强等优点,能够更好地适用于小规模数据集上的训练,可为农作物相似病害特征的自动化描述提供有益参考。     

Stacking集成模型模拟膜下滴灌玉米逐日蒸散量和作物系数

为准确模拟膜下滴灌玉米逐日蒸散量和作物系数,该研究以4个经典机器学习模型：随机森林（Random Forest,RF）、支持向量机（Support Vector Machine,SVM）、BP神经网络（Back Propagation Neural Network,BP）和Adaboost集成学习模型（Adaboost,ADA）为基础,基于Stacking算法建立了集成学习模型（Linear Stacking Model,LSM）对膜下滴灌玉米逐日蒸散量和作物系数进行模拟。并将LSM的模拟精度与RF、SVM、BP和ADA模型的模拟精度相比较,结果表明：1）RF、SVM、BP和ADA模型模拟膜下滴灌玉米的逐日蒸散量和作物系数时的相对均方根误差均大于0.2;2）相比RF、SVM、BP和ADA模型,LSM模型提高了玉米逐日蒸散量和作物系数模拟精度。LSM模拟的膜下滴灌玉米的作物系数相比于FAO推荐值更接近实测值;3）日序数、平均温度、株高、叶面积指数和短波辐射5个特征对玉米膜下滴灌玉米日蒸散量和作物系数影响最高,基于这5个特征建立的LSM模型模拟膜下滴灌玉米的蒸散量和作物系数的R2 分别为0.9和0.89,相对均方根误差分别为0.23和0.16。因此,建议在该研究区使用日序数、平均温度、株高、叶面积指数和短波辐射5个特征参数建立LSM模型模拟膜下滴灌玉米蒸散量和作物系数。该研究可为高效节水条件下作物蒸散量和作物系数的精准模拟和合理制定灌溉制度提供参考。     

多尺度土壤入渗特性的变异特征和传递函数构建

土壤入渗特性的变异特征具有明显空间依赖性和尺度效应,其多尺度上的参数估值是农田灌溉设计和管理的重要基础。该研究以在关中平原进行的52组双环入渗试验为基础,通过比较不同方法计算的标定因子对Kostiakov公式的标定效果,结合小波分析和通径分析方法识别并量化分析标定因子和土壤特性参数（土壤机械组成、容重、初始含水率和有机质含量）在多尺度的相关性,在此基础上分别利用多元线性回归（Multiple Linear Regression, MLR）、BP神经网络（BP Artificial Neural Network, BP-ANN）和支持向量机（Support Vector Machine, SVM）3种方法构建估算标定因子的土壤传递函数。结果表明,采用最小二乘法计算标定因子对Kostiakov公式的标定效果最优,所有测点标定后累积入渗量与实测值的均方根误差（Root Mean Square Error, RMSE）、平均偏差（Mean Bias Error, MBE）、相对误差绝对值均值（Mean Absolute Value of Relative Error, MARE）分别为1.83 cm、0.24 cm、21.2%;多尺度条件下,土壤容重、砂粒、黏粒和有机质含量组合是引起研究区域标定因子空间变化的主要变异源,其中标定因子与砂粒和有机质含量呈显著正相关关系（P<0.05）,总通径系数分别为0.78和0.65,与黏粒和土壤容重呈显著负相关关系（P<0.05）,总通径系数分别为−0.74和−0.68;采用SVM法构建估算标定因子的土壤传递函数精度最高,其验证集所得入渗量估算值与实测值具有较高的一致性,两者间的RMSE、MBE和MARE分别为1.92 cm、0.05 cm和27.6%,说明SVM法可用于构建估算标定因子的土壤传递函数。研究结果有助于揭示多尺度上土壤入渗特性的变异特征和解决入渗参数难以快速获取的问题。     

CNN-LSTM在日本鲭捕捞渔船行为提取中的应用

目前，国内外部分自动化程度较高的捕捞渔船逐渐开始采用人类观察员与电子观察员相结合的捕捞监控方式。为简化电子监控系统数据处理流程、提高电子监控系统自动化程度、增强相关渔业公司及政府部门的管理效率，该研究提出将卷积神经网络（Convolutional Neural Network, CNN）与长短期记忆模块（Long Short Term Memory, LSTM）应用在传统电子监控系统数据中，用于灯光渔业日本鲭捕捞渔船行为提取。根据日本鲭捕捞渔船工作特点，划分出放网、收网、进鱼、转载等9种捕捞作业行为。设计4组平行试验，分别对比3层卷积神经网络、带有LSTM模块的3层卷积神经网络、8层卷积神经网络、带有LSTM模块的8层卷积神经网络在日本鲭捕捞渔船行为提取中的表现。试验结果显示，在测试集中该4种神经网络训练得到的模型综合评价指标F1分数分别达到了0.794、0.799，0.966及0.972，在配备NVIDIA Tesla V100 32GB高性能GPU的超算环境下5 000组数据平均每次检测耗时分别为34.66、34.50、37.41、37.61 ms。在一定范围内，网络深度的增加会显著提升模型的效果，但检测耗时也会有明显增加；LSTM模块的加入对网络模型效果有一定程度的提升，且不会显著影响检测耗时。因此，CNN-LSTM 模块在电子监控系统高实时性、高精度场景下均有较大的应用前景，能够提高电子监控系统自动化程度，提高相关部门的管理效率。     

基于LSTM网络的横山水库日来水量预测

基于长短期神经网络(Long-Short Term Memory, LSTM)搭建了浙江奉化横山水库的日来水量预测模型,该模型以水库前期日来水量序列、流域面雨量以及水库蒸发下渗水量作为输入变量,水库下一日的日来水量作为预测结果,比较并分析了不同输入变量组合下预测结果的精度。结果表明,模型能够较好地模拟出横山水库日来水量在长期序列中的关联性,LSTM对于输入变量的关键性在预测精度上有着明显的体现。当用于预测的时间序列长度增加时,预测精度有一定程度的降低,但模型的泛化能力明显提升,说明LSTM可以有效避免过拟合等问题,具有较好的泛化性能。     

局部湿润模型模拟南疆滴灌枣园蒸散量及蒸腾量适用性研究

为构建适用于模拟南疆滴灌成龄枣园蒸散及其组成成分的模型,了解枣园土壤蒸发特征,本研究在双源模型和局部湿润灌溉方式下稀疏植被蒸散估算模型基础之上构建滴灌枣园局部湿润模型,以涡度相关法实测2017年枣园蒸散数据,对双源模型（Shuttleworth-Wallace）及滴灌枣园局部湿润模型（Partial Root-zone Irrigation model）系数进行拟合;之后通过评价两种模型模拟值的可靠性以及增加和减少模型参数10%来观测模型各参数对蒸散的影响方式,并校验各模型参数计算公式的准确性;然后以涡度相关法与液流法实测的2018年枣园蒸散与蒸腾量为基准值,对双源模型与滴灌枣园局部湿润模型模拟2018年枣园蒸散及蒸腾量的可靠性进行评价,筛选出适合模拟南疆滴灌枣园蒸散及其组分的模型并模拟滴灌枣园土壤蒸发特征。结果表明：滴灌枣园局部湿润模型和双源模型的模型系数拟合准确;依据模型模拟评价标准,两种模型模拟2018年枣园蒸散的结果均为极好,且精度基本一致。滴灌枣园局部湿润模型模拟蒸腾量结果良好,与实际测定值之间的差值为15.73 mm;双源模型模拟蒸腾量结果不可取。因此筛选出滴灌枣园局部湿润模型模拟枣园土壤蒸发,枣园土壤蒸发量占蒸散量的19.74%。滴灌枣园局部湿润模型可以准确估算滴灌成龄枣园蒸散及蒸散组成成分。     

基于BCC_CPSv2模式的淮河流域月参考作物蒸散概率订正预报

参考作物蒸散（Reference Crop Evapotranspiration,ET0）预报在农业水资源配置、区域干湿演变评估方面有着重要作用。该研究基于国家气候中心第二代气候预测系统（Beijing Climate Center Second-Generation Climate Prediction System,BCC_CPSv2）模式预报数据和1991－2020年淮河流域地面气象观测数据,利用分位数映射法对模式预报的气象要素进行概率订正,采用Penman-Monteith公式计算ET0,并评估了订正前后BCC_CPSv2模式对淮河流域月ET0和气象要素的预报性能。结果表明：1）模式对平均气温、净辐射和相对湿度的预报值较观测值偏小,风速预报值在3－6月偏小,其他月份偏大,4个气象要素预报的均方根误差（Root Mean Square Error,RMSE）分别为1.84 ℃、1.70 MJ/m2d、15.79%和1.39 m/s;气象要素预报偏差导致2－6月ET0预报值较计算值偏小,1月和7－12月偏大,区域平均RMSE为0.59 mm/d,绝对百分比误差（Mean Absolute Percentage Error,MAPE）为21.9%。2）概率订正有效降低了气象要素和ET0的预报误差。气温、净辐射、相对湿度和风速预报订正值的RMSE均小于订正前;80%月份ET0预报订正值的RMSE小于订正前,区域平均RMSE减小了0.23 mm/d,MAPE减小了11.2%。3）夏半年和冬半年ET0预报误差的首要来源分别是净辐射和相对湿度,主要是由于模式对这2个要素的预报精度较低且ET0对其敏感,误差容易传递。可见,基于模式概率订正的月尺度ET0预报方法精度较高,可以为水资源优化管理、灌溉制度制定和农业中长期需水决策提供参考。     

水稻蒸散特征及日尺度作物系数估算

基于南京2012年水稻生长季蒸渗仪水稻实际蒸散数据及相应生物、气象环境资料,对水稻生长季的参考作物蒸散量、实际蒸散量及作物系数进行分析,并建立作物系数估计模型。结果表明：水稻生长季内逐日参考作物蒸散量呈单峰曲线变化,峰值出现在分蘖-拔节期;逐日实际蒸散量变化则表现为双峰型,耗水双高峰发生于分蘖-抽穗期。日参考作物蒸散量和实际蒸散量均有明显的季节性变化特征。水稻生长季内实际作物系数趋势变化特征与FAO修正作物系数较一致,但二者在数值上具有较大差异,建立的水稻作物系数与其影响因子（叶面积指数、气温、净辐射）的关系模型检验表明,其拟合度为0.887,将模型应用于计算水稻农田蒸散量,其拟合度为0.943,说明模型能较精确地估算稻田日蒸散量。该模型基于日尺度影响因子,在一定程度上简化了水稻作物系数的计算过程,明确了不同类型因子对水稻作物系数的影响程度,可应用于水稻作物系数的连续动态估算。     

基于物联网和Deep-LSTM的茶树净光合速率动态预测模型

茶树的光合作用是其基本生理过程之一,快速评估其光合作用速率能够为茶树的水分控制提供重要依据。该研究构建了茶树物联网环境信息监测系统,通过设置100%、85%、70%、55%土壤持水量的4组水分胁迫梯度,实现对茶树生长环境和生理参数的采集,建立了茶树水分胁迫指数（Crop Water Stress Index,CWSI）模型以量化茶树的水分胁迫程度,并研究茶树净光合作用速率（Net Photosynthetic Rate,Pn）的变化特点。在此基础上,构建了基于物联网和深度长短期记忆（Deep Long Short-term Memory,Deep-LSTM）的茶树净光合作用速率动态预测模型,将不同水分处理下的茶树生长环境参数、冠层温度和CSWI作为输入特征,构建多层LSTM单元形成深度LSTM网络,实现特征提取,并引入全连接层实现降维,对茶树在不同水分胁迫程度下的Pn进行预测,计算模型的均方根误差（RMSE）和决定系数（R2）以评估其性能表现,并与经典的反向传播神经网络（Back Propagation Neural Network,BPNN）模型进行了性能对比。结果表明,茶树物联网环境信息监测系统能够有效获取其环境参数。茶树冠气温差下限与饱和水汽压差的线性方程拟合度为0.866。Deep-LSTM模型对100%、85%、70%、55%土壤持水量的水分处理下的光合作用速率的预测的RMSE分别为0.304、0.280、0.157和0.160 μmol/m2·s;其R2分别为0.846、0.875、0.893和0.954,而BPNN模型的RMSE分别为0.980、0.897、0.633、0.417 μmol/m2·s,R2分别为0.516、0.355、0.315、0.432,表明Deep-LSTM模型能够有效预测茶树的Pn,同时其性能好于BPNN模型。该研究可为快速评估茶树光合作用速率提供可行的方法,并为利用水分胁迫和光合作用指定茶树亏缺灌溉策略提供数据支持。     

水稻蒸散特征及日尺度作物系数估算*5

基于南京2012年水稻生长季蒸渗仪水稻实际蒸散数据及相应生物、气象环境资料,对水稻生长季的参考作物蒸散量、实际蒸散量及作物系数进行分析,并建立作物系数估计模型。结果表明：水稻生长季内逐日参考作物蒸散量呈单峰曲线变化,峰值出现在分蘖-拔节期;逐日实际蒸散量变化则表现为双峰型,耗水双高峰发生于分蘖-抽穗期。日参考作物蒸散量和实际蒸散量均有明显的季节性变化特征。水稻生长季内实际作物系数趋势变化特征与FAO修正作物系数较一致,但二者在数值上具有较大差异,建立的水稻作物系数与其影响因子（叶面积指数、气温、净辐射）的关系模型检验表明,其拟合度为0.887,将模型应用于计算水稻农田蒸散量,其拟合度为0.943,说明模型能较精确地估算稻田日蒸散量。该模型基于日尺度影响因子,在一定程度上简化了水稻作物系数的计算过程,明确了不同类型因子对水稻作物系数的影响程度,可应用于水稻作物系数的连续动态估算。     

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。     

主成分分析和长短时记忆神经网络预测水产养殖水体溶解氧

为了提高水产养殖溶解氧预测的精度,提出了基于主成分分析(principal component analysis,PCA)和长短时记忆神经网络(long short-term memory,LSTM)的水产养殖溶解氧预测模型。首先通过主成分分析提取水产养殖溶解氧的关键影响因子,消除了原始变量之间的相关性,降低了模型输入向量维度;然后,在Tensorflow深度学习框架的基础上建立LSTM神经网络的水产养殖溶解氧预测模型;最后,利用该模型对浙江省淡水水产养殖研究所综合实验基地某池塘溶解氧进行验证。试验结果表明:该模型与BP神经网络等其他浅层模型相比,模型评价指标平均绝对误差、均方根误差和平均绝对误差分别为0.274、0.089和0.147,均优于传统的预测方法;该模型具有良好的预测性能和泛化能力,能够满足水产养殖溶解氧精确预测的实际需要,可以为水产养殖水质精准调控提供参考。     

用分时段修正双源模型估算南京地区冬小麦生育期蒸散量

冬小麦是南京地区重要的粮食作物,模拟冬小麦蒸散量(evapotranspiration,ET)并研究其对气象因素的响应可为冬小麦田间水分管理提供参考。该文基于大型称重式蒸渗仪实际测定值分析了冬小麦ET变化规律,分别采用单源模型(Penman-Monteith,PM)和双源模型(Shuttleworth-Wallace,SW)模拟不同时期冬小麦ET,并探讨分时段修正SW模型的模拟方法,在此基础上,分析了ET对气象因素的响应。结果表明,生育初期,冬小麦的ET逐步增加,进入越冬期则逐步降低并保持在较低水平。返青期和拔节期ET迅速增加,开花和成熟期又保持稳定。2011-2012和2013-2014年分时段采用SW模型估算整个生育期冬小麦的蒸散量比整个生育期采用单一估算模型能够减小模拟平均绝对误差0.01~0.04 mm/h。小麦乳熟成熟期采用最小气孔阻力150 s/m计算的修正SW模型可以比整个生育期用单一最小气孔阻力的SW模型降低冬小麦蒸发蒸腾量的估算平均绝对误差0.03~0.13 mm/h。冬小麦蒸发蒸腾量与气象因素密切相关,与净辐射、空气温度和饱和水汽压差等环境因素决定系数顺序为净辐射饱和水汽压差空气温度风速。这表明南京地区冬小麦蒸发蒸腾量主要决定因素为净辐射。该研究能够为冬小麦蒸散量的模拟方法以及田间水分管理提供参考。     

BP神经网络和SVM模型对施加生物炭土壤水分预测的适用性

生物炭作为土壤改良剂对半干旱区土壤水分有良好的吸持作用,为确定施加生物炭对土壤水分预测模型适用性的影响,依托黄土高原半干旱区固原生态站开展了小区定位试验。向土壤中施加不同种类及比例的生物炭,定期监测土壤水分含量;考虑土壤含水量的非线性特征以及生物炭对土壤水分的影响,选取BP神经网络和SVM支持向量机两种模型,建立施加生物炭土壤水分预测模型。计算预测值,并与实测值对比,分析相对误差;利用RMSE、MRE、MAE和R2评估BP神经网络和SVM模型的精度。结果表明;BP神经网络预测值的平均相对误差为3.78%,最大误差为13.14%;SVM模型的平均相对误差为0.56%,最大误差为2.42%。SVM模型的RMSE、MRE、MAE值(分别为0.34~0.17,0.07,0.56~1.27)均小于BP神经网络的(分别为1.04~1.16,0.47~0.68,3.78~4.57),且决定系数R2值SVM模型(0.96~0.99)大于BP神经网络(0.56~0.64)。BP神经网络和SVM模型均能很好地预测施加生物炭的土壤水分,但SVM模型预测结果更加稳定,精度较高,更适于施加生物炭土壤水分的预测。该研究可为半干旱地区生物炭还田土壤水分的预测及管理提供理论依据。     

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。     

多元自适应回归样条算法模拟川中丘陵区参考作物蒸散量

参考作物蒸散量(reference crop evapotranspiration, ET_0)是作物精准灌溉管理与农业高效用水的核心参数。为提高川中丘陵区气象资料缺省下的ET_0预报精度,利用不同的气象因子组合,建立15种基于多元自适应回归样条算法(multivariate adaptive regression splines, MARS)的ET_0预报模型。选取11个代表性气象站点1961—2016年逐日气象资料进行分析,将其与其他ET_0预报模型进行对比,并利用可移植性分析评价MARS模型在川中丘陵区的适用性。结果表明:基于温度和风速项输入的MARS_5(输入大气顶层辐射、最高气温、最低气温、2m处风速)、MARS_9(输入最高气温、最低气温、2 m处风速)和MARS_(13)(输入最高气温、2 m处风速)模型,以及仅基于风速项输入的MARS_(15)模型都具有良好的模拟精度;大气顶层辐射和风速是决定机器学习模型地域性适应能力的关键;引入大气顶层辐射后,MARS_6(输入大气顶层辐射、最高气温、最低气温、相对湿度)、MARS_7(输入大气顶层辐射、最高气温、最低气温、日照时长)、MARS_8(输入大气顶层辐射、最高气温、最低气温)模型均优于相同气象因子依赖下的Irmak-Allen、Irmak、Hargreaves-M4模型;通过可移植性分析发现,在训练站点和测试站点的随机交叉组合下,MARS_5模型保持了较高的精度(纳什效率系数和决定系数均大于0.985),且输出较为稳定的模拟结果,均方根误差变化范围为0.121～0.193 mm/d,平均相对误差变化范围为2.7%～4.2%。因此,基于多元自适应回归样条算法的ET_0预报模型可作为川中丘陵区ET_0预报的推荐模型。     

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.     

基于气温估算参考作物蒸散量方法的对比与改进

为提高基于气温数据估算参考作物蒸散量（ET0）模型的精度,该研究对比分析了基于温度数据估算ET0的Penman-Monteith（PMT）模型、Hargreaves-Samani（HS）模型和改进HS模型,并运用基于气温数据估算实际水汽压和太阳辐射的最新进展改进PMT模型。结果表明：改进HS模型较传统HS模型提高了半干旱区到湿润区ET0的估算精度; PMT模型与改进HS模型估算的各气候区相关系数（r）均值相似,但与改进HS模型相比,PMT模型提高了除湿润区和亚湿润干旱区外各气候区的ET0估算精度,均方根误差（RMSE）和相对均方根误差（RRMSE）均值分别降低0.01～0.15 mm/d和0～0.05,且模型效率（EF）均值提高了0.01～0.06;本文提出的改进PMT模型可进一步改进PMT模型估算除干旱区和半干旱区外各气候区精度,RMSE和RRMSE均值较原PMT模型分别降低0.04～0.12 mm/d和0.02～0.04,r和EF均值更接近于1;并且改进PMT模型估算各站点全局性能指数（Global Performance Index,GPI）值较好,90%的站点GPI值排名第一。因此,建议在仅有气温数据时,使用改进PMT模型作为估算ET0的推荐模型。研究成果可为区域农业水资源管理提供依据。