基于HHT变换的PSO-LSSVM耦合模型估算气象资料短缺地区ET_0

为准确估算气象资料短缺地区参考作物腾发量,构建了一种基于HHT变换的PSO-LSSVM耦合模型,并利用新疆和田气象站2000—2009年单日数据做训练、双日数据做验证。结果表明,该模型估算ET0方法明显优于常规的PSO-LSSVM和GRNN,预测精度较二者分别提高了15.7%~85.6%和15.8%~93.7%;该方法预测ET0的气象要素重要性为RsTmaxTminRHWn,利用该方法对气象要素组合为Tmax/Tmin/RH/Wn、Tmax/RH/Wn、Tmin/Wn、Wn条件下的ET0预测,MSE分别为0.407、0.185、0.149、0.135,说明该方法可以很好地估算资料缺失地区ET0。     

基于神经网络算法的广东省典型代表站点ET_0简化计算模型研究

【目的】探讨BP、极限学习机、小波神经网络算法在广东典型气候代表站点的适用性,建立ET_0简化计算模型。【方法】以韶关、深圳、广州、揭西、湛江站为研究对象,收集各站1981—2010年逐日平均、最高、最低气温、相对湿度、日照时间、风速观测数据,以FAO-56Penman-Monteith ET_0计算值为基准,对比3种算法计算效结果,确定最优算法,并结合因子敏感性分析建立了ET_0简化计算模型。【结果】①P<0.05显著水平下,广州、韶关站各气象因子均差异显著;湛江、广州、揭西、深圳4站除日最高气温差异显著,其他气象因子差异均不显著;②ET_0因子敏感性分析中,韶关、广州、深圳3站日最低、最高气温、日照时间敏感系数较大,韶关站为0.040、0.113、0.223,广州站为0.043、0.101、0.208,深圳站为0.054、0.105、0.181;揭西和湛江站日最高气温、相对湿度、日照时间敏感系数较大,分别为:0.105、-0.040、0.216和0.098、-0.072、0.197,综合各站来看,日最高气温、日照时间最为敏感;③全因子输入条件下,ET_0计算精度表现为BP>极限学习机>小波神经网络;④ET_0简化计算精度表现为BP(全因子输入)>BP-1(日最高、最低气温,相对湿度,日照时间作输入)>BP-2(日最高气温、日照时间输入),但差值不大。【结论】因此,基于日最高气温、日照时间2因素的BP算法一定程度能简化计算ET_0。     

Elman、LS-SVM方法在ET_0预测中的对比分析

参考作物腾发量（ET0）是估算作物腾发量的关键参数,其准确预测对提高作物需水预报精度具有十分重要的意义。Elman神经网络是BP网络的改进结构,具有适应时变性的特点;最小二乘支持向量机（LS-SVM）是支持向量机（SVM）的一种优化算法,它基于结构风险最小化准则,可兼顾模型的经验风险和推广能力。将两种方法应用于参考作物腾发量预测中,并以铁岭市为例,对比分析LS-SVM模型与Elman模型的预测值。结果表明：LS-SVM模型学习速度快,具有比Elman模型更高的模拟性能和预测精度,更适合参考作物腾发量的预测。     

基于公共天气预报的参考作物腾发量预报

针对Penman Monteith公式的应用局限性,以公共天气预报可测因子及历史气象数据计算ET₀为基准,对广州站2017-01-01-2019-03-31预报气象信息风力状况进行量化后,以2017,2018年气象预报信息为输入因子、ET₀为输出因子,分别建立基于回归型支持向量机(SVR)预报模型与BP神经网络预报模型,选择性能较优预报模型对2019年ET₀进行预报,并与计算值进行对比分析.结果表明:回归型支持向量机参考作物腾发量预报模型测试集确定性系数为0.896、均方误差为0.206,BP神经网络参考作物腾发量预报模型测试集确定性系数为0.851、均方误差为0.305,SVR参考作物腾发量预报模型均方误差及决定系数要明显优于BP神经网络;基于SVR模型的预报值与PM公式计算值相关系数为0.761,没有明显差异,表现出显著的相关性以及整体吻合度,可为灌溉预报及决策提供较为准确的ET₀预报数据.     

基于公共天气预报的广东青年运河灌区参考作物腾发量预报方法比较

为提出高精度适合广东青年运河灌区参考作物腾发量(ET₀)预报方法,制定精准的灌溉预报,降低农业用水量,本研究以灌区内的湛江站为研究对象,收集了该站点2003-01-01-2017-05-31逐日气象观测数据和2016-01-01-2017-05-31日的预见期为7 d的逐日公共天气预报数据,采用FAO-56 Penman-Monteith计算值作为基准,比较Hargreaves-Samani(HS)法、简化Penman-Monteith(PT)、逐日均值修正法的预报效果.结果表明:以上3种方法1~7 d预见期平均绝对误差平均值分别为0.908 3,0.903 1,0.947 9 mm/d,平均绝对误差分别为1.099 1,1.099 9,1.192 4 mm/d,相关系数分别为0.649 5,0.649 8,0.615 9,PT法的平均绝对误差以及相关系数均最好.就每个预见期而言,1~5 d预见期的最优预报方法均为PT法,6~7 d为HS法.因此,建议采用PT法进行青年运河灌区的ET₀预报.     

基于小波神经网络的参考作物腾发量预测模型研究

为提高某一地区农业用水效率,进行区域水资源的优化配置。本文以辽宁大连地区1954-2005年参考作物腾发量资料为依据,借助于Matlab工具,分别建立结构为8-12-4和10-12-2的小波神经网络进行参考作物腾发量预测,结果表明:在年度和季节尺度上,小波神经网络模型预测结果与参考作物腾发量计算值绝对相对误差均值分别达到5.5%和4.3%,达到了较好的预测效果。该模型预测过程简单,预测结果可靠。为参考作物腾发量预测提供新方法。     

基于天气预报的参照作物腾发量中短期预报模型研究

以新乡市1970—2011年逐日实测气象资料代入FAO 56 Penman-Monteith(PM)方法算得的ET0作为基准值,对HG、P-T、M-K、M-C模型进行参数修正,将新乡市2012—2014年冬小麦生育期间预见期为1、3、5、7、10d的天气预报数据代入修正后的模型进行ET01~10 d的中短期预报,并以2012—2014年冬小麦生育期间逐日实测气象资料由PM公式算得的ET0为基准值,对天气预报的精度及ET0的预报精度进行评价。结果表明:经过参数修正后HG、P-T、M-K、M-C模型的精度均有提高;最高气温、最低气温、风速、日照时数的预报精度均随预见期的增加呈逐渐下降趋势,最低气温预报的精度稍高于最高气温;不同预见期的ET0预报模型中,P-T模型预报的ET0平均准确率在众模型中较高(95.06%),其次为HG-M模型(94.66%)、PMT1模型(94.34%)、M-K模型(93.89%),且P-T、HGM两种模型计算程序较简单,因此优选P-T、HG-M模型进行ET0的中短期预报。     

基于气温预报和神经网络的参考作物腾发量预报

采用反向传播人工神经网络(BP-ANN)逼近气象因子-参考作物腾发量ET0函数关系,以天气预报中的最高和最低气温为输入进行短期ET0预报。收集了南京站实测的2010年7月1日至2013年7月7日逐日气象数据和2012年7月1日至2013年6月30日逐日对未来7d的气象预报数据,以最高、最低气温及相应的日序数为3个输入因子,ET0为输出建立一个包含一个隐含层的3层BP网络,以2010年7月1日至2012年6月30日实测气象数据及通过FAO-56PM公式计算的ET0进行网络,以2012年7月1日至2013年6月30日实测气象数据及通过FAO-56PM公式计算的ET0进行网络验证。将2012年7月1日至2013年6月30日逐日对未来7d的气象预报中的最高、最低气温输入训练及验证后的网络,得到2012年7月1日至2013年6月30日逐日对未来7d的ET0预报值,并与FAO-56PM公式计算的ET0值进行比较以验证预报精度。结果表明,预见期1~7d内,预报的ET0和计算的ET0变化趋势基本一致,预报精度随着预见期的增加而降低;平均准确率(±1.5mm/d以内)达88.08%,相关系数为0.77,均方根误差为1.28mm/d,显示出了较高的预报精度。在局部时间段内出现的ET0,PM和预报ET0的较大差别的原因是该时段内的ET0更多地受到除了日最高和最低气温之外的其他因素的影响。提出的方法 ET0预报,随着气象预报准确度的提高,可实现较为精确的ET0预报。     

基于机器学习算法的ET_(0)预测研究北大核心

为了解不同机器学习算法在预测不同气候区参考作物腾发量(ET_(0))方面的表现,以中国干旱区和湿润区共计20个气象站点1960-2019年的逐日气象数据为依据,以PM和HS公式计算的ET_(0)为参考,评价了多元逐步回归(SL)、支持向量机(SVM)和高斯过程回归(GPR) 3种机器学习算法的ET_(0)预测精度及其适用性。结果表明:(1)当分别以PM和HS公式计算的ET_(0)数值为标准时,3种机器学习算法模拟ET_(0)精度大小关系均表现为:GPR>SVM>SL,且GPR算法的模拟精度最高,其相关系数(R~2)均高达0.950以上。(2)当采用同一种机器学习算法时,其在以PM公式计算的ET_(0)为参考值情况下的R~2范围为0.965~0.995、RMSE的范围为0.212~0.260 mm/d、MAE的范围为0.151~0.201 mm/d;以HS公式计算结果为参考值时,其R~2范围为0.935~0.984、RMSE范围为0.832~0.964 mm/d、MAE范围为0.596~0.745mm/d。(3)在不同气候分区,以同一参考公式计算结果为标准值时采用机器学习算法模拟干旱区的ET_(0)精度均优于湿润区,其R~2提高了0.01。(4)对比不同机器学习算法的稳健性,SL和SVM算法在分别以PM和HS公式计算结果为参考值时的稳健性最高,其训练到模拟阶段的R~2变化幅度仅为0.16%和0.11%,而GPR算法稳健性均最低。(5)对比不同机器学习算法训练时间成本,SVM和GPR算法的计算成本显著高于SL算法。综合分析3种算法的ET_(0)预测精度、稳健性和计算成本,SVM算法可推荐为中国干旱区和湿润区较为精准预测参考作物腾发量的方法。且机器学习模拟精度与气象因子的定量关系表明,日照时数(N)变化是影响各算法预测精度的主要因子。     

基于气温预报的江西省参考作物腾发量预报方法比较与分析

为了提出一套比较精确的适合江西省的水稻参考作物腾发量(ET0)预报方法,采用PM公式和26个气象站点的历史气象数据来计算ET0,以此为基准值对Hargreaves-Samani(HS)模型、Blaney-Criddle(BC)模型及McCloud(MC)模型进行率定.并利用天气预报数据,评价3种ET0预报模型在江西省各...     

基于气温预报和HS公式的不同生育期参考作物腾发量预报

根据南京站2001-2011年实测气象数据,以Penman-Monteith(PM)公式计算得到的参考作物腾发量ET0值作为基准值,对仅需要气温数据计算参考作物腾发量的Hargreaves-Samani(HS)公式进行参数率定,采用率定后的HS公式依据2012年6月-2015年6月气温预报数据对南京水稻、冬小麦不同生育期未来1~7d的ET0进行预报,并与基于实测气象数据的PM法计算的ET0值进行比较,评价HS法的ET0预报精度。结果表明:最低、最高气温实测值与预报值相关系数分别为0.97和0.93,最低气温预报精度略高于最高气温;预见期1~7d内,水稻、冬小麦不同生育期ET0预报值与PM法计算值变化趋势基本一致,整个生育期内冬小麦ET0预报值与PM法计算值吻合程度更好,水稻、冬小麦相关系数分别达0.60、0.80左右;水稻各生育期平均准确率为66.0%~97.5%,平均绝对误差为0.65~1.22mm/d,均方根误差为0.76~1.42mm/d,冬小麦各生育期平均准确率为75.4%~99.5%,平均绝对误差为0.33~1.06mm/d,均方根误差为0.43~1.23mm/d;作物生育期各阶段对气温预报误差越敏感,ET0预报精度越低,随着生育期的推进,水稻对气温预报误差的敏感程度逐渐减小,相应的ET0预报精度逐渐增加,而冬小麦反之;但整体上预见期1~7d的气温预报及ET0预报精度达到可利用程度,可为快速灌溉预报及灌溉决策提供数据支撑。     

陕西关中地区夏玉米作物系数试验研究

依据1999—2003年五年田间试验资料,利用Penman-Montheith公式计算陕西关中地区夏玉米全生育期内参考作物蒸发蒸腾量,并利用大型称重式蒸渗仪监测夏玉米全生育期内作物实际蒸发蒸腾量,由此计算了夏玉米各生育阶段的作物系数,并分析了作物系数变化规律。结果表明：在陕西关中地区的气象条件下,夏玉米的参考作物蒸发蒸...     

ET_0变化趋势分析及估算模型研究——以新乡站为例

【目的】参考作物蒸散量(ET_0)的估算是计算作物腾发量的基础,也是区域水资源评价与灌溉政策制定的前提,因此,研究ET_0变化趋势与估算模型能够对该地区农田灌溉用水预报提供基础支持,进而为灌溉制度的制定以及水资源高效利用提供科学依据。【方法】以河南新乡气象站1962―2016年气象资料为基础,运用Penman-Monteith模型计算ET_0序列,Mann-Kendall趋势检验法对年及季节尺度ET_0序列变化趋势进行分析,并用均值生成函数模型对其进行了拟合与验证。【结果】①新乡地区年尺度ET_0序列在1975―2016年间呈减小趋势,并在1985―2004年、2006年显著;②新乡地区春季ET_0序列在1982―1983年及1988―2003年间呈显著的减小趋势,夏季ET_0序列在1980―2012年间呈显著的减小趋势。③均值生成函数模型在对年尺度ET_0序列进行拟合时,其一致性系数达到0.83,绝对误差与相对误差分别在-120.8～120.0 mm及-14.0%～18.2%之间。④均值生成函数模型在对季节尺度ET_0序列进行拟合时,其一致性系数在春、夏、秋、冬各季节分别达到0.85、0.81、0.88及0.89,绝对误差分别在-60.2～64.3、-64.4～58.9、-39.6～32.8、-37.0～25.1 mm之间,相对误差分别在-20.1%～36.7%、-22.1%～32.1%、-18.0%～22.9%、-23.9%～24.6%之间。【结论】新乡地区年尺度ET_0序列在1985―2004年间显著减小,均值生成函数模型在对年及各季节尺度ET_0序列进行拟合时整体效果较好,因此,可通过其进行年及季节尺度ET_0序列的估算,且其在秋、冬二季的拟合效果明显好于春、夏二季。     

基于遗传算法的投影寻踪回归模型在参考作物滕发量预测中的应用

根据朝阳气象站的实测气象数据(降水量、温度、湿度、风速、蒸发量、日照时数),提出基于加速遗传算法的投影寻踪回归模型用于预测朝阳地区参考作物滕发量.用自相关分析技术确定预测因子(气象数据),构造出新的投影指标,采用可变阶的正交Hermite多项式拟合岭函数,并用基于实数编码的加速遗传算法优化投影指标函数,进而构建投影寻踪...     

基于数值天气预报后处理的参考作物蒸散量预报改进

针对基于数值天气预报(Numerical weather prediction,NWP)对参考作物蒸散量(Reference crop evapotranspiration,ET0)进行预报通常需要数据偏差校正的问题,基于LightGBM机器学习方法和我国西北地区9个气象站点数据提出一种对第二代全球集合预报系统(Glo...     

基于气温预报的参考作物腾发量预报方法比较

为探索精确预报未来短期ET0的方法,比较了4种基于气温预报ET0预报模型,即Hargreaves-Samani(HS)、Thornthwaite(TH)、简化的Penman-Monteith(PT)及McCloud(MC)模型。收集了西藏林芝站2001年1月1日至2013年12月31日的实测逐日气象数据和2012年6月6日至2013年12月31日逐日对未来7d的气象预报数据,在气温预报精度评价的基础上,采用4种基于温度的参考腾发量计算模型直接进行ET0预报,然后采用率定后的模型进行ET0预报,最后与实测气象数据和FAO-56PM公式计算的ET0值进行比较。结果表明,未率定的4种模型预报误差均较大,其中PT公式精度稍高。经率定后,4种公式的预报精度都有所提高,平均准确率为70%,MAE值HS模型最小,平均为0.57mm/d,其他3个模型为1.27~1.50mm/d;RMSE都在2.0mm/d左右;r值总体仍不高,TH模型平均仅有0.19,其他3种模型在0.6左右。综合来看,PT模型的预报效果稳定性优于其他3个模型。对于林芝地区附近的灌区,无论有无气象观测数据供模型率定,建议采用PT模型进行ET0预报。     

基于历史气象资料和WOFOST模型的区域产量集合预报

针对基于作物生长模型进行产量预报时气象要素变化对作物生长的实时影响不能得到充分反映,产量预报缺乏量化不确定性信息的突出问题,选择河北省保定市和衡水市冬小麦主产区为研究对象,提出构建历史气象集合作为预报期气象数据输入驱动WOFOST模型的冬小麦生长模拟,并通过实时更新不断向前滚动预报,从传统单一数值的预报转向基于集合的概率预报。结果表明:基于历史气象资料可以进行作物模型的区域产量集合预报,抽穗期至灌浆期是预报精度最高的时期,预报集合中位数与实测产量的皮尔逊相关系数(PCC)最高为0.563,平均绝对误差(MAE)最低为458 kg/hm~2。研究结果表明区域化产量集合预报具有较强的可行性,并为量化作物模拟系统不确定性、数值天气预报与作物模型的结合应用提供了参考。