基于气温预报和HS公式的参考作物腾发量预报

为探索精确预报未来短期参考作物腾发量ET0的方法,提出基于气温预报和HargreavesSamani(HS)公式进行ET0预报.收集了南京站2001—2011年逐日气象观测数据和2011年预见期为4 d的逐日天气预报数据,采用FAO-56Penman-Monteith公式计算逐日ET0,用2001—2010年计算的ET0率定HS公式参数;用率定后的公式和2011年的天气预报气温数据进行未来4 d的ET0预报;比较2011年ET0的计算值与预报值、气温观测值与预报值以评价ET0预报精度及误差原因.结果表明:最低气温预报准确率达81.9%,最高气温预报准确率为80.1%;经过参数校正后,HS公式精度较高.ET0预报准确率为85.7%,平均绝对误差为1.01 mm/d,均方根误差为1.42 mm/d,相关系数为0.74;各项预报误差随着预见期的增大而增大.产生误差的主要原因为气温预报误差和HS公式未考虑平均风速和相对湿度的影响.总体而言,基于气温预报和HS公式的ET0预报方法精度较高,可为灌溉预报及决策提供较为准确的ET0预报数据.     

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。     

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...     

神经网络方法计算参考作物腾发量精度分析

参考作物腾发量的准确计算是确定农田灌溉制度的重要依据,比较了神经网络模型和经验公式计算腾发量的精度以及如何使用最少的气象数据实现最优的腾发量计算问题。结果表明,神经网络模型比经验公式的计算精度要高。采用神经网络模型用最少气象数据实现最优腾发量计算是可行的,但输入参数类型需要根据不同地区的气候特点进行选择。在半湿润地区最佳网络输入为日最高气温、最低气温、平均气温和外太空辐射,在气候湿润地区最佳网络输入为日最高气温、最低气温、平均气温、经验相对湿度和外太空辐射。因此,在缺少气象资料时可以使用神经网络模型代替经验公式计算参考作物腾发量。     

基于GA-BP神经网络的作物参考腾发量预测

采用黄金分割原理优化算法确定BP神经网络的隐含层节点数,进而确定BP神经网络的结构,并针对BP神经网络容易陷入局部极小值和全局搜索能力弱的缺点,引人遗传算法(GA)优化网络权值,建立GA-BP网络模型,预测作物参考腾发量ET0.以北京地区的相关资料为基础,选用6种输入因子组合方案,对该模型进行验证,结果表明该网络模型具有较好的预测能力;同时,对6种方案比较分析表明,方案4最优,该方案只需选用4项输入因子(日序数、平均气温、风速和日照时数),就能以较高的精度预测作物参考腾发量.     

参考作物腾发量计算方法的应用比较

应用陕西杨凌地区2001～2002年的气象数据,对3种不同类型的参考作物腾发量计算公式进行比较,用这些公式计算日ETo值,并以FAO 56 Penman-Moteith公式为标准,比较3种方法计算结果的相异性和相关性,并探讨了以简化的ETo公式为基础进行参考作物腾发量的预报.     

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Z比分数的参考作物腾发量计算方法优选

参考作物腾发量(ET0)是计算作物需水量的关键,是进行农田水分管理和灌溉预报的主要参数。但不同ET0计算方法的结果存在明显差异。用能力统计量Z比分数,对FAO56Penman-Monteith、Hargreaves-Samani、Irmark-Allen拟合和Priestley-Taylor四种常用ET0计算方法在不同天气条件下的计算结果精度进行了对比分析。结果表明,Priestley-Taylor与FAO56Penman-Monteith方法的计算结果在精度上具有较高的一致性,与有关文献结果相吻合,其中前者精度略佳。且Z比分数参数受极端值的影响较小,计算简便、适用性强,克服了常规方法公式繁杂、编程实现困难的缺点,说明Z比分数法能够更好地适用于ET0计算方法的优选。研究结果可为农业水土工程领域有关参数计算与测定方法的优选提供借鉴。     

参考作物蒸发蒸腾量计算方法的应用比较

应用国家"863"节水农业重大专项子课题示范现场的气象资料,对4种分属于不同类型的参考作物蒸发蒸腾量ET0计算公式进行了日ET0值的验证计算。结果显示,在时间序列上,随气象因素变化各方法计算的日ET0值呈相同的变化趋势,但计算值有较大的差异;选取FAO56Penman-Monteith公式计算结果为标准,Priestley-Taylor(1972)方法结果与之最为接近,其余依次是Irmark-Allen拟合法和Hargreaves-Samani(1985)法;不同天气类型条件下,Priestley-Taylor(1972)结果与FAO56Penman-Monteith有较高的一致性,而其他2种方法随n/N的减小,误差急剧增加,尤其是Hargreaves-Samani(1985)方法。     

参考作物腾发量计算方法适用性分析

受地区间气象、地形和地貌时空异质性的影响,不同参考作物腾发量计算公式适用性各不相同。以湖南省83个站点1971~2000年气象观测资料为样本,论述了Penm an-Monte ith公式和FAO-Monte ith修正式主要方程、参数以及适用范围的差异性。结果表明:根据生育期作物需水特点,运用标准化的Penm an-Monte ith公式计算南方地区参照作物潜在腾发量是合适的。     

参考作物腾发量计算方法在玛纳斯河流域的应用比较

基于玛纳斯河流城4个气象站莫索湾、炮台、石河子、乌兰乌苏1961-2005年的日观测气象数据,采用SWAT2000模型里引入的Penman- Monteith, Hargreaves, Priestley-Taylor方法计算每日参考作物腾发量(ETo),比较计算结果之间的差异性.结果表明,莫索湾站与炮台站Hargre...     

基于PSO-BP神经网络的参考作物蒸腾量预测

针对以往BP神经网络收敛速度慢及易陷于局部极小值等问题,引入粒子群算法优化BP网络的权值和阈值,建立PSO-BP神经网络,预测参考作物蒸腾量ET0。以西安地区的相关资料为基础,设计9种影响因子组合方案,利用PSO-BP网络模型进行ET0的预测,结果表明,该模型运算速度快,预测精度较高;对比分析9种方案的预测结果发现,方案7为最优,该方案只需选用平均温度、平均相对湿度、风速和日照时数四项影响因子,即可获得较高精度的参考作物蒸腾量预测值。     

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...