改进Hargreaves-Samani模型预测广西盆地参考作物蒸散量

准确估算参考作物蒸散量(ET₀)对于区域水资源管理和灌溉决策有着重要意义.Hargreaves-Samani模型(HS)是目前公认结构最简单且精度较高的ET₀估算模型.为了进一步提高HS模型预测精度,采用蜂群理论和广西盆地20个气象站(1961—2019年)数据对HS模型全局校准,使用1961—2000年数据对HS模型进行校准,2001—2019年数据在日、月、年尺度上验证.结果表明：全局优化后的经验参数C,m和a中,参数a随地形起伏差异较大,而参数C和m差异较小;校准后HS模型(平均MAE和R²分别为1.06 mm/d和0.86)优于原始HS模型(MAE和R²分别为2.20 mm/d和0.68);在日、月和年时间尺度上,校准HS模型和原始HS模型都高估了ET₀,但校准的HS模型与P-M模型计算的ET₀更为接近.因此,对仅有温度数据的地区,推荐采用校准的HS模型估算ET₀.     

基于辐射改进Penman-Monteith模型估算粮食主产区参考作物蒸散量

为进一步提高Penman-Monteith模型估算参考作物蒸散量(Reference crop evapotranspiration,ET₀)的精度,以中国粮食主产区为研究对象,将其划分为温带湿润半湿润地区(THSZ)、温带干旱半干旱地区(TASZ)、暖温带半湿润地区(WTSZ)和亚热带湿润地区(SHZ),基于32个气象站点1994-2020年长序列实测逐日气象数据,将猎豹算法(CO)、沙猫算法(SCSO)、野狗算法(DOA)优化的时间卷积神经网络模型(TCN)和3种基于日照时数、3种基于温度的经验模型估算的辐射(R_s)值与PM模型进行融合,得到改进PM模型。以均方根误差(RMSE)、决定系数(R²)、平均绝对误差(MAE)和效率系数(E_NS)为精度评价体系,找出了粮食主产区不同分区的ET₀最优估算模型,结果表明：基于日照时数模型的计算精度要优于温度模型,其中CO-TCN模型在全区内均表现出了较高的精度,在不同分区的RMSE、MAE、R²和E_NS...     

基于日照时数的太阳辐射通用模型提升参考作物蒸散估算精度研究

准确的太阳辐射(R_s)信息是农业、气象和能源等领域和业务部门的重要基础资料,但R_s的可靠观测在全球极具挑战。利用中国96个辐射站1967-2016年观测数据,评估了32个(S1～S32)基于日照时数估算R_s的模型精度,确定了适用于无R_s观测区的最佳通用模型,并最终更新了FAO56推荐的Penman-Monteith方程参考作物蒸散量(ET₀)中R_s的计算方法。结果表明,S18～S32模型的表现较好且接近,其适用于单站点的模型回归系数、决定系数、均方根误差(RMSE)、相对均方根误差(RRMSE)和模型效率的均值分别为0.975～0.976、0.882～0.886、2.368～2.412 MJ/(m²·d)、0.171～0.175和0.881～0.885。进一步对S18～S32模型进行一般化后发现S18模型仅需3个参数,估算精度较高且稳定性好,推荐该模型为中国无辐射观测区估算日R_s的通用模型。基于通用S18模型估算...     

顾及时空特征的参考作物蒸散量集成学习估算

为提升参考作物蒸散量(ET₀)的估算精度,以四川省为研究区域,发现全省ET₀的数据变化具有明显的时间和空间自相关性,继而在气象特征基础上引入时空特征构建以XGBoost, LightGBM,GBDT、随机森林和极限树为基模型的Stacking模型.将顾及时空特征的Stacking模型与其各个基模型以及经验模型彭曼公式(FAO 56 Penman-Monteith)的决定系数、平均绝对值误差和均方误差等多项指标进行了全面的精度对比验证.试验结果表明：在顾及空间特征的情况下,Stacking模型在测试集上决定系数精度提升了3%,平均绝对值误差和均方误差分别降低了51%和76%;在顾及时序特征的情况下,Stacking模型在测试集上的决定系数精度提升了4%,均方误差和平均绝对值误差分别降低了92%和72%.这表明时空特征的引入可有效提升模型估算ET₀性能.在同时顾及时空特征的情况下,Stacking模型相较于彭曼公式,决定系数提升了39%,均方误差、平均绝对值误差分别降低了95%和77%,并且,在2006—2010年逐年精度验...     

13种典型参考作物蒸散量估算模型在安徽省的适用性评价

考虑到Penman-Monteith FAO-56(PMF-56)模型在估算参考作物蒸散量(ETref)时受限于对大数据集的要求以及复杂的计算过程,此时迫切需要寻找计算过程简单且输入变量较少的经验模型.首先采用安徽省2001-2014年65个气象站点常规气象观测数据,通过相对均方根误差(RRMSE)、平均绝对误差(MA...     

基于深度学习及传统机器学习模型估算山东省参考作物蒸散量

为探寻深度学习模型在区域参考作物蒸散量(Reference crop evapotranspiration,ET0)估算中的适用性,以山东省为研究区域,选取了深度神经网络(DNN)、时间卷积神经网络(TCN)和长短期记忆神经网络(LSTM)3种深度学习模型,极限学习机模型(ELM)、广义回归神经网络模型(GRNN)和随...     

青海东部农业区参考作物蒸散量的估算方法

利用青海东部农业区5个气象站1960—2006年逐日气象资料,以Penman-Monteith公式估算结果为标准,分析了Hargreaves-Samani、McCloud与Priestley-Taylor法的适用性。结果表明,采用Hargreaves-Samani法和Priestley-Taylor法,年平均ET0估算值高于标准值,而McCloud估算结果显著偏小;气温较低月份(11月至次年3月),Hargreaves-Samani和Priestley-Taylor法月平均ET0估算值与标准值差异不显著,4—10月估算结果显著高于标准值。可见,Priestley-Taylor适用性最好,Hargreaves-Samani次之,McCloud最差,且Priestley-Taylor公式修正后估算精度更高。     

基于MEA-BPNN的西北旱区参考作物蒸散量预报模型

为有效提高西北旱区参考作物蒸散量(Reference crop evapotranspiration,ET0)预报精度,在西北旱区选择5个代表性气象站点,构建10种基于思维进化算法(Mind evolutionary algorithm,MEA)优化的误差反向传波神经网络(Back propagation neural network,BPNN)ET0预报模型,并将其与Hargreaves-Samani模型、Irmak模型和48-PM模型等3种在西北旱区ET0计算精度较高的模型进行比较。结果表明:在不同输入的情况下MEA-BPNN模型模拟精度具有相对较高水平,其中MEA-BPNN1(输入最高气温Tmax、最低气温Tmin、相对湿度RH、日照时数n和距地面2 m高处的风速u2)、MEA-BPNN2(输入Tmax、Tmin、n和u2)及MEA-BPNN3(输入Tmax、Tmin、RH和u2)模型的R2、NSE均大于0.96,RMSE、MAE也分别小于0.34、0.25 mm/d,以上3种MEA-BPNN模型的整体评价指标(Global performance indicator,GPI)排名分别为1、2、3;MEA-BPNN7(输入Tmax、Tmin和u2)的R2、NSE分别为0.966 2、0.962 2,RMSE、MAE分别为0.361 0、0.276 1 mm/d,模拟精度较高;MEA-BPNN模型可移植性的分析表明:MEA-BPNN模型在西北旱区具有较强的泛化能力,基于不同站点数据构建的预报模型也有较高精度;在相同输入情况下MEA-BPNN模型模拟精度均高于Hargreaves-Samani模型、Irmak模型和48-PM模型。因此,在气象资料缺乏情景下MEA-BPNN模型可作为西北旱区ET0计算的推荐模型,可为实时精准灌溉预报的实现提供科学依据。     

西藏高原灌区参考作物蒸散量模型的适用性研究

为明确参考作物蒸散量(ET_0)计算模型在西藏高原灌区的适用性,推荐适宜于气象资料短缺条件下的ET_0计算模型,本研究基于满拉、墨达、江北3个灌区的气象站的长系列数据,以FAO推荐的Penman-Monteith(FAO 56 PM)模型计算的ET_0为标准,对ET_0的5种常用计算模型的适用性进行评价。结果表明:Makkink、Irmark-Allen、FAO 17Penman、Hargreaves-Samani和Priestley-Taylor 5种模型模拟的日尺度ET_0变化趋势与FAO 56 PM模型一致,在年际间均呈先增后减的变化规律,且峰值出现在6～7月份,但各模型适用性存在显著差异。Makkink模型的日尺度MAE、RMSE、NSE值分别为0.37 mm/d、0.45 mm/d和0.84,模拟精度及可信度最高;Irmark-Allen模型次之,MAE、RMSE、NSE分别为0.65 mm/d、0.71 mm/d、0.62;Priestley-Taylor模型最差,MAE值最大达4.91 mm/d且NSE值小于0。年尺度下,各模型较FAO 56 PM均存在高估现象,其中FAO 17Penman、Hargreaves-Samani、Priestley-Taylor模型的NSE值介于-3 571.76～-118.00之间,模拟结果不可信;Makkink模型的NSE值最接近于0,模拟结果可信,但模拟过程的误差较大。综合评定,推荐Makkink为西藏高原灌区气象资料短缺条件下的ET_0简化模型。     

基于ELM的西北旱区参考作物蒸散量预报模型

为实现气象资料缺失情况下ET₀的精确预报,选取中国西北旱区4个代表性站点的气象资料,建立15种基于极限学习机(ELM)的ET₀预报模型,并通过与其他ET₀计算模型对比和可移植性分析探究ELM在西北旱区的适用性.结果表明:基于温度和风速的ELM₇预报精度较高(整体评价指标GPI排名第4);基于温度和辐射的ELM₅预报精度(GPI排名第6)明显高于Iramk模型和Jensen-Haise模型;仅基于温度的ELM₉预报精度(GPI排名第8)高于Hargreaves-Samani模型.通过模型可移植性分析发现,ELM₇在西北旱区内各训练站点和预测站点组合下预报精度良好.因此,可将ELM₅(输入温度和辐射)、ELM₇(输入温度和风速)和ELM₉(输入温度)作为西北旱区较少气象参数输入情况下精确预报ET₀的推荐模型.     

基于NARX模型的参考作物蒸散发预测

为了实现气象资料缺失情况下参考作物蒸散量(ET0)精确计算和预测,以攀枝花站点为例,构建非线性自回归滤波器(NARX)模型预测ET0.以Penman-Monteith模型计算的ET0作为预测标准,将日最高温、日最低温、日照时数、风速和相对湿度作为模型的输入参数,建立11种不同气象因子组合的NARX模型,并与Hargre...     

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.     

蝙蝠算法优化极限学习机模拟参考作物蒸散量

为提高参考作物蒸散量模拟的准确性,提出蝙蝠算法优化极限学习机的参考作物蒸散量模拟模型.基于汕头站1966-2015年月值气象数据(包括逐月最高温度、最低温度、地表总辐射量、风速和相对湿度),建立参考作物蒸散量的极限学习机模型,并采用蝙蝠算法通过交叉验证方法对极限学习机的正则化系数和径向基函数的幅宽进行优化,最后对参考作物蒸散量模拟效果进行评估.结果表明:与传统调参方法和遗传算法优化后的模型相比,蝙蝠算法优化参数极限学习机模型建立了整体性能优异并且稳定的参考作物蒸散量模型,提高了参考作物蒸散量的模拟精度.     

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MARS模拟鄱阳湖地区参考作物蒸散量

为了寻找最适宜的鄱阳湖作物蒸散量替代计算方法,文中以FAO Penman-Monteith模型参考作物蒸散量计算结果(ET₀)为标准值,使用江西省南昌站1966—2015年逐日最高温度、最低温度、日照时数、风速和相对湿度数据(其中1966—1990年数据用于建立模型,1991—2015年数据用于验证模型),建立12种不同气象要素组合条件下的多元自适应回归样条(MARS)ET₀计算模型,并将计算结果与广义回归神经网络(GRNN)、支持向量机(SVM)和经验模型(Hargreaves法、Irmak-Allen法、Makkink 法、Pristley-Taylor法)的计算结果相比较.结果表明:3种人工智能算法的ET₀计算结果精度均优于相同输入数据下的经验模型.3种人工智能算法中MARS的精度最高,在全参数组合下RMSE为0.227 mm/d,R²为0.982,NRMSE为0.086,其次是支持向量机,其在全参数组合下RMSE为0.266 mm/d,R²为0.978,NRMSE为0.101,GRNN排第三,其在全参数组合下RMSE为0.323 mm/d,R²为0.962,NRMSE为0.123.缺少温度参数时,模型精度总体较差,3种人工智能算法下R²仅为0.8左右.MARS法不但精度更高,而且具有明确的数学表达式,是鄱阳湖地区适宜的ET₀计算方法.     

江苏地区不同参考作物蒸发蒸腾量估算模型

为了研究不同参考作物蒸发蒸腾量ET₀估算方法在江苏地区的适用性,收集了江苏省徐州市、高邮市和昆山市1957年1月至2019年12月的气象数据,采用12种不同模型估算了各站点的ET₀,其中模型Priestly-Taylor,Hansen,Jensen-Haise,Makkink是基于辐射数据的模型;MC-Cloud,1985 Hargreaves,Thornthwaite是基于温度数据的;Copais,Valiantzas 1和Valiantzas 2是综合法模型;XGBoost和SVM是机器学习模型.12种ET₀的估算模型计算值分别与Penman-Monteith模型(PM)计算值进行比较,结果表明:各站点的综合评价指数GPI最高的为机器学习模型中的SVM模型;在输入参数相同的情况下,机器学习模型模拟精度优于综合法和温度法以及辐射法中的Pristley-Taylor和Makkink模型;机器学习模型随着输入参数减少,模拟精度依次降低.研究结果可以为江苏地区气象数据不完善时估算ET₀提供科学依据.     

参考作物蒸发蒸腾量计算方法在海河流域的适用性

参考作物蒸发蒸腾量（ET0）的计算公式很多，各公式所需参数各异，为寻找一种所需资料少而又精度较高的替代方法，选用1998年FAO-56分册推荐的Penman－Monteith（PM）、Hargreaves、Irmark-Allen等6种方法分别计算海河流域10个典型气象站30 a的参考作物蒸发蒸腾量，并以PM公式为标准，对其他方法进行评价。结果表明，10个站点中除了五台山地区，Hargreaves与FAO-24 Radiation 这2种方法更接近于PM方法的计算结果，其误差较小，在海河流域缺少辐射和风速     

4种人工智能模型在江西省参考作物蒸散量计算中的适用性

为了实现气象资料缺失下参考作物蒸散量ET₀的高精度预测,以江西南昌、吉安及龙南站1966-2015年每日最高气温T_max、最低气温T_min、日照时数n、相对湿度RH和2 m高风速u₂作为输入参数,以FAO-56 Penman-Monteith(P-M)公式的计算结果作为对照,建立了6种不同气象要素组合条件下的4种ET₀计算模型,并分别与输入相同数据的经验法计算结果进行了比较.结果表明,在3个站点中,多元自适应回归样条法MARS模型的精度最高,且计算简便,可作为江西省蒸散量模拟的推荐方法.当4种模型的输入数据完整时,模拟精度均达到最高,表明4种模型均可适用于对参考作物蒸散量的模拟;输入数据缺失条件下,各气象要素对智能模型模拟ET₀的影响由大到小按参数排序依次为T_max,T_min,n,RH,u₂.与传统经验公式相比,4种智能模型的ET₀计算结果精度均优于输入相同数据的经验法.