新疆参考作物蒸散量空间变化规律研究

为全面了解参考作物蒸散量的空间变化对作物种植和生态环境的影响,本文运用相关系数法、一元线性方程及GIS空间分析功能,分析了新疆59个气象站近60年的月参考作物蒸散量在不同经纬度、海拔区的变化规律及空间分布特征。研究结果表明：在不同经度区, 3-10月的月参考作物蒸散量与经度之间呈正相关关系,其余各月与经度之间呈负相关;在不同纬度区,5-9月的月参考作物蒸散量与纬度之间成正相关关系,其余各月与纬度呈负相关关系;在不同海拔高程区,4月和9月的月参考作物蒸散量与海拔高程呈显著负相关、5-8月呈极显著负相关关系;11-3月的参考作物蒸散量与海拔之间呈正相关关系,其中3月相关性最低,可以忽略。从整体空间分布看在不同的经度区,4-10月从低经度到高经度（从西到东）相关性逐渐增加,2,3,11,12月参考作物蒸散量从高纬度到底纬度（从北往南）逐渐增加最明显;1月大部分地区亦是从高纬度到低纬度呈增加趋势,为此可得出新疆月参考作物蒸散量在不同的经纬度、海拔区存在明显的空间区域差异。     

六安市参考作物蒸散量变化规律

通过采用彭曼-蒙蒂斯(Penman-Monteith)公式,计算了六安市参考作物蒸散量,并对参考作物蒸散量的月际、年际变化规律进行分析,以期为水利工程规划设计及节水农业提供科学依据。     

山丹参考作物蒸散量的变化研究

本文以国家地面台站山丹站1955-1998年的气象观测资料为基础,用FAO推荐的FAOPenman-Monteith公式估算了山丹地区的参考作物蒸散量(ET0)。结果表明:山丹地区多年平均ET0为1184.3mm,日均3.23mmd-1。ET0全年的变化呈现出“两头小,中间大”的态势。ET0在3月迅速增大,4月增大幅度最大,此后ET0进一步增大直到6月达到最大,随后ET0逐步减小。     

几种计算参考作物蒸散量的模型在湖南的适用性研究

[目的]探讨几种计算参考作物蒸散量的模型在湖南的适用性。[方法]利用衡阳站的日气象观测资料,对4种常用参考作物蒸散量模型的计算结果与小型蒸发皿实测值进行月平均值的比较、相关分析及均方差、平均偏差分析。[结果]4个模型计算的月平均值与实测值的变化趋势基本一致。由Penman-Monteith模型计算出的参考作物蒸散量与实测值变化趋势的一致性最好,线性相关较好,与实测值偏差最小。能较好地反映当地作物蒸散变化的实际。[结论]Pemmn-Monteith模型在湖南的适用性较好。     

PXGM(1,1)模型在参考作物腾发量预测中的应用

为了提高参考作物腾发量预测模型的预测精度,将灰色新陈代谢预测模型与粒子群优化算法(PSO)相结合,提出PXGM(1,1)模型,并用该模型来预测阜新市参考作物腾发量.结果表明:优化后的新陈代谢GM(1,1)模型(简称PXGM(1,1)模型)的预测精度较原有的灰色新陈代谢预测模型的预测精度有了很大的提高.该模型建模过程简单、适用性强,为参考作物腾发量的预测提供了新的方法.     

山东省参考作物蒸散分布研究

根据山东省20个气象观测站点的44年的观测资料,利用FAO推荐的Penman-Monteith公式计算各站各年各月的ET0值,根据山东省的等值线分布图分析ET0的时空分布规律,最后得出:ET0的月际变化较大,6月份最大,1月份最小,存在1个高值区、4个低值区、2个季节性高低区。ET0的年际变化在不同的站点也呈现不同的变化趋势。温度对ET0的影响最大。     

基于深度学习的参考作物蒸散量预测模型

为了科学准确预测参考作物蒸腾量(ET₀),提高预测精度,减少输入变量的数量,从而降低智能节水灌溉系统的建设成本,采用深度学习和人工神经网络方法分别建立ET₀智能预测模型,采用局部敏感性分析、模糊曲线和模糊曲面等方法研究ET₀预测中各输入变量对预测结果的影响,以影响因子大小为依据,构建8种不同气象因子输入组合,利用日照气象站的逐日气象资料,对采用不同方法和不同输入变量组合的预测模型进行训练和测试,并以彭曼公式的计算结果作为参考,对预测模型的性能进行评估。结果表明,在以完整变量作为预测输入时,深度学习预测模型R²为0.980,高于人工神经网络模型(0.963),获得了更高的预测精度;而在缺省输入变量的ET₀预测中,深度学习预测模型的性能均优于人工神经网络,以平均温度和日照时数作为输入变量的深度学习预测模型R²仍达到0.935,表明在仅有少量气象参数的情况下,深度学习预测模型仍能获得较好的预测结果。综合分析R²、RMSE、RMSRE、MRE...     

内蒙古参考作物蒸散量时空变化特征

利用内蒙古地区50个站点1959~2009年逐日气象资料,采用FAO56 Penman-Monteith方法计算出逐年参考蒸散量,探讨参考作物蒸散量的年际变化特征,运用ArcGIS软件分析参考作物年均蒸散量的空间分布规律,并分析其与气象因子的相关性。结果表明,51年间,内蒙古自治区的参考作物年蒸散量变化速率为-15~42 mm/(10年);全区的参考作物年均蒸散量从东北部向西部方向呈逐渐增大的趋势;风速和太阳总辐射量是影响参考作物蒸散量变化的主要因子。     

澳大利亚参考作物蒸散量变化及影响因素分析

[目的]探讨参考作物蒸散量在全球气候变化环境中的区域响应形式及其影响因素。[方法]利用Penman-Monteith方程计算澳大利亚1998～2007年的参考作物蒸散量(ET0),通过GIS方法分析ET0的时空变化特征并探讨ET0与主要气候因子的关系。[结果]①多年平均ET0呈半环状分布,自东、南2面向西北部和内陆逐渐增加,与气候带分布具有较高的空间一致性;②全区平均ET0约1750mm,2000年取得最小值(1647.97mm),2002年取得最大值(1851.45mm);③ET0按夏、春、秋、冬的顺序递减,1、12月ET0最高,分别为200.42和201.24mm,6月最低,为79.55mm;④ET0与平均气温、太阳辐射量呈正相关,确定性系数分别为0.83、0.94,与平均相对湿度呈负相关关系,与降水量没有明显的相关性。[结论]该研究为澳大利亚的作物需水量研究及灌溉措施的制定提供了参考。     

蒸散量变化的随机模型

根据参考作物蒸散量时间序列的随机变化特征，本文探讨了建立蒸散量变化的自回归滑动平均（ARMA（p，q）模型的方法。应用矩估计法对模型作初步估计，用最小二乘法对ARMA（p，q）模型参数作精估计，模型最佳阶数判别采用AIC准则。结果表明，蒸散量的随机变化特征可用ARMA（1，1）模型描述。最后，根据建立的模型对蒸散量进行了预测。     

基于天气预报的参考作物蒸发蒸腾量预测模型

参考作物蒸发蒸腾量(ET_0)是计算作物需水量和进行灌溉预报的基本要素。本文利用天气预报可测因子和Penman Monteith(PM)公式ET_0计算值作为基础数据,分别建立BP神经网络模型和ANFIS自适应模糊神经推理系统模型,两种模型的估算值与PM公式的计算值没有明显差异,均表现出显著的相关性以及整体吻合度。本文对两种模型取相同的数据样本进行比较,BP-ET_0预测结果的MRE值为32.13%,RMSE为0.134 mm,而R2达到了0.971,说明模型预测精度高,稳定性良好。相较于ANFIS-ET_0的检验结果,BP-ET_0模型的均方根误差更小(0.134mm/d0.188 mm/d),表明其预测精度更高;而ANFIS-ET_0模型估算值的平均相对误差明显小于BP-ET_0模型估算值(16.92%32.13%),显示出ANFIS-ET_0模型更高的稳定性。两种预测模型的输入项完全可以从当前短期天气预报因子中取得而不需要专用测量设备,程序操作简单,具有实用价值,为实时灌溉预报提供了理论基础。     

气候变化对河西地区参考作物蒸发蒸腾量的影响

【目的】探讨气候变化对参考作物蒸发蒸腾量(ET0)的影响程度,为节水农业的区域发展及水资源科学利用提供参考。【方法】根据河西地区18个气象站点的长系列气象资料月值数据,利用Penman-Monteith公式计算河西地区历年ET0值;用相关法分析各站ET0与地理位置、气象要素的关系,并应用相关法结合Penman-Monteith公式预测2010-2019年和2020-2029年ET0的年代均值。【结果】河西走廊西段、中段、东段和祁连山地的平均ET0值分别为1 265.1,1 078.6,1 058.5和984.5mm;海拔每升高100m,河西地区中部和东部各站年均ET0值约减少19mm,西部各站则约减少12.4mm;河西地区年ET0值与年平均相对湿度、年平均风速、年日照时数、年降水量、年平均气温的相关系数分别为0.634 1,0.597 3,0.421 3,0.356 6和0.191 9;预测的每10年变化量,西部的安西、玉门镇,中部高台、临泽及祁连山地的肃北站点年ET0值减少20mm以上,西部的马鬃山增加20mm以上,东部的古浪及祁连山地的天祝站点增加10mm以上,其他站点变化小于10mm。【结论】截至2009年,河西地区的年ET0值呈先减小后增大的趋势;其分布地域性比较明显,表现为河西走廊西段高于中段,中段高于东段,祁连山地最小,海拔高度是其决定因素;气象要素对于年ET0值的影响表现为年平均相对湿度>年平均风速>年日照时数>年降水量>年平均气温;未来20年河西地区东段年ET0值呈增加趋势,中段和西段多呈减少趋势,且各站差异明显。     

基于粒子群优化的支持向量机算法识别人类基因启动子

人类基因启动子识别是医学研究的基本需要。提取DNA序列碱基的PZ曲线特征、二核苷酸空间结构特征、保守信号似然得分,以及K联体似然得分,结合GC含量变化和非均匀指数,构建基于粒子群优化的支持向量机算法来识别人类基因启动子。利用粒子群优化支持向量机参数进行优化避免了人为选择的随机性,并且在分类问题中表现出较好的稳健性。对测试集的10-折交叉检验结果为:敏感性为92%,特异性为91%,马修斯关联系数为0.83。该结果表明,基于粒子群优化的支持向量机算法能有效识别启动子序列。     

基于机器学习方法预测母猪产仔数性状

为指导养猪生产者更好地预测母猪的产仔数性状,尽早淘汰繁殖力较差的母猪,提升母猪群体的繁殖潜力,对记录了母猪总产仔数、产活仔数、健仔数、5日龄仔猪数和1 kg以上仔猪数的生产数据进行处理和描述统计,使用R软件中的Boruta包筛选出影响母猪产仔数性状的重要特征如品种、胎次、配种季节等,利用传统回归分析方法(LR)和不同机器学习方法—决策树(decision tree,DT)、K近邻(K-nearest neighbor,KNN)、支持向量机(support vector machine,SVM)对产仔数性状进行回归分析,最后比较机器学习方法与传统回归方法建模的优劣。结果显示,母猪总产仔数、产活仔数、健仔数、5日龄仔猪数和1 kg以上仔猪数不同回归分析方法的R~2均达到0.71以上(0.71～0.88),体现了特征选择的正确性;在预测母猪总产仔数、产活仔数、健仔数、5日龄仔猪数和1 kg以上仔猪数中SVM模型均显著优于其他机器学习模型(P0.05)并且要优于传统回归方法,而且在以上模型中预测1 kg以上仔猪数的SVM模型最优。因此,在今后的养猪生产中机器学习方法可能会成为养猪生产者早期选育高繁殖力母猪的一种新途径。     

河套灌区参考作物蒸发蒸腾量估算方法研究

参考作物蒸发蒸腾量（ET₀）是计算作物需水量的基础,一般用FAO推荐的Penman-Monteith公式（PM公式）计算。但是在河套灌区部分地区缺少辐射数据的观测,因而无法利用PM公式计算ET₀。本文选用河套灌区临河气象站1990—2012年的气象资料,分析了利用PM公式计算参考作物蒸发蒸腾量ET₀与气象要素的关系,发现对ET₀影响最大的气象因素为净辐射,其次为饱和水气压差和平均温度。建立了基于饱和水气压差、温度和风速的ET₀估算公式,验证结算显示相关系数、纳什效率系数和总量平衡系数分别为0.96、0.92、1.00。在风速缺测的条件下,也建立了基于饱和水汽压差和温度的ET₀估算公式。以上两个公式为河套灌区缺资料条件下ET₀的估算提供了简单且准确的估算方法。     

地下水位粒子群优化神经网络组合预测模型

【目的】将粒子群优化神经网络组合预测方法引入地下水位预测中,以提高地下水位预测的精度。【方法】以回归分析法、指数平滑法、灰色GM（1,1）模型的地下水位预测结果及预测结果平均值作为网络的输入,以实际地下水位值作为输出,对3个单一模型进行非线性组合,建立地下水位的粒子群优化神经网络组合预测模型,应用实例对模型的预测结果进行了验证,并与3个单一模型及等权平均组合模型的预测结果进行比较。【结果】实例运用结果表明,粒子群优化神经网络组合预测模型的均方误差为0.740 9,平均绝对误差为0.657 6,均小于单一模型及等权平均组合模型的相应值。【结论】粒子群优化神经网络组合预测方法适用于地下水位的预测。     

基于云模型的甘肃省参考作物蒸散量变化特征及影响因子

为了深入认识甘肃省参考作物蒸散量(ET0)的变化特征,解决该地区水资源供需矛盾,利用甘肃省29个气象测站1951~2013年的日气象资料分析甘肃地区ET0年、季的时间变化趋势.依靠处理定性概念与定量描述不确定转换的云模型,对ET0时间变化特征和影响ET0的气象因子进行了分析,同时采用通径分析方法,对影响ET0变化的气象因子进行了探讨.结果表明:河西半干旱区、陇中半干旱区、陇东半湿润区、陇南湿润区4个分区ET0在近63a均表现为持续性的上下波动.ET0在时间尺度上分布较为均匀、稳定.季节分布呈现出夏季春季秋季冬季的分布态势.离散性方面秋、冬季最均匀,夏季最不均匀;稳定性则是冬、春季好于夏、秋季.年际变化来看,平均气温对ET0的直接作用最大,平均相对湿度和日照时数对ET0的间接作用最大.不同季节气象因子分析表明,春、秋、冬3个季节对ET0直接作用最强的气象因子为平均气温,夏季对ET0直接作用最强的气象因子为平均相对湿度;间接作用显示,春、秋季对ET0间接作用最强的气象因子为平均相对湿度,夏、冬季则分别为日照时数和平均气温.     

气象因素对民勤地区参考作物腾发量变化的贡献分析

利用世界粮农组织的Penman-Monteith方法以及敏感曲线分析法,对甘肃国家级地面站点民勤站1968—2018年来的参考作物腾发量和气象因素的变化规律及各气象因子对参考作物腾发量变化的贡献大小进行了研究。结果表明:1)民勤站参考作物腾发量ET0年内变化特征呈抛物线形式,在1—5月增加,8—12月递减,7月达到最大值为5.29mm/d,年际变化整体呈波动上升趋势;2)利用相关性分析与主成分分析发现ET0与平均最高气温Tmax、平均饱和水汽压差VPD的相关性最大,利用偏相关性分析发现ET0与平均风速U、平均净辐射与土壤热通量的差Rn-G的相关性最小,但ET0与U、Rn-G的偏相关性较大,说明ET0与U、Rn-G的关系受其他气象因素的影响较大;3)气象因素的年内变化与ET0对各气象因素的敏感系数在年内的变化趋势有一定的相似度。ET0对Rn-G的敏感系数不大,但是由于Rn-G自身的增长幅度较大,导致Rn-G对ET0增长的贡献率最大;平均气温T和VPD对ET0的增长也产生了一定的贡献;U对ET0的增长产生了较大的负贡献。     

基于联盟博弈和极限学习机的棉花异性纤维识别方法

针对棉花异性纤维（棉花采摘、摊晒、收购、储存、运输及加工过程中混入棉花中的非棉纤维）识别问题,提出了一种基于联盟博弈和极限学习机相融合的棉花异性纤维识别方法,该方法利用基于联盟博弈的特征选择方法确定最优的特征集,随后利用极限学习机进行棉花异性纤维识别并与支持向量机、ｋ近邻法进行了试验比较．试验结果表明,该方法、支持向量机和ｋ近邻法可以实现的准确率分别为90.15％、88.46％和86.30％．相对于另两种方法,该方法具有最高的识别准确率,并使特征集的特征数由75个降为25个．     

新疆塔里木盆地北缘日参考作物腾发量计算模型评价

采用4种常用的腾发量模型(Makkink模型,Turc模型,Priestley-Taylor模型以及Hargreaves模型)计算日腾发量,并以Penman-Monteith FAO 56公式计算结果为标准值进行对比,旨在寻找出建模数据少、模拟精度高以及适合研究区的腾发量计算模型。结果表明:Turc模型的日参考作物蒸发蒸腾量与Penman-Monteith FAO 56差异较小,其次是Makkink模型与Priestley-Taylor模型,Hargreaves模型的差异最大。