参考作物腾发量主成分神经网络预测模型

为解决采用神经网络模型预测参考作物蒸发蒸腾最Eto研究中预测能力不足的问题,将气象因子包括最高、最低和日平均温度、日照时数、气压、水汽压、相对湿度和风速进行主成分分析,提取主成分,建立了基于主成分的三层BP神经网络模型.选取崇川水利科学试验站2001年到2004年的旬气象资料,采用Matlab神经网络工具箱进行模型训练与预测,并以传统BP网络模犁作为对照.结果表明,主成分网络模型能够很好地反映诸多影响因子与Eto之间的关系,尤其对训练样本以外的验证样本,主成分网络模型具有显著优于传统BP网络模型的识别能力,取得更为可靠的预测结果.     

基于随机样本的神经网络模型估算参考作物腾发量

参考作物腾发量(ET₀)是计算作物需水量、制定灌溉制度和进行水资源管理的主要参数之一。计算参考作物腾发量(ET₀)的方法众多,为规范ET₀的求法,联合国粮农组织(FAO)推荐采用修改的Penman-Monteith方法。该文指出不需要收集长序列气象资料,而以随机样本建立学习速率和动量因子自适应的BP神经网络模型估算参考作物腾发量(ET₀)的方法,并且与FAO推荐的Penman-Monteith法计算值对比分析,结果表明：利用随机样本建立的的BP神经网络模型可以很好的反映气象因子(最高温度、最低温度、最大湿度、最小湿度、净辐射和风速)与参考作物腾发量(ET₀)的非线性函数映射关系,并且取得了良好的估算效果,给出了国家自然科学基金重点项目研究区内蓝旗试验站2004年的时间尺度为日、十日参考作物腾发量(ET₀)的计算及对比分析过程。     

基于GIS的山西省参考作物腾发量研究

该文运用FAO 1998年出版的灌溉与排水分册第56册中对参考作物腾发量的新定义和计算公式(彭曼-蒙蒂斯公式)，应用能代表山西省全部气候带的11个气象站9年(1991年至1999年)的逐日气象观测资料，通过Visual Basic 6.0编制程序实现计算功能，利用SQL Server 2000数据库服务器存储数据，同时利用GIS软件Arcmap9.0对山西省参考作物腾发量进行时间和空间上的分析。提出了用平均法(即用逐日参考作物腾发量值经过平均计算得到当月参考作物腾发量)计算逐月参考作物腾发量来代替用彭曼-蒙蒂斯公式计算的逐月参考作物腾发量，并可绘制出相应的日或月的参考作物腾发量等值线图。     

中国参考作物腾发量时空变化特性分析

分析参考作物腾发量的时空变化特征,有助于了解中国农业及生态需水的分布与演变规律。基于全国范围200多个气象站测站逐日气象观测资料,应用FAO-Penman-Monteith公式,计算得出各站历年逐日参照作物腾发量ET₀。利用GIS的空间分析功能,采用反距离空间插值方法得到全国参考腾发量的分布图,统计分析了不同分区不同时段ET₀的变化情况。结果表明：西北河西走廊地区和南方岭南地区的参考作物腾发量较大,最大值超过1500 mm。而东北黑龙江一带和四川盆地附近,参考作物腾发量较小,在600～700 mm之间。此外,夏季ET₀的分布特征决定了全年ET₀的分布特征。选取4个代表气象站,对其ET₀的历年变化及其与气象因素的关系进行了分析。分析表明,受风速减小和气温增加的共同影响,干旱地区、半干旱地区和半湿润地区的参考作物腾发量呈现减少趋势,湿润地区则相对稳定。     

基于灰色关联度与BP神经网络模型的日参考作物腾发量预测

参考作物腾发量是制定灌溉用水计划、水量分配计划最基本、最重要的内容之一,其精确预测可以提高灌溉预报的精度。采用灰色系统理论中的关联分析方法,对影响作物腾发量的各个气象因素进行关联度分析,挑选出影响作物腾发量的主要气象因子,并以这些主要气象因子为输入向量,以参考作物腾发量为输出向量,建立作物腾发量与主要气象因子之间的BP神经网络预测模型。通过实例证明,该方法简单可行,预测精度比较高,能够满足实际生产需要。     

山西潇河灌区参考作物腾发量和降水的随机特性

气象要素的随机变化对于农田水分的动态变化与优化调控具有重要影响。根据山西潇河灌区1978～2003年共26年的气象资料，利用FAO推荐的Penman-Monteith公式计算了逐旬的参考作物腾发量(ET₀)。采用时间序列分析方法对ET₀序列和降水(P)序列的随机特性进行了分析，并将以上序列分解为趋势项、周期项(包括均值和标准差)和平稳随机项。结果表明：近20多年来潇河灌区ET₀序列具有递增趋势，而降水具有递减趋势，同时二序列存在负相关关系；去除趋势项的ET₀和P序列的旬均值和标准差具有周期性变化的特征，可以用Fourier级数的二阶分量来描述；二序列的平稳随机成分可以用自回归模型来描述。以上结果可以进一步用于农田墒情的随机预报和作物灌溉制度的随机优化。     

新疆地区参考作物腾发量的灰色模型预测

该文依据新疆地区6个站的长序列逐日气象观测资料,基于Penman-Monteith公式计算了逐日参考作物腾发量（ET0）,并应用重标极差法对ET0未来变化趋势进行了分析。运用灰色关联理论计算了各站各气象因子与年ET0间的灰色关联度和关联序。在此基础上,运用灰色系统理论建立灰色不等维递补GM（1,h）模型对6个站的年ET0进行了模拟预测,并与灰色GM（1,1）模型进行了比较。结果表明：各站ET0年内变化均呈抛物线型,4－9月ET0依各站顺序为：若羌＞吐鲁番＞哈密＞喀什＞和田＞伊宁;6站年ET0赫斯特指数均大于0.5,各站未来的趋势与历史呈正相关,依然是波动递减;总体上,平均温度、日照时数、饱和气压差对各站年ET0的影响比较大;灰色不等维递补GM（1,h）模型预测相对误差限为0～7.31%,预测精度明显高于GM（1,1）模型。该研究表明采用灰色模型预测新疆地区参考作物腾发量精度较好。     

Priestley-Taylor与Penman法计算参照作物腾发量的结果比较

利用北京气象站50年的气象资料，对两种常用的计算参照作物腾发量的公式——Priestley-Taylor和Penman方法的计算结果进行了比较。年值序列比较显示，Priestley-Taylor结果远小于Penman结果，前者比后者低15%～31%，两者最大相差378.3 mm，最小相差150.9 mm，多年平均相差255.9 mm。对历年逐月序列分析显示，两种方法在7、8月份的结果十分接近，没有显著差异，但其它月份均存在显著差异。造成这种显著差异的原因，既有降雨的影响，又有Penman中空气动力学项的影响，而后者的影响可能更大些。空气动力项与辐射项之比与两种方法的吻合程度呈显著负相关。该比值越大，两种方法的吻合程度越差；反之，吻合程度越好。     

基于SPAC系统的作物腾发量模型的试验研究

通过田间试验对河北省2004年和2005年棉花、冬小麦和夏玉米不同生育期的冠层温度、地表温度和叶面积指数进行测定,根据能量平衡方程和空气动力学方程,结合当地气象资料推导出作物腾发量模型,并与棉花、冬小麦和夏玉米不同生育期实际腾发量比较发现:作物腾发量模型计算值不仅反映了这3种作物不同生育期腾发量的变化规律,而且与实际腾发量平均值的相对误差2004年分别为8.46%、4.76%和12.85%,2005年分别为3.42%、1.65%和0.84%,因此可以利用作物腾发量模型来计算作物腾发量,该研究为监测土壤墒情和确定作物缺水指标提供了理论依据.     

纵向岭谷区参考作物腾发量变化的特点和趋势

以Penman Montieth方程分析了西南纵向岭谷区大理、元江、保山、昆明、景洪站46～48年的逐日ET₀及其余25个站1961～2000年逐月ET₀系列。研究结果表明：日最高温度是年内ET₀变化主导因素,年际变化主要受日照时数影响,个别站为最高气温或风速,短期ET₀变化与雾无直接关系。利用Mann-Kendall法对各站年际、年内分季节ET₀趋势检验,56.7%站点的年ET₀呈显著增加趋势,分布于澜沧江耿马-思茅-勐海一带以及横断山区维西、福贡等地。分季节逐日ET₀变化趋势为,昆明夏秋季显著下降,景洪冬春季显著增加,元江、保山、大理有增有减。降水量增加、气温升高,蒸发和日照时数减少,导致80%的站ET₀呈下降趋势,湿润指数普遍增加。     

利用温度资料和广义回归神经网络模拟参考作物蒸散量

参考作物蒸散量(reference evapotranspiration,ET0)精确模拟对水资源高效利用和灌溉制度制定具有重要意义,该文以四川盆地19个气象站点1961-1990年逐日最高、最低温度和大气顶层辐射作为输入参数,FAO-56 Penman-Monteith(PM)模型计算的ET0为标准值,建立基于广义回归神经网络(generalized regression neural network,GRNN)的ET0模拟模型,基于1991-2014年资料进行模型验证,将GRNN模型同Hargreaves(HS1)和改进Hargreaves(HS2)等简化模型的模拟结果进行比较,分析只有温度资料情况下不同模型模拟ET0误差的时空变异性。结果表明:GRNN、HS1和HS2模型均方根误差(root mean square error,RMSE)分别为0.41、1.16和0.70 mm/d,模型效率系数(Ens)分别为0.88、0.13和0.67。3种模型RMSE在时空上均呈现HS1HS2GRNN、Ens均呈现GRNNHS2HS1趋势;与PM模型模拟结果相比,GRNN、HS1和HS2模型模拟结果分别偏大0.8%、45.1%和17.3%。在时空尺度上的误差分析均表明利用温度资料建立的GRNN模型能够较为准确地模拟四川盆地ET0,因此可以作为资料缺失情况下ET0模拟的推荐模型。该研究可为四川盆地作物需水精确预测提供科学依据。     

基于蒸渗仪实测的参考作物蒸散发模型北京地区适用性评价

参考作物蒸散发(ET0,reference evapotranspiration)是计算植被耗水量、分析区域水分平衡、管理水资源的基本参数。由于区域间气象条件的差异,ET0模型在不同地区表现出不同的适用性。蒸渗仪实测是欧美地区评价参考作物蒸散发模型的经典方法,而中国尚少研究,华北地区未见报道。2012年生长季(4-10月),应用自动称重式蒸渗仪实测高羊茅草坪蒸散评价了Penman-Monteith(FAO-56)、Hargreaves-Samani、Priestley-Taylor、Penman-van Bavel模型在北京地区的适用性。在2个蒸渗仪中建植冷季型高羊茅草坪,以获得ET0标准数据。试验地安装Dynamet气象站,自动测量并记录气象数据:空气温度、空气相对湿度、太阳总辐射和高度2m的风速,用于模型计算参考作物蒸散发。应用线性回归与均方根误差(RMSE)、一致性指数(d)2个指标评价模型的预测准确性。研究结果表明,太阳总辐射与月蒸散之间呈现较强的线性关系(R2=0.95,p=2.72×10-7),说明太阳辐射能量是驱动SPAC(soil-plant-atmosphere continuum)系统中水分从植被向大气运动的主要动力。随着时间尺度减小,模型的估算准确度降低。由于模型的输入参数不同,在ET0计算中出现了不同方向的偏差。月尺度上,Priestley-Taylor模型低估,而Penman-Monteith、Hargreaves-Samani和Penman-van Bavel模型高估了蒸散。日尺度上,Hargreaves-Samani模型和Penman-van Bavel模型略微高估了日蒸散,比率分别为1.0167和1.0526;Penman-Monteith模型和Priestly-Taylor模型低估了日蒸散,比率分别为0.8204和0.7593。时尺度上,除了Priestly-Taylor模型全部得出最低的数值,其余模型在不同天气类型下得出不同的计算结果。综合月、日、时3个时间尺度的评价结果,Penman-van Bavel是最准确的ET0计算公式,RMSE分别为0.63 mm/d(月)、1.43 mm/d(日)、0.087mm/h(时),d值分别为0.96(月)、0.89(日)、0.87(时)。Penman-Monteith模型的计算准确性比Penman-van Bavel模型略低,d值为0.73~0.93。     

安徽省参考作物蒸散模型参数化

模型参数优化是准确估算参考作物蒸散(reference crop evapotranspiration,ET0)的关键问题之一。该研究基于安徽省81个地面气象站点1961—2011年逐日气象数据和合肥、武汉、南京、杭州和南昌5个辐射站1993—2011年的逐日辐射数据,评估日尺度的净长波辐射、气压和水汽压模型在安徽地区的适用性;并结合已有研究获得的最优逐日太阳辐射参数化估算模型,建立安徽省本地化逐日ET0模型的最优参数化方案,探讨模型参数优化对ET0估算的影响。结果表明:7种净长波辐射估算参数化方案中,邓根云法的精度最高,在安徽地区的适用性优于其他方案,建议作为安徽本地化方案使用;FAO56 Penman-Monteith公式中推荐的气压估算模型和基于实测平均气温和相对湿度估算水汽压的模型在安徽省基本适用,但该研究认为在资料能够获取的情况下直接使用实测值为最优。与基于实测资料计算的ET0相比,该研究建立的本地化最优模型估算的ET0在日、月和年尺度上的相对误差分别为15.5%、9.05%和6.12%,能较好地适用于安徽地区。FAO56 Penman-Monteith公式推荐的参数化方案由于高估了安徽地区的太阳辐射,低估了净长波辐射,导致其与基于实测资料计算的ET0值相比,在日、月和年尺度上高估ET0达40.0%以上,不推荐安徽地区直接使用。研究可为安徽省准确估算作物需水量、农业旱涝评估和合理调度水资源等提供依据。     

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。     

四川省不同区域参考作物蒸散量计算方法的适用性评价

为实现参考作物蒸散量(reference crop evapotranspiration,ET0)在资料缺失情况下的准确计算,对ET0简化算法在四川省不同区域的适用性进行科学评价,将四川省划分为4个区域(I东部盆地区、II盆周山地区、III川西南地区和IV川西高原区),采用46个气象站点1954-2013年逐日气象资料,以1998 FAO-56 Penman-Monteith(PM)法的计算结果为标准,对具有代表性的6种简易算法48 Penman(48PM)法、Hargreaves-Samani(HS)法、Pristley-Taylor(PT)法、Irmark-Allen(IA)法、Makkink(MAK)法和Penman-Van Bavel(PVB)法的计算精度进行对比,结果表明:6种方法在四川省不同区域计算精度差异明显,HS法、PT法和PVB法较为精准,48PM法、IA法和MAK法误差较大,其中I区表现最好的为HS法,II、III和IV区表现最好的方法均为PT法;同时,除PT法和PVB法外,其余方法空间变异性较大(HS法在海拔较低的I、II区较为精准,在海拔较高的III和IV区结果远小于PM法,48PM法在四川东南地区的计算误差为11.1%~37.5%,在浅山丘区和高原区计算误差多大于50%)。因此,计算四川省的参考作物蒸散量时,推荐在东部盆地区使用HS法,盆周山地区、川西南地区与川西高原区使用PT法。     

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。     

湛江地区适宜参考作物蒸发蒸腾量计算模型分析

用湛江市日平均、旬平均、月平均气象资料,以6种方法计算参考作物蒸发蒸腾量,并以FAO56 Penman-Monteith公式计算结果为标准,评价其他方法在湛江的适用性.结果表明:Hargreaves-Samani方法的年平均参考作物蒸发蒸腾量与FAO56 Penman-Monteith没有显著差异;月平均参考作物蒸发蒸腾量,除个别月份外,其他5种方法与FAO56 Penman-Monteith方法都有显著差异;不同方法计算结果与FAO56 Penman-Monteith法的均方偏差不同的时间尺度表现不同,日值计算,1948 Penman方法最小,Irmark-Allen次之;旬值计算,1948 Penman方法最小,Hargreaves-Samani、Irmark-Allen次之;月值计算Hargreaves-Samani最小,1948 Penman次之.1948 Penman、FAO24 Penman与FAO56 Penman-Monteith法的相关系数较大,Priestley-Taylor、Irmark-Allen次之,Hargreaves-Samani法的较小.     

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。     

基于URMOD模型的市区蒸散发模拟与遥感验证

为了描述城市区域水文过程,该文利用中国水利水电科学研究院水资源研究所开发的分布式水文模型Simulating Model for Urban Water Cycle （URMOD）,以北京市四环路以内区域为例对不同下垫面蒸散发量进行了模拟计算。结果表明,城市区透水区域和不透水区域的蒸散发规律有很大差别,模拟期2002－2005年,草地、林地和水面的年均蒸散发量分别为578.4、571.2和1?130.5?mm,而不透水区域的年均蒸散发为161.0～269.1?mm。将模拟蒸散发量和遥感反演数据进行对比,模拟月蒸散发数据系列与遥感反演结果吻合度很好。该模型可以有效模拟城市区实际蒸散发量。     

气象要素时间分辨率对参考作物蒸散估算的影响

参考作物蒸散(reference evapotranspiration,ET0)的准确估算是农业水资源合理利用的重要环节。为了明确气象要素不同时间分辨率对参考作物蒸散估算的影响,该文基于寿县国家气候观象台2007-2013年观测资料,将1min时间分辨率数据平均值作为真实值,分析了10、20、30、40、60 min、4次/d(02:00、08:00、14:00、20:00)和3次/d(08:00、14:00、20:00)这7种不同时间分辨率对逐日气温、风速、太阳辐射、相对湿度和日、月及年参考作物蒸散(ET0)估算的误差情况。结果表明:ET0和气象要素的误差整体上随时间分辨率降低而增大。4个气象因子中,日平均风速估算受时间分辨率变化的影响最显著,误差最大;其次是太阳辐射。逐日ET0估算在7种时间分辨率的平均绝对相对误差(mean absolute relative error,MAPE)依次为0.53%、1.01%、1.38%、1.72%、2.46%、4.72%和6.14%,表明10至60min时间分辨率的估算效果相较3次/d和4次/d有明显改善。10至40 min的绝对误差超过95%都在-0.20~0.20 mm/d区间内,误差较小且集中度高;太阳辐射时间分辨率变化对ET0估算误差贡献最大,其次是风速,这主要是由于两个要素本身对分辨率较敏感且分别是ET0辐射项和动力项的主要组成因子。时间分辨率的变化对累计后长时间尺度ET0的影响较小,月和年ET0的误差明显小于逐日ET0,月ET0在7种时间分辨率的MAPE值依次为0.13%、0.21%、0.27%、0.40%、0.50%、1.18%和1.48%;各年ET0相对误差(relative error,PE)的绝对值多数均小于0.50%。