基于机器学习的ET0跨站适应性研究

【目的】针对气象数据缺失问题,研究机器学习方法在计算参考作物蒸散量(ET_0)中的应用,为ET_0的估算提供支持。【方法】基于已有的本地气象站与邻站数据,利用极限梯度提升法(XGBoost)模型和支持向量机(SVM)模型2种机器学习算法,结合江西省吉安和鄱阳2个气象站及对应邻站1966-2015年逐月气象资料,使用K折交叉验证法及4种统计指标(决定系数(R~2)、均方根误差(RMSE)、平均偏置误差(MBE)和归一化均方根误差(NRMSE))评估2种输入模式(本地输入或与邻站数据相融合输入)下估算逐月ET_0的适用性。【结果】2种输入模式下,XGBoost模型的性能整体优于SVM模型。只使用本地资料作为输入时,以最高温度(T_(max))、最低温度(T_(min))、地表总辐射量(R_s)为参数的模型性价比最高。使用邻站结合本地资料作为输入时,XGBoost模型对应的最佳输入参数为邻站ET_0数据(ET_0-ex),其平均R~2为0.986,RMSE和MBE分别为0.195和-0.106 mm/d, NRMSE为0.079。【结论】综合精度和稳定性等因素,当存在部分气象资料缺失时,使用本地数据或与邻站数据相结合,可成功估算出目标站点的ET_0值。推荐使用XGBoost模型且2种输入模式下最实用的输入组合分别为T_(max)、T_(min)、R_s和ET_0-ex,可用于类似江西鄱阳湖地区气象资料缺乏条件下ET_0的估算。     

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...     

基于连续流动分析仪测定海水中挥发酚的方法研究

为优化海水中挥发酚的检测工作,也为今后本方法的标准化提供科学依据,并为检测机构的科技人员测定海水中挥发酚的工作提供参考,研究采用SKALAR San++型连续流动分析仪在线测定海水中的挥发酚。实验结果表明:在0~0.100 mg/L线性区间内,该方法具有较高的精密度和准确度,其最低检出限为0.002 mg/L;采用该方法和经典方法同时测定4个样品,测定结果相对标准偏差为2.21%~4.65%,均小于5%,表明两种方法结果无显著性差异。研究表明该方法快捷、简便和绿色环保,值得进一步研究、推广和应用。     

溴氰菊酯对4种海水养殖生物的毒性及其积累

以海水养殖的2种甲壳类动物(远海梭子蟹Portunus pelagicus、日本囊对虾Marsupenaeus japonicus)和2种双壳类动物(文蛤Meretrix meretrix、菲律宾蛤仔Ruditapes philippinarum)为材料,进行了溴氰菊酯对4种海水养殖生物的急性毒性及其积累实验研究。结果显示,4种海水养殖生物的死亡率与溴氰菊酯浓度及其暴露时间成显著正相关。溴氰菊酯对远海梭子蟹和日本囊对虾的24 h LC50、48 h LC50、96 h LC50分别为2.07×10–4、1.70×10–4、1.10×10–4 mg/L和7.32×10–4、3.90×10–4、1.43×10–4 mg/L,安全浓度分别为3.44×10–5 mg/L和3.32×10–5 mg/L;溴氰菊酯对文蛤和菲律宾蛤仔的24 h LC50、48 h LC50、96 h LC50分别为1.52、0.30、0.27 mg/L和0.67、0.11、0.06 mg/L,安全浓度分别为3.51×10–3 mg/L和9.50×10–4 mg/L。溴氰菊酯对远海梭子蟹、日本囊对虾的毒性明显大于文蛤和菲律宾蛤仔。文蛤和菲律宾蛤仔在溴氰菊酯平均浓度分别为0.86–0.05 mg/L和0.37– 0.03 mg/L的水体中暴露24–96 h时,其对溴氰菊酯的积累系数分别为2.57–12.40和3.03–27.85,文蛤和菲律宾蛤对溴氰菊酯的积累率与暴露时间成正相关,与暴露浓度成负相关。不同种类的海水养殖生物对溴氰菊酯的敏感性及其积累率存在显著差异。     

凡纳滨对虾全同胞家系的建立及生长比较

全同胞家系是遗传分析的重要材料。采用自然交配法建立了62个凡纳滨对虾第一代全同胞家系,对其中17个家系进行了比较研究。结果表明,各家系的孵化率、出苗率与雌性亲本的大小相关性不显著。17个家系中有7个家系显示生长优势,其大小顺序依次是A02＞A11＞A01＞A17＞A06＞A08＞A16;7个家系在40周内的生长速度较17个家系的平均值高23.2%。在所有家系中,A01、A02、A11等3个家系的体重显著大于其它家系（P＜0.05）,其平均生长速度较所有家系平均生长速度分别快25.5%、31.6%和31.0%。这3个家系的整齐度良好,在养殖中期的个体变异系数分别为11.58%、9.95%和8.48%,后期均小于5%,显示出优良的经济性状,为进一步选择培育凡纳滨对虾的快速生长新品系奠定了基础。     

厦门海域贝类养殖生态环境质量评价和类别划分研究

根据2005年4月和10月同步进行厦门海域贝类养殖区海水、表层沉积物和养殖贝类体中有毒有害物质（Cu、Pb、Zn、Cd、Hg、As、石油类、六六六、滴滴涕、多氯联苯、大肠菌群、腹泻性贝毒和麻痹性贝毒）的调查资料,采用海水质量评价指数（Sj^w）、表层沉积物质量评价指数（Sj^s）和养殖贝类质量评价指数（Sj^o）以及贝类养殖生态环境质量综合评价指数（SI）对厦门海域贝类养殖生态环境质量进行了综合评价和类别划分。结果表明,海水质量、表层沉积物质量和养殖贝类质量水平范围均为2～7级,平均值分别为3级、5级和4级。贝类养殖生态环境质量水平范围为2～7级,平均值为4级。总体上,贝类养殖区海水质量处于较好水平,表层沉积物质量处于较差水平,养殖贝类质量处于一般水平。贝类养殖生态环境质量处于一般水平。其主要污染物为大肠菌群、石油类。厦门贝类养殖区1类区两个,属清洁区,占贝类养殖区总数的8%。2类区共18个,占贝类养殖区总数的72%。其中2a类区9个,属较清洁区,占贝类养殖区总数的36%,2b类区6个,属轻度污染区,占贝类养殖区总数的24%;2c类区3个,属中度污染区,占贝类养殖区总数的12%。3类区5个,属重度的污染区,占贝类养殖区总数的20%。厦门贝类产地环境质量的评价和类别划分的结果与厦门贝类养殖区环境污染现状相吻合。     

从生产环节入手突破绿色壁垒--建设种植业非疫生产区的思考

中国加入WTO后,种植业面临巨大挑战。在有攻有守的应对策略中,促进园艺产品特别是一些优势比较大的园艺产品的出口是主攻方向。要真正实现园艺产品的顺利出口,就必须首先解决好检疫问题。2002年8月15日《农民日报》刊登了“从生产环节入手突破绿色壁垒———建设种植业非疫生产区的思考”一文,以水果为例,阐明了抓好生产源头,建设种植业非疫生产区的思路和方法。现将此文转载如下,供参考。     

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.     

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.