共查询到17条相似文献，搜索用时 893 毫秒
1.
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。 相似文献
2.
基于GEP和地理位置信息的湘鄂地区月参考作物腾发量模拟计算 总被引：1，自引：1，他引：1
参考作物腾发量(ET0)是计算植被蒸散发的关键因子,准确估算ET0对水资源管理、灌溉制度设计等具有重要意义。本研究利用湘鄂地区46个气象站点1955—2005年的逐月气象数据,包括月最高气温、最低气温、平均风速、日照时数以及相对湿度,用FAO-56 Penman-Monteith法计算各站的逐月ET0值。然后结合基因表达式编程(GEP)算法挖掘公式的能力,以各站点的地理位置信息(纬度、经度、海拔)及月序数为输入,以多年逐月平均ET0值为输出,建立基于地理位置信息的月ET0模型,并与传统ET0模型的计算结果进行比较。结果表明,所建立的模型具有足够的精度,校正、检验阶段的决定系数(R2)和均方根误差(RMSE)分别为0.934、0.951和10.050 mm、8.628 mm;与Hargreaves和Priestley-Taylor法相比,基于地理位置信息建立的GEP模型的结果均方根误差最小,变化范围为8.628~9.967 mm。本研究所建立的月ET0模型具有明确的表达式,简单易用,在湘鄂地区仅利用地理位置信息计算逐月ET0是可行的,可以利用该模型进行月尺度的灌溉制度设计和植被蒸散发的估算。 相似文献
3.
通径分析结合BP神经网络方法估算夏玉米作物系数及蒸散量 总被引：2，自引：2，他引：0
准确估算蒸散量对于精准管理农田水分至关重要。为了解作物系数的动态特征,准确估算作物需水量,使用叶面积指数和气象要素模拟玉米全生育期作物系数及蒸散量。利用2018年五道沟实验站气象和称重式蒸渗仪实测数据,运用通径分析法筛选影响作物系数的关键因子,建立无雨期不同地下水埋深下作物系数模型,以此估算蒸散量。结果表明:1 m埋深下全生育期作物系数平均绝对误差为0.04 mm/d,相关系数为0.94,其中初期、发育期、中期和后期平均绝对误差分别为0.06、0.09、0.05和0.03 mm/d。3 m埋深下全生育期作物系数平均绝对误差为0.08 mm/d,相关系数为0.92,各生育期平均绝对误差分别为0.11、0.10、0.07和0.03 mm/d,利用温度、风速和叶面积指数模拟作物系数精度较高。1 m埋深全生育期ET平均绝对误差为0.72 mm/d,各生育阶段平均绝对误差分别为0.56、059、0.66和0.45 mm/d。3 m埋深全生育期ET平均绝对误差为0.73 mm/d,各生育阶段ET平均绝对误差分别为0.82、0.98、0.68和0.29 mm/d。不同时间尺度下(1、3、5 d)2种埋深ET模拟值与实际值一致性指数均接近1.00,平均绝对误差小于1.0 mm/d,预报准确率达70%。随预报时间尺度的增加,预报精度提高。该方法可用于夏玉米蒸散发量计算。 相似文献
4.
利用改进的MOD16模型估算区域蒸散发 总被引：1，自引：1，他引：0
蒸散发（Evapotranspiration,ET）是地表水循环和能量循环的关键纽带,准确、定量地估算区域ET对于理解陆-气相互作用、全球气候变化等至关重要。MOD16模型基于Penman-Monteith（P-M）方程,是一种获取区域ET的重要遥感模型。然而,MOD16模型没有直接利用土壤水分信息,而是通过相对湿度（Relative Humidity,RH）、饱和水汽压差（Vapor Pressure Deficit,VPD）、叶面积指数（Leaf Area Index,LAI）等间接表达土壤水分信息的作用,这可能会给区域ET的估算带来一些不确定性。该研究将归一化水指数（Normalized Difference Water Index,NDWI）作为土壤水分信息的补充项,对MOD16模型的地表阻抗进行修正,以改进MOD16模型（改进后的模型为MOD16-sm）,并将改进后的模型在中国西北干旱区绿洲进行验证和应用。模型验证包括模拟值与观测值的对比及误差分析。模拟值与观测值的对比分析结果表明,MOD16-sm模型获取的ET精度较高,决定系数（Coefficient of Determination,R2）为0.77,均方根误差（Root Mean Square Error,RMSE）为0.8 mm/d,平均绝对误差（Mean Absolute Deviation,MAE）为0.46 mm/d;误差分析结果显示,MOD16-sm模型估算结果的误差控制优于MOD16模型,结合模拟值与观测值的对比分析可知,MOD16-sm模型改善了MOD16模型的部分高估现象,MOD16-sm模型能更好地反映土壤水分对ET的影响。模型应用包括ET估算值的空间分布分析及ET估算值的频率分布统计。对MOD16-sm模型的估算结果进行空间分析发现,高植被覆盖区的ET值较高,低植被覆盖区的ET值较低,说明MOD16-sm模型的ET估算结果与土地利用类型密切相关;研究区ET估算值的频率分布结果表明,MOD16-sm模型能较好地反映和表达出不同植被覆盖区的ET通量异质性。因此,利用NDWI对MOD16模型进行改进是可行的和合理的,该研究可为提高区域ET的估算精度提供参考和思路。 相似文献
5.
自寻优最近邻算法估算有限气象数据区潜在蒸散量 总被引：1，自引：1，他引：0
FAO-56 Penman-Monteith估算ET0方法被广泛使用,但计算时需要输入多个气象数据。开发一种替代方法,在使用尽可能少的气象数据情况下,仍可以提供准确的或至少接近FAO-56 Penman-Monteith的ET0估算值是该领域研究热点之一。该文结合典型相关分析（canonical correlation analysis,CCA）和k最近邻算法（k-nearest neighbor,k-NN）,提出自寻优最近邻算法的潜在蒸散量计算方法（CCA-k-NN）,利用较少气象数据实现潜在蒸散量的估算。核心思想是用CCA算法寻找与潜在蒸散量最相关的气象数据,实现后续估算ET0时的气象数据降维,然后利用k-NN算法估算ET0。选择西北地区为例,将该区域气象数据分别从时间和空间尺度,分为训练数据集,验证数据集和测试数据集,分别在3类数据集上用该文方法估算ET0,并以FAO-56 Penman-Monteith作为参照,评估了该文CCA-k-NN方法的估算精度和适用性。结果表明,CCA-k-NN方法与FAO-56 Penman-Monteith保持了较高的相关性（相关系数大于0.9）,有好的估算精度,均方根误差和平均绝对误差均小于1 mm/d,空间尺度上算法纳什效率系数均大于0.5,时间尺度上纳什效率系数均大于0.8,在时空尺度均适用。同时,相对于其他替代方法该文算法具有低的时间复杂度,在计算大量数据时可有效降低时间成本。 相似文献
6.
基于气温估算参考作物蒸散量方法的对比与改进 总被引：1，自引：1，他引：0
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：Paredes等提出的改进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;使用Paredes等提出的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。 相似文献
7.
根据河套灌区多年气象资料和Penman-Monteith法计算得到的参考作物蒸散量(ET0),对影响ET0的主要气象因子进行了回归分析,并比较了以4因子(平均气温、净辐射、相对湿度、2 m处风速)和3因子(平均气温、净辐射、相对湿度)为输入向量,由Penman-Monteith法计算所得ET0为输出向量的BP网络ET0预报模型.研究表明,BP网络可以用于ET0的预报计算,四因子法和三因子法均简便可行,能满足生产的需要.相比之下,四因子法的精度更高.此研究是对传统ET0计算的补充. 相似文献
8.
淮河流域参考作物蒸散量变化特征及主要气象因子的贡献分析 总被引：9，自引：0，他引：9
利用淮河流域171个站点1971-2010年的气象资料,采用FAO Penman-Monteith公式计算该区近40a的参考作物蒸散量（ET0）,并对ET0的时空分布特征和影响因子进行定量分析。结果表明：淮河流域年ET0为898mm,近40a总体以17.5mm/10a的速率减小（P〈0.05）;空间分布显示西北部大部站点ET0呈显著下降趋势（P〈0.05）,仅东南部个别站点呈显著上升趋势（P〈0.05）。各气象因子对ET0变化的贡献表现为两方面,即ET0对气象因子的敏感性和气象因子的多年相对变化率,在4个主要因子中（平均温度、相对湿度、日照时数和风速）,ET0对相对湿度的变化最敏感（敏感系数最大）,而风速的多年平均变化率最大。从各因子的贡献率看,对ET0贡献最大的是风速,平均温度的贡献最小,4个因子对ET0变化的总贡献率为-4.96%,总贡献率为负在很大程度上解释了ET0呈下降趋势的原因。 相似文献
9.
河南省参考作物蒸散量变化特征及其气候影响分析 总被引：1，自引：0，他引：1
基于河南省111个气象站1971-2010年逐日平均气温、最高气温、最低气温、相对湿度、风速和日照时数等气候要素资料,应用Penman-Monteith模型计算各站点逐日参考作物蒸散量(ET0),结合数理统计方法,分析近40a来河南省年ET0的时空变化特征,并对其主要影响因子进行探讨.结果表明,Penman-Monteith模型对河南省ET0的模拟能力较强,模拟值与同期小型蒸发皿蒸发量的相关系数r=0.84(P ＜0.01).近40a,河南省年ET0平均值为796.1mm(±102.2mm,n=4169),在空间分布上,总体表现出北高南低的特征,并以24.7mm·10a-1(P ＜0.01)的线性倾向率减少,呈明显减少的站点主要分布在34°N以北地区.偏相关分析表明,全省各地(市)年ETo与各气象要素关系密切,除济源外,年ET0均表现出与风速呈负相关且相关系数最大.逐步回归分析显示,年ETo与平均气温、日照时数、风速和相对湿度的关系密切;风速、日照时数和平均气温对年ET0的贡献为正效应,而相对湿度为负效应.近40a,风速减小是导致河南省年ET0呈显著减小的主要原因;但从综合影响看,这是各气象因素综合作用的效果,且各因子的贡献存在区域差异. 相似文献
10.
实测草坪蒸散量评价P-M模型在北京地区适用性 总被引：7，自引：5，他引：2
为了研究北京地区的参考作物蒸散(reference evapotranspiration,ET0)特征以及Penman-Monteith(P-M)模型的适用性,2012-2014年生长季,应用蒸渗仪实测了冷季型高羊茅(Festuca arundinacea)、暖季型野牛草(Buchloe dactyloides)和乡土草种青绿苔草(Carex leucochlora)3种草坪的蒸散,应用自动气象站监测了试验地的太阳辐射、温度、空气相对湿度、风速等气象参数,通过P-M模型计算获得了ET0。将同期的P-M模型计算值与实测值进行了不同天气以及不同尺度下的比较分析,应用线性回归斜率与决定系数(R2)以及均方根误差(root mean square error,RMSE)与一致性指数(d)等统计参数进行了一致性评价。结果表明,P-M模型计算ET0与实测值在日、周、月尺度上均呈现一致的变化趋势。北京地区ET0高峰出现于5月,蒸散速率分别为4.18±0.27(P-M模型)、4.43±0.98(高羊茅)、3.96±0.23(青绿苔草)、3.53±0.25 mm/d(野牛草),10月最低。P-M模型计算的ET0与太阳辐射、平均气温、最高气温均呈极显著的线性关系,其中ET0与太阳辐射回归的R2最高,达到0.885。天气影响P-M模型的准确性,P-M模型计算ET0与草坪实测值的比值随着太阳辐射的降低(从晴天到雨天)而升高。P-M模型高估了阴雨天下的ET0。P-M模型计算ET0与实测值的RMSE和d值均随评价尺度减小而增大。实测ET0在3种草坪间差异显著,高羊茅青绿苔草野牛草。P-M模型计算ET0与高羊茅实测值的一致性最高,具有接近1.0的回归方程斜率(0.99~1.03)、最小的均方根误差(0.62~1.05 mm/d)和最高的一致性指数(0.89~0.90)。P-M模型在北京地区有较好的适用性,但在阴雨天气及春季低温情况下会高估ET0。 相似文献
11.
基于天气预报的漳河灌区参考作物腾发量预报方法比较 总被引：7，自引：2，他引：5
为了提出适合湖北省漳河灌区的参考作物腾发量预报方法,以FAO56-Penman-Monteith公式采用历史气象数据计算出的值为基准,利用天气预报数据,比较Hargreaves-Samani(HS)法、逐日均值修正法及该文改进的逐日均值修正法在该灌区钟祥站点的预报精度,并评价各方法适用性.结果表明:利用这3种方法进行参考作物腾发量预报时,1~7 d预见期平均绝对误差均值分别为0.75、0.80、0.76 mm/d,均方根误差分别为1.00、1.07、1.05 mm/d,相关系数分别为0.82、0.80、0.80.1 d预见期最优预报方法为改进逐日均值修正法,2~7 d预见期的最优方法均为HS法.总体而言,预报精度最好的为HS法、改进逐日均值修正法次之、逐日均值修正法最差.对于漳河灌区,建议采用HS法进行预报,可为灌溉预报提供较为准确的数据基础. 相似文献
12.
该研究对基于注意力机制的长短期记忆（Attention-Based Long Short Term Memory，AT-LSTM）模型对蒸散量（Evapotranspiration，ET）模拟的可行性和有效性进行验证，以提高环境数据缺失情况下的蒸散量模拟精度。基于盐池县2012-2017年的每30 min环境数据，利用不同环境因子组合构建基于注意力机制的LSTM模型，并将其与极限学习机（Extreme Learning Machine，ELM）模型、支持向量机（Support Vector Machine，SVM）模型、长短期记忆（Long Short Term Memory，LSTM）模型在日尺度、月尺度和季节尺度上进行对比分析。结果表明：与其他3种模型相比，当输入环境因子变化时，AT-LSTM模型模拟精度变化很小，模拟效果均较好。当输入空气温度、净辐射、相对湿度、土壤温度、土壤含水率所有环境因子时，基于AT-LSTM模型的模拟效果最好，均方根误差（Root Mean Square Error，RMSE）为0.013 mm/30 min，平均绝对误差（Mean Absolute Error，MAE）为0.006 mm/30 min，相关系数（Correlation Coefficient，R）值为0.905。且无论是从小时尺度、日尺度和月尺度来看，AT-LSTM模型的模拟效果均优于其他3种模型。在环境因子缺失的情况下，净辐射对盐池县ET的模拟贡献程度最大，仅输入净辐射时，AT-LSTM模型模拟得到的RMSE和MAE分别为0.014、0.007 mm/30 min，R为0.892，模型模拟精度较高，AT-LSTM模型模拟精度高，模型稳定性强，对蒸散量模拟预测具有一定的适用性，仅输入净辐射的AT-LSTM模型可以作为环境数据缺失条件下的蒸散量预测模型。 相似文献
13.
基于FAO-Blaney-Criddle方法的河套灌区参考作物蒸散发量估算 总被引：2，自引：0，他引：2
实时灌溉预报是河套灌区管理科学化与信息化的要求,利用天气预报中相对准确的气温数据估算参考作物蒸散发量对实时灌溉预报非常重要,因此需要建立一种基于温度的参考作物蒸散发量估算方法。利用 FAO-Penman-Monteith方法估算河套灌区解放闸灌域历史参考作物蒸散发量,以此作为标准值率定 FAO-Blaney-Criddle 公式中逐旬的修正系数,得到基于温度的参考作物蒸散发量估算方法。结果表明,在作物的生长季（4－9月）,FAO-Blaney-Criddle 方法与FAO-Penman-Monteith 方法的估算结果相近。率定期各旬相对误差均<5%,标准误差<0.65 mm/d,验证期各旬相对误差均<9%,标准误差<0.70 mm/d。10 d 滑动平均的参考作物蒸散发量估算精度,Nash 效率系数达到0.75,误差0.5 mm/d 的精确度达到了68%,误差在1 mm/d 以内的准确率达到95%。FAO-Blaney-Criddle 方法可以应用于河套灌区的灌溉预报中。另外,FAO-Blaney-Criddle 方法的参数具有较强的地区差异性,需要针对不同地区的气象数据进行率定和验证。 相似文献
14.
长时间序列气象数据结合随机森林法早期预测冬小麦产量 总被引：9，自引：7，他引：2
冬小麦生育早期的产量预测对于制定冬小麦整个生长期的精准管理决策具有重要参考意义。该文基于随机森林算法,采用1990—2015年河南省小麦平均拔节期至平均抽穗期地面观测气象数据与统计产量数据,分别提取不同穗分化期的温湿度、降水等47个气象要素和小麦种植区经纬度、高程3个空间要素,共计50个参数作为特征变量集,以实际单产、气象产量和相对气象产量分别作为目标变量,构建多种变量组合模型对冬小麦产量进行回归预测,并结合袋外数据重要性结果对产量影响因子进行分析。研究结果表明:1)使用气象产量和相对气象产量作为目标变量建模的预测效果优于单产模型,决定系数R~2均达到0.8以上,气象产量的平均绝对误差(mean absolute error,MAE)和均方根误差(root mean square error,RMSE)分别为415和558 kg/hm~2,相对气象产量的MAE和RMSE分别为0.07和0.09;2)相较于气象特征,空间特征在产量预测中起决定性作用,且小花分化期以及抽穗开花期的气象特征产量预测精度高于其他穗分化期;3)在气象特征中,利用袋外数据变量重要性得出平均温度、最低温度、负积温、最高温度在不同生育阶段对产量的影响程度。该研究结果为冬小麦生育早期产量预测提供了新的思路和方法。 相似文献
15.
潜在蒸散发是水文循环和能量循环的一项重要组成,准确估算蒸散发对农业水资源有效利用具有重要的理论和现实意义。为获得精度稳定可靠的蒸散发估计值同时只需较少的气象资料,以沂沭河上游流域(临沂控制站)为研究区,提出改进的双线性曲面回归模型(bilinear surface regression model,BSRM)计算站点的潜在蒸散量。以实测蒸发数据折算的陆面潜在蒸散量为标准,同时以彭曼公式(P-M)为参考与之对比,检验和评价3种BSRM模型的精度,并分析各气象因子对潜在蒸散量的影响。结果表明:3种BSRM模型中,基于日照百分率、气温和相对湿度建立的双线性曲面回归模型模拟精度最高,以基于日照百分率计算的太阳辐射、气温、相对湿度建立的双线性曲面回归模型次之,以基于Hargreaves-Allen方程计算的太阳辐射、气温和相对湿度建立的双线性曲面回归模型模拟精度最差。基于日照百分率、气温和相对湿度建立的BSRM模型的模拟精度略优于P-M公式,但所需的气象因子较少,计算方法简单;且受气象因子的变化影响较少,模拟精度稳定可靠,是一种有效的替代方法。 相似文献
16.
基于气象资料的日辐射模型在中国西北地区适用性评价 总被引：2，自引：2，他引：0
地表总辐射(Rs)是作物生长模型率定、蒸散量估算、灌溉制度制定和太阳能资源利用的重要基础数据。为有效提高辐射资源利用率,该文基于中国西北地区10个气象站点1993-2016年气象数据对9种不同日辐射模型进行适用性评价。采用非线性回归分析法对Bristow-Campbell(B-C)模型进行参数属地化修正,得到B-C校正模型。模型适用性评价结果表明:9种模型在西北地区的辐射模拟值和实测值均呈极显著相关(P0.01);基于日照时数的日辐射模型(?ngstr?m-Prescott、Ogelman、Bahel、Louche、Almorox-Hontoria、Glower-Mc Culloch,其R2介于0.875~0.954)计算精度高于基于温度的模型(Hargreaves-Samani、Annandale、Bristow-Campbell,其R2介于0.652~0.813);其中基于日照时数的模型中Bahel模型精度最高,其次是Ogelman和Glower-Mc Culloch模型,其RMSE分别为2.282、2.309和2.313 MJ/(m~2·d),n RMSE分别为14.0%、14.2%和14.2%,MAE分别为1.666、1.701和1.697 MJ/(m~2·d),Nash-Sutcliffe系数(NS)分别为0.905、0.903和0.902;基于温度的日辐射模型中B-C校正模型精度最高,其RMSE为3.819 MJ/(m~2·d),n RMSE为23.3%,MAE为2.680 MJ/(m~2·d),NS为0.741。因此,西北地区日辐射计算当仅有日照时数资料时推荐使用Bahel模型,当仅有温度资料时推荐使用Bristow-Campbell校正模型。 相似文献
17.
京津冀地区潜在蒸散量时空演变特征及归因分析 总被引：5，自引：5，他引：0
为了深入认识京津冀地区潜在蒸散量的时空变化特征及其对气候变化的响应,该研究基于京津冀地区23个气象站57 a逐日气象观测资料,应用Penman-Monteith公式计算各站点日潜在蒸散量(ET0),剖析ET0的时空变化特征,运用敏感性分析法定量研究ET0对各气象要素的敏感性及其时空变化特征,定量识别各气象要素变化对ET0变化的贡献。研究结果表明:1)京津冀地区ET0空间分布整体呈由南向北递减趋势(除中部地区的塘沽站、黄烨站与保定站点ET0较高外)。ET0整体呈下降趋势,线性趋势率为-0.92 mm/a。ET0变化趋势空间分布由西北向东南递减,以春季减幅最为明显。2)京津冀地区ET0对相对湿度的最为敏感(-0.44),其次为风速(0.31)、日照时数(0.28)与平均气温(0.26)。随时间推移,ET0对平均风速与相对湿度敏感性整体呈下降趋势,而ET0对平均气温与日照时数的敏感性逐渐增强。敏感性系数空间分布从西北到东南:风速与平均气温敏感性系数逐渐递增,而日照时数与相对湿度敏感性系数逐渐递减。3)风速变化对京津冀地区ET0变化的贡献最大,平均气温次之。风速为主导因素的站点个数随时间呈下降趋势,平均气温与日照时数为主导的站点个数随时间呈上升趋势,说明近年来平均气温与日照时数对潜在蒸散量变化的影响愈加明显,这可能是由于近年来京津冀地区雾霾尤其是冬季雾霾对日照时数、气温与风速的产生一定影响,进而影响ET0。 相似文献