共查询到16条相似文献，搜索用时 125 毫秒
1.
基于气温预报和HS公式的参考作物腾发量预报 总被引：4，自引：0，他引：4
罗玉峰;李思;彭世彰;王卫光;缴锡云;姜云鹭;顾宏 《排灌机械》2013,(11):987-992
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. 相似文献
2.
基于气温预报和HS公式的不同生育期参考作物腾发量预报 总被引：2，自引：0，他引：2
根据南京站2001-2011年实测气象数据,以Penman-Monteith(PM)公式计算得到的参考作物腾发量ET0值作为基准值,对仅需要气温数据计算参考作物腾发量的Hargreaves-Samani(HS)公式进行参数率定,采用率定后的HS公式依据2012年6月-2015年6月气温预报数据对南京水稻、冬小麦不同生育期未来1~7d的ET0进行预报,并与基于实测气象数据的PM法计算的ET0值进行比较,评价HS法的ET0预报精度。结果表明:最低、最高气温实测值与预报值相关系数分别为0.97和0.93,最低气温预报精度略高于最高气温;预见期1~7d内,水稻、冬小麦不同生育期ET0预报值与PM法计算值变化趋势基本一致,整个生育期内冬小麦ET0预报值与PM法计算值吻合程度更好,水稻、冬小麦相关系数分别达0.60、0.80左右;水稻各生育期平均准确率为66.0%~97.5%,平均绝对误差为0.65~1.22mm/d,均方根误差为0.76~1.42mm/d,冬小麦各生育期平均准确率为75.4%~99.5%,平均绝对误差为0.33~1.06mm/d,均方根误差为0.43~1.23mm/d;作物生育期各阶段对气温预报误差越敏感,ET0预报精度越低,随着生育期的推进,水稻对气温预报误差的敏感程度逐渐减小,相应的ET0预报精度逐渐增加,而冬小麦反之;但整体上预见期1~7d的气温预报及ET0预报精度达到可利用程度,可为快速灌溉预报及灌溉决策提供数据支撑。 相似文献
3.
基于气温预报和神经网络的参考作物腾发量预报 总被引：2，自引：0，他引：2
采用反向传播人工神经网络(BP-ANN)逼近气象因子-参考作物腾发量ET0函数关系,以天气预报中的最高和最低气温为输入进行短期ET0预报。收集了南京站实测的2010年7月1日至2013年7月7日逐日气象数据和2012年7月1日至2013年6月30日逐日对未来7d的气象预报数据,以最高、最低气温及相应的日序数为3个输入因子,ET0为输出建立一个包含一个隐含层的3层BP网络,以2010年7月1日至2012年6月30日实测气象数据及通过FAO-56PM公式计算的ET0进行网络,以2012年7月1日至2013年6月30日实测气象数据及通过FAO-56PM公式计算的ET0进行网络验证。将2012年7月1日至2013年6月30日逐日对未来7d的气象预报中的最高、最低气温输入训练及验证后的网络,得到2012年7月1日至2013年6月30日逐日对未来7d的ET0预报值,并与FAO-56PM公式计算的ET0值进行比较以验证预报精度。结果表明,预见期1~7d内,预报的ET0和计算的ET0变化趋势基本一致,预报精度随着预见期的增加而降低;平均准确率(±1.5mm/d以内)达88.08%,相关系数为0.77,均方根误差为1.28mm/d,显示出了较高的预报精度。在局部时间段内出现的ET0,PM和预报ET0的较大差别的原因是该时段内的ET0更多地受到除了日最高和最低气温之外的其他因素的影响。提出的方法 ET0预报,随着气象预报准确度的提高,可实现较为精确的ET0预报。 相似文献
4.
为了提出适合我国三江平原的高精度ET0预报方法,基于该区6个气象站点的天气预报数据和实测气象数据,以FAO56-Penman-Monteith(FAO56-PM)公式计算值为基准,比较Hargreaves-Samani(HS)、Thornthwaite(TH)和Blaney-Criddle(BC)3个ET0预报模型的效果,对最优模型进行敏感性分析。结果表明:3个模型1~7 d预见期平均绝对误差均值分别为0.66、0.65、0.65 mm/d,均方根误差分别为0.93、0.96、0.95 mm/d,相关系数分别为0.857、0.828、0.840。1~5 d预见期最优预报模型为HS模型,6~7 d为TH模型。总体上预报精度由高到低为HS、TH、BC模型,建议采用HS模型在三江平原开展ET0预报,HS模型预报对最高温预报的敏感性大于最低温。其预报值在夏季受温度预报误差影响最大,冬季最小,4季整体误差较小。研究可为灌溉预报提供较准确的数据基础。 相似文献
5.
基于天气预报的参照作物腾发量中短期预报模型研究 总被引：2，自引：0，他引：2
以新乡市1970—2011年逐日实测气象资料代入FAO 56 Penman-Monteith(PM)方法算得的ET0作为基准值,对HG、P-T、M-K、M-C模型进行参数修正,将新乡市2012—2014年冬小麦生育期间预见期为1、3、5、7、10d的天气预报数据代入修正后的模型进行ET01~10 d的中短期预报,并以2012—2014年冬小麦生育期间逐日实测气象资料由PM公式算得的ET0为基准值,对天气预报的精度及ET0的预报精度进行评价。结果表明:经过参数修正后HG、P-T、M-K、M-C模型的精度均有提高;最高气温、最低气温、风速、日照时数的预报精度均随预见期的增加呈逐渐下降趋势,最低气温预报的精度稍高于最高气温;不同预见期的ET0预报模型中,P-T模型预报的ET0平均准确率在众模型中较高(95.06%),其次为HG-M模型(94.66%)、PMT1模型(94.34%)、M-K模型(93.89%),且P-T、HGM两种模型计算程序较简单,因此优选P-T、HG-M模型进行ET0的中短期预报。 相似文献
6.
《节水灌溉》2014,(1)
为探索精确预报未来短期参考作物腾发量(ET0)的方法,提出基于天气预报和Penman-Monteith(PM)公式进行ET0预报。收集了南京2012年5月24-2013年1月31日逐日对未来7d的气象预报数据,在气温预报的基础上,将风力等级和天气类型转换成平均风速和日照时数后,采用简化的PM公式进行逐日ET0预报,并与用实测气象数据和PM公式计算的ET0值进行比较。结果表明,预见期1~7d内,ET0预报值与计算值的变化趋势基本一致,率定期和验证期准确率分别达66.3%和94.0%,均方根误差分别为1.51mm/d和0.93mm/d,但相关系数仅为0.55和0.44。误差的原因在于风力预报和天气类型预报准确度较低。提出的方法具有一定物理基础和数据较为容易获取的优点,为较准确地预报ET0进行了有益的探索。 相似文献
7.
8.
基于数值天气预报后处理的参考作物蒸散量预报改进 总被引：2，自引：0，他引：2
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（Global ensemble forecast system,GEFSv2）预报气象因子进行偏差校正的方法（M3）。该方法使用太阳辐射、最高和最低气温、相对湿度和风速集合分别对每个气象因子进行重预报,再计算ET0。使用等距离累积分布函数（EDCDFm,M1）和单气象因子输入的LightGBM法（M2）对模型精度进行评估。结果表明,GEFSv2的预报因子与相应的观测气象因子之间存在不匹配问题,其不匹配程度因气象因子不同而不同,太阳辐射的匹配度较高,相对湿度的匹配度较低。M3模型有助于缓解数据不匹配问题。M1、M2和M3方法在9站点预报ET0的平均均方根误差（RMSE）分别介于0.66~0.93mm/d、0.57~0.83mm/d和0.53~0.79mm/d,平均绝对误差（MAE）分别介于0.44~0.61mm/d、0.38~0.56mm/d和0.35~0.53mm/d,决定系数（R2）分别介于0.82~0.91、0.84~0.93和0.86~0.94。3种方法均在夏季误差最大,1~16d平均RMSE分别为1.21、1.18、1.04mm/d。各预报因子中太阳辐射对ET0预报误差影响最大,其后依次是风速、最高气温、相对湿度和最低气温。在后处理过程中,NWP的最高气温预报值对其他因子预报精度的贡献最大、对相对湿度预报精度的贡献最小。建议在进行NWP偏差校正时,应考虑数据不匹配问题,通过多因子校正来弥补预报精度的不足。 相似文献
9.
基于Web的江苏省逐日参考作物腾发量预报系统 总被引：1，自引：0，他引：1
为促进短期参考作物腾发量(ET0)预报在实时灌溉决策的应用,开发了一个基于Web的江苏省逐日ET0预报系统。系统采用服务器脚本语言PHP和快速的关系数据库管理系统My SQL来简单和有效地获取国家气象台发布的天气预报数据,然后导入系统数据库并通过率定的Hargreaves-Samani公式来预报未来15 d江苏省23个气象站点的参考作物腾发量ET0值。用户可直接登录网址免费查询江苏省各个气象站点未来15 d的ET0预报值。系统采用B/S网络结构,使用率定的HS公式来计算预报ET0值,具有页面简洁、预报精确度高的特点。ET0预报可用于各种作物需水量预报,为灌溉决策提供科学依据。 相似文献
10.
为提出高精度适合广东青年运河灌区参考作物腾发量(ET0)预报方法,制定精准的灌溉预报,降低农业用水量,本研究以灌区内的湛江站为研究对象,收集了该站点2003-01-01-2017-05-31逐日气象观测数据和2016-01-01-2017-05-31日的预见期为7 d的逐日公共天气预报数据,采用FAO-56 Penman-Monteith计算值作为基准,比较Hargreaves-Samani(HS)法、简化Penman-Monteith(PT)、逐日均值修正法的预报效果.结果表明:以上3种方法1~7 d预见期平均绝对误差平均值分别为0.908 3,0.903 1,0.947 9 mm/d,平均绝对误差分别为1.099 1,1.099 9,1.192 4 mm/d,相关系数分别为0.649 5,0.649 8,0.615 9,PT法的平均绝对误差以及相关系数均最好.就每个预见期而言,1~5 d预见期的最优预报方法均为PT法,6~7 d为HS法.因此,建议采用PT法进行青年运河灌区的ET0预报. 相似文献
11.
基于公共天气预报的参考作物腾发量预报 总被引：1，自引：0，他引：1
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. 相似文献
12.
为探究不同数值模拟模型在川中丘陵区的适应能力,提高川中丘陵区气象资料缺失下的参考作物蒸散量(ET0)预报精度。选取7个代表性站点1961-2016年逐日气象资料,分别建立基于M5回归树(M5-RT)、双隐含层优化的反向传播神经网络(H-BPNN)和交叉验证优化的广义回归神经网络(CV-GRNN)的ET0预报模型。并选取3个在川中丘陵区具有较高精度的经验模型与其进行对比,在日尺度上评估模型的预报精度,利用可移植性分析评价3种模型在川中丘陵区的泛化能力。结果表明:①基于温度、风速和大气顶层辐射输入的M5-RT2、CV-GRNN2和H-BPNN2模型都具有较高的模拟精度,其R\+2分别为0.987、0.967和0.988,NSE分别为0.987、0.937和0.988;②日尺度误差分析表明,4类输入项组合下,M5-RT模型最优,H-BPNN模型次之,CV-GRNN模型最差,但3种模型的均方根误差均小于0.5 mm/d、平均相对误差均小于13.59%,优于Jensen-Haise、Hargreaves-Li和Irmak-Allen模型,M5-RT2(输入大气顶层辐射、最高/低温度和风速)、M5-RT3(输入最高/低温度和风速)和M5-RT4(输入大气顶层辐射和风速)在川中丘陵区内具有广泛的适应性,均可作为气象数据缺失下川中丘陵区ET0预报的推荐模型;③可移植性分析发现,训练、预测站点交叉组合下,3种模型的预报精度都有降低,但M5-RT泛化能力最强,模拟输出稳定,H-BPNN和CV-GRNN在ET0大于6 mm/d时出现明显截断误差,预测值普遍偏小,同时CV-GRNN模拟结果于标准值的趋势线斜率较小,模拟数值整体偏小。基于M5回归树的ET0预报模型在川中丘陵区具有较高精度,模拟结果稳定,可作为推荐的ET0简化模拟模型。 相似文献
13.
14.
西北地区冬小麦腾发量估算模型适用性评价 总被引：1，自引：0，他引：1
为实现对西北地区冬小麦腾发量(ET)的准确估算,在对不同生育期ET的影响因子进行分析后分别采用双作物系数模型、单作物系数模型和Priestley-Taylor(PT)模型模拟ET,并以大型蒸渗仪实测ET为标准值对比其精度.结果表明:气象因子是播种-返青(Ⅰ期)和抽穗-乳熟(Ⅲ期)ET的主导因子,作物因子是乳熟-收获(Ⅳ期)ET的主导因子,2种因子对返青-抽穗(Ⅱ期)和全生育期ET的驱动作用相近;Ⅰ期双作物系数模型、单作物系数模型和PT模型的R2分别为0.511 8,0.239 3,0.374 2,RMSE变化范围为0.284 6~0.366 3 mm/d,总体评价指标GPI排名分别为1,3,2;Ⅱ期3个模型的R2均在0.700 0 以上,RMSE为0.540 9~0.844 0 mm/d,双作物系数模型模拟效果最好;Ⅲ期各模型的R2均高于0.600 0,RMSE为0.828 8~1.258 7 mm/d,双作物系数模型GPI排名第1;Ⅳ期3个模型的R2分别为0.799 1,0.671 6,0.270 8,RMSE为0.968 1~1.946 2 mm/d,作物系数模型模拟精度明显高于PT模型;全生育期各模型RMSE为0.551 5~0.893 6 mm/d,双作物系数模型的R2达到0.902 2. 相似文献
15.
降水预报准确率对变量灌溉水分管理的影响 总被引：1，自引：0，他引：1
为充分利用降水,提高变量灌溉水分管理精度,将降水预报信息与变量灌溉制度结合生成变量灌溉处方图,在评估2016年和2017年不同降水等级预报准确率的基础上,研究了未来3 d降水预报信息对冬小麦和夏玉米变量灌溉制度的影响.结果表明,两年冬小麦和夏玉米生育期内,预见期1,2,3 d的降水预报信息准确率差异不大,无雨预报准确率最高,两年平均为83.3%,大雨和暴雨次之,为51.7%,中雨预报准确率最差,为23.0%.结合降水预报信息制定变量灌溉制度,2016年冬小麦和2017年夏玉米生育期内分别减少灌水量8 mm和16 mm.根据目前预报信息准确率,建议无雨和小雨预报时,直接按设计灌水定额灌溉;中雨预报时,可采用灌水定额的80%实施灌溉;大雨和暴雨预报时,可适当推迟灌溉. 相似文献