共查询到18条相似文献，搜索用时 203 毫秒
1.
基于BCC_CPSv2模式的淮河流域月参考作物蒸散概率订正预报 总被引：1，自引：1，他引：0
参考作物蒸散预报（Reference Evapotranspiration,ET0）在农业水资源配置、区域干湿演变评估方面有着重要作用。该研究基于国家气候中心第二代气候预测系统（Beijing Climate Center second-Generation Climate Prediction System,BCC_CPSv2）模式预报数据和1991－2020年淮河流域地面气象观测数据,利用分位数映射法对模式预报的气象要素进行概率订正,采用Penman-Monteith公式计算ET0,并评估了订正前后BCC_CPSv2模式对淮河流域月ET0和气象要素的预报性能。结果表明：1）模式对平均气温、净辐射和相对湿度的预报值较观测值偏小,风速预报值在3－6月偏小,其他月份偏大,4个气象要素预报的均方根误差（Root Mean Square Error,RMSE）分别为1.84℃、1.70 MJ/m2d、15.8%和1.39 m/s;气象要素预报偏差导致2－6月ET0预报值较计算值偏小,1月和7-12月偏大,区域平均RMSE为0.59 mm/d,绝对百分比误差（Mean Absolute Percentage Error,MAPE）为21.9%。2）概率订正有效降低了气象要素和ET0的预报误差。气温、净辐射、相对湿度和风速预报订正值的RMSE比订正前减小了0.52℃、0.96 MJ/m2d、8.4%和0.86 m/s;80%月份ET0预报订正值的RMSE小于订正前,区域平均RMSE减小了0.23 mm/d,MAPE减小了11.2%。3）夏半年和冬半年ET0预报误差的首要来源分别是净辐射和相对湿度,主要是由于模式对这2个要素的预报精度较低且ET0对其敏感,误差容易传递。4）基于模式概率订正的月尺度ET0预报方法精度较高,可以为水资源优化管理、灌溉制度制定和农业中长期需水决策提供科学参考。 相似文献
2.
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
3.
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
4.
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
5.
气象要素时间分辨率对参考作物蒸散估算的影响 总被引：2，自引：1，他引：2
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%。 相似文献
6.
为了确定通用性园艺作物发育期和采收期模拟模型的最优模拟路径,该研究获取了9 a 58茬分期播种试验观测数据,分别以黄瓜（‘津优 35’和‘津盛206’）、番茄（‘瑞粉 882’和‘普罗旺斯’）、芹菜 （‘尤文图斯’）、菠菜（‘大叶’）、香芹（‘四季’）、郁金香（‘粉色印象’、‘白日梦’、‘艾斯米’和‘夜皇后’）、茶叶（‘龙井’）为供试材料,依据作物生长发育与关键气象因子（辐射和温度）的关系,基于4类建模方法（温差法、积温法、生理发育时间法和辐热积法）构建了园艺作物发育期和采收期模拟模型,确定了模型关键参数,并以4种方式（平均值、最值均值、中值和逐步回归）集成模拟结果,最终确定模型最优模拟路径。结果表明：1）不同时间尺度发育期和采收期模拟模型的均方根误差（root mean square error,RMSE）为4.85～17.01 d,归一化均方根误差（normalized root mean square error,NRMSE）为10.65%～16.31%;不同作物发育期和采收期模拟模型的RMSE为0.50～17.08 d,NRMSE为4.33%～20.24%,郁金香发育期模拟模型最优,黄瓜采收期模拟模型最优;不同模拟方法发育期和采收期模拟模型的RMSE为0.08～24.37 d,NRMSE为0.18%～54.81%。2）通过比较不同模拟方法的模拟精度,得出逐时优于逐日时间尺度,集成方法优于单一方法模拟,正弦优于线性温度响应模式,叶温优于气温温度形式,温度响应模拟需要考虑下限和上限温度。3）最优模拟路径为先选择逐时尺度、考虑生物学下限和上限温度的正弦温度响应模式和叶温温度形式构建模型,再选择集成法优化发育期（中值集成）和采收期（逐步回归集成）模型。研究结果为指导园艺作物智慧生产管理和高效利用农业资源方面提供理论基础和技术支撑。 相似文献
7.
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
8.
通过GM(1,1)模型拟合土壤水分变化趋势、傅里叶变换提取周期分量和AR(p)模型模拟随机过程,所建立的集成预报模型对荒地土壤水分的模拟精度高于已耕作的麦田,总体相对误差减少33%～106%.麦田和荒地土层愈深,模拟精度愈高.麦田和荒地不同深度的土体模拟值总体误差分别为±7.4%～±16.8%、±5.56%～±8.15%.同时运用集成预报模型预报了麦田和荒地未来某一时刻的0～60cm土体含水量. 相似文献
9.
为评价小麦模型算法集成平台（wheat model algorithms integration platform, WMAIP）在华北平原区的适应性,该研究利用华北平原区4个典型试验站多年试验数据,对WMAIP组成的16个模型进行调参和验证,并利用归一化均方根误差（normalized root mean squared error, NRMSE）选择最优模型,最后评价WMAIP集成模型在华北平原区的适应性。WMAIP中组合的16个模型均能有效地模拟土壤水分动态和冬小麦生长发育指标。发育期模拟误差小于4.2%;2 m土层土壤贮水量模拟误差小于7.0%;生物量和产量模拟误差分别在17.3%～23.7%和10.8%～20.8%之间。单个模型的模拟性能不稳定,调参与验证结果的最优模型存在差异。模型集成可降低华北平原区冬小麦产量的模拟误差,用于集成的模型数量越多,模拟误差越小,选择6个模型进行集成就可获得近似田间试验的模拟误差。以16个组合模型模拟结果的均值作为集成模型的结果,得到生物量和产量的模拟误差分别为18.7%和11.8%。结果表明,WMAIP在华北平原区有较好的适应性,可用于华北平... 相似文献
10.
基于机器学习的遮荫设施内参考作物蒸散量估算 总被引：2，自引：2，他引：0
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。 相似文献
11.
主成分分析和长短时记忆神经网络预测水产养殖水体溶解氧 总被引：16，自引：11，他引：5
为了提高水产养殖溶解氧预测的精度,提出了基于主成分分析(principal component analysis,PCA)和长短时记忆神经网络(long short-term memory,LSTM)的水产养殖溶解氧预测模型。首先通过主成分分析提取水产养殖溶解氧的关键影响因子,消除了原始变量之间的相关性,降低了模型输入向量维度;然后,在Tensorflow深度学习框架的基础上建立LSTM神经网络的水产养殖溶解氧预测模型;最后,利用该模型对浙江省淡水水产养殖研究所综合实验基地某池塘溶解氧进行验证。试验结果表明:该模型与BP神经网络等其他浅层模型相比,模型评价指标平均绝对误差、均方根误差和平均绝对误差分别为0.274、0.089和0.147,均优于传统的预测方法;该模型具有良好的预测性能和泛化能力,能够满足水产养殖溶解氧精确预测的实际需要,可以为水产养殖水质精准调控提供参考。 相似文献
12.
基于PCA-SVR-ARMA的狮头鹅养殖禽舍气温组合预测模型 总被引：3，自引：2，他引：1
为提高狮头鹅养殖禽舍气温预测精度,提出了基于主成分分析(Principal Component Analysis,PCA)、支持向量回归机(Support Vector Regression,SVR)融合自回归滑动平均(Autoregressive Moving Average,ARMA)模型的狮头鹅养殖禽舍气温组合预测模型。在建模过程中,运用主成分分析法筛选狮头鹅养殖禽舍气温的关键影响因子,消除变量之间冗余信息,约简预测模型结构;采用SVR-ARMA构建狮头鹅禽养殖舍气温组合预测模型,先通过SVR对气温进行预测,再由基于ARMA模型的残差预测值修正气温预测结果。利用该模型对广东省汕尾市2018年7月21日至2018年7月30日期间的狮头鹅养殖禽舍气温进行预测。结果表明,该组合预测模型取得了良好的预测性能,与标准BP神经网络、标准SVR、PCA-BPNN(反向传播神经网络,BackPropagationNeuralNetwork)、PCA-SVR和PCA-BPNN-ARMA等模型对比分析,其评价指标平均绝对误差、均方根误差和平均绝对百分比误差分别为0.183 2℃、0.454 0℃和0.005 9,均表明所提出的组合模型具有更高的预测效果,不仅能够满足狮头鹅养殖禽舍气温实际精准调控的需要,还为狮头鹅健康养殖和种苗繁育环境精细化管理提供决策。 相似文献
13.
基于集合经验模态分解和人工蜂群算法的工厂化养殖pH值预测 总被引：8，自引：5，他引：3
针对单一预测模型预测养殖pH值精度低等问题,提出集合经验模态分解(ensemble empirical mode decomposition,EEMD)和改进人工蜂群算法(improve artificial bee colony,IABC)相结合的南美白对虾工厂化养殖pH值组合预测模型。在建模过程中,利用EEMD算法对原始pH值时间序列进行多尺度分解,得到一组平稳、互不耦合的子序列;根据各子序列变化特征选择适宜的单项预测方法并建模,通过改进人工蜂群(IABC)算法优化复杂非线性组合预测模型目标函数权重系数,构建了工厂化养殖pH值非线性组合预测模型。利用该模型对广东省湛江市2014年9月8日-2014年9月15日期间工厂化养殖pH值进行预测,结果表明,该预测模型取得了较好的预测效果,与模拟退火优化BP神经网络(simulated Annealing-BP neural network,SA-BPNN)和遗传算法优化最小二乘支持向量回归机(genetic algorithm-least square support vector regression,GA-LSSVR)对比分析,模型评价指标平均绝对百分比误差MAPE、均方根误差、平均绝对误差MAE和相关系数R2分别为0.0035、0.0274、0.0224和0.9923,均表明该文提出的组合预测模型具有更高预测精度,能够满足实际南美白对虾工厂化养殖pH值精细化管理需要,也为其他领域pH值预测提供参考。 相似文献
14.
多元自适应回归样条算法模拟川中丘陵区参考作物蒸散量 总被引：2，自引：2，他引：0
参考作物蒸散量(reference crop evapotranspiration, ET_0)是作物精准灌溉管理与农业高效用水的核心参数。为提高川中丘陵区气象资料缺省下的ET_0预报精度,利用不同的气象因子组合,建立15种基于多元自适应回归样条算法(multivariate adaptive regression splines, MARS)的ET_0预报模型。选取11个代表性气象站点1961—2016年逐日气象资料进行分析,将其与其他ET_0预报模型进行对比,并利用可移植性分析评价MARS模型在川中丘陵区的适用性。结果表明:基于温度和风速项输入的MARS_5(输入大气顶层辐射、最高气温、最低气温、2m处风速)、MARS_9(输入最高气温、最低气温、2 m处风速)和MARS_(13)(输入最高气温、2 m处风速)模型,以及仅基于风速项输入的MARS_(15)模型都具有良好的模拟精度;大气顶层辐射和风速是决定机器学习模型地域性适应能力的关键;引入大气顶层辐射后,MARS_6(输入大气顶层辐射、最高气温、最低气温、相对湿度)、MARS_7(输入大气顶层辐射、最高气温、最低气温、日照时长)、MARS_8(输入大气顶层辐射、最高气温、最低气温)模型均优于相同气象因子依赖下的Irmak-Allen、Irmak、Hargreaves-M4模型;通过可移植性分析发现,在训练站点和测试站点的随机交叉组合下,MARS_5模型保持了较高的精度(纳什效率系数和决定系数均大于0.985),且输出较为稳定的模拟结果,均方根误差变化范围为0.121～0.193 mm/d,平均相对误差变化范围为2.7%～4.2%。因此,基于多元自适应回归样条算法的ET_0预报模型可作为川中丘陵区ET_0预报的推荐模型。 相似文献
15.
采用改进长短时记忆神经网络的水产养殖溶解氧预测模型 总被引：1，自引：4，他引：1
为了精确预测水产养殖溶解氧变化趋势,该研究提出了基于K-means聚类和改进粒子群优化(Improved Particle Swarm Optimization,IPSO)的长短时记忆(Long Short-term Memory,LSTM)神经网络预测模型。根据环境因子间的相似度,应用改进的K-means聚类算法将环境数据划分为若干类。在此基础上,基于LSTM神经网络算法构建改进的水产养殖溶解氧预测模型,并引入改进粒子群优化算法对模型参数进行优化,以减少经验选取参数的盲目性。在不同天气状况下利用该模型对溶解氧进行预测。试验结果表明,在良好天气情况下,该模型预测误差曲线波动较小,预测精度更高。当天气发生突变时,溶解氧预测模型评价指标平均绝对百分误差、均方根误差、平均绝对误差和纳什系数分别为0.129 5、0.645 3、0.461 3和0.902 2。该模型一定程度改善了天气突变状况下的数据缺失、鲁棒性差等问题。 相似文献
16.
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
17.
基于K-means 聚类和ELM神经网络的养殖水质溶解氧预测 总被引：8，自引：5，他引：3
为解决养殖水质溶解氧预测传统方法引入不良样本、精度低等问题,该文以2014、2015年江苏常州养殖基地水质和气象数据为基础,提出了一种基于K-means聚类和ELM神经网络（extreme learning machine,ELM）的溶解氧预测模型。采用皮尔森相关系数法确定环境因素与溶解氧的相关系数,自定义相似日的统计量－相似度,通过K-means聚类方法将历史日样本划分为若干类,然后分类识别获得与预测日最相似的一类历史日样本集,将其与预测日的实测环境因素作为预测模型的输入样本建立ELM神经网络溶解氧预测模型。试验结果表明,该模型均具有较快的计算速度和较高的预测精度,在常规天气下,平均绝对百分误差和均方根误差分别达到1.4%、10.8%;在突变天气下,平均绝对百分误差和均方根误差分别达到2.6%和11.6%,有利于水产养殖水质精准调控。 相似文献
18.
现代农用天气预报业务及其有关问题的探讨 总被引：2，自引：0，他引：2
为了更好地开展现代农业气象业务,提升气象为农服务能力,文章从涵盖农林牧副渔的大农业生产需求出发,阐述了现代农用天气预报的定义、原理、业务内容、技术方法与工作流程,并就其业务范围、预报时效、区域业务重点等展开讨论.文章指出,现代农用天气预报业务基于农业生产与天气的相关性、农事的可选择性和天气预报能力的不断提高,其主要特征发生了较大变化,一是强调天气预报、农业气象指标和农业气象评价技术的结合,而不仅仅是对农用天气的预报;二是业务涉及面广泛,除了为粮棉油生产服务的传统农用天气预报外,还包括林用、牧用、渔用、设施农业天气预报等;三是预报能力明显提高,对出现的时间、地点和数量预报已逐步实现精细化;四是主要业务在现代信息技术和业务系统上运行,定量化和客观化水平更高.文章认为,农用天气预报业务应明确业务范围,突出区域特点和工作重点,并注重业务产品的时效性和实用性. 相似文献