基于单作物系数法的温室秋季生菜蒸散量估算及验证

【目的】基于单作物系数法估算温室秋季生菜蒸散量。【方法】通过2021—2022年温室秋季生菜试验,根据各生育期影响因素修正FAO-56推荐作物系数值,即生育前期根据ET0值和灌溉频率修正,生育中期和生育后期根据气象因素和株高修正,并采用单作物系数法对温室生菜蒸散量进行估算,以称重式蒸渗仪实测蒸散量ETcm为标准值对蒸散量估算值ETcs进行验证。【结果】不同试验年度逐日ET0均呈逐渐降低变化趋势,介于1.18~2.44 mm/d。温室生菜作物系数修正值(Kc adj)和实测值(K_(c loc))均在生育前期最高,2 a均值分别为0.74±0.13和0.76±0.13;进入快速发育期后二者均呈降低趋势,并在生育中后期逐渐稳定在0.5~0.6。各生育阶段的Kc adj较FAO推荐值(Kc FAO)更接近实测值(K_(c loc)),Kc adj和K_(c loc)相对误差介于-6.7%~5.4%。应用修正单作物系数法估算温室秋季生菜ETcs与实测ETcm的日均值分别为1.310 mm/d和1.283 mm/d,决定系数(R^(2))、平均绝对误差(MAE)、均方根误差(RMSE)、一致性指数(d)分别为0.975、0.176 mm/d、0.222 mm/d、0.955。【结论】修正单作物系数法能够较为准确的估算温室秋季生菜蒸散量。

2005-2020年亚洲中部干旱区生态站月潜在蒸散量数据集

潜在蒸散表征大气蒸发能力,是衡量区域蒸发能力的重要指标,也是评价气候干旱程度变化、水资源供需平衡、植被耗水量等的关键参数。在收集中亚生态系统监测网络12个生态站和中国生态系统研究网络(CERN)11个位于西北干旱区生态站的气象观测数据基础上,经过数据质量控制与插补,采用Penman-Monteith模型计算潜在蒸散量,生成了2005-2020年亚洲中部干旱区生态站月潜在蒸散量数据集。本数据集时间序列较长、覆盖多种生态系统类型,可作为亚洲中部干旱问题研究的基础数据、模型输入数据、模拟结果验证数据等,也可为该区域水资源的合理开发与利用、生态环境保护等方面研究提供数据支撑。

基于实际蒸散量修订标准化降水蒸散干旱指数研究

为改进SPEI在农业干旱监测中的效果,从水分平衡的角度提出了一种修订的标准化降水蒸散指数(MSPEI).该指数通过计算降水与实际蒸散量的差值,并基于最长连续干旱时间对差值进行自适应修正,采用目视检查概率拟合曲线与Kolmogorov-Smirnov检验2种方法选择适宜分布函数,最后进行标准化转换生成干旱指数.干旱指数有效性检验表明:MSPEI能够准确反映不同季节间干湿状态的差异,在湿润比例低于20%的春季,MSPEI均低于-0.5;在反映干旱趋势时,MSPEI与SPEI具有高度一致性;MSPEI与植被指数具有稳定且较高的相关性,在0.57~0.78之间;在典型干旱过程监测中,MSPEI对旱灾发生、发展和解除过程的描述更符合实际.MSPEI适应于不同气候背景,无需选择时间尺度,即可较准确地反映农业干旱演化过程.

基于时域卷积网络与Transformer的茶园蒸散量预测模型

在茶园水资源管理中,蒸散量(Evapotranspiration,ET)是评估作物水分需求的关键指标,由于茶园蒸散量预测具有时序性、不稳定性以及非线性耦合等特点,目前的茶园蒸散量预测模型存在预测精度较低的问题,针对此问题本文提出了一种新型的茶园蒸散量预测模型。首先使用互信息算法(Mutual information,MI)与主成分分析算法(Principal component analysis,PCA)相融合的数据处理算法(MIPCA),筛选强相关的特征并提取主成分;其次将时域卷积网络(Temporal convolutional network,TCN)与Transformer融合,利用灰狼算法(Grey wolf optimization,GWO)优化超参数,捕捉茶园数据的全局依赖关系;最后整合2个网络构建了MIPCA-TCN-GWO-Transformer模型,通过消融试验和对比试验验证了模型性能,并对模型在不同时间步长下的性能进行测试。结果表明,该模型平均绝对百分比误差(Mean absolute percentage error,MAPE)、均方根误差(Root mean square error,RMSE)和决定系数(Coefficient of determination,R^(2))3个评价指标分别为0.015 mm/d、0.312 mm/d和0.962,优于长短期记忆模型(Long short term memory,LSTM)等传统预测模型。在小时尺度、日尺度和月尺度下的R^(2)分别为0.986、0.978和0.946,在不同时间步长下展现了良好的适应性和准确性。本文构建的MIPCA-TCN-GWO-Transformer模型具有较高的预测精度和稳定性,可为茶园水资源优化管理和灌溉制度制定提供科学参考。

基于冠气温差的温室黄瓜蒸散量模拟

通过建立基于不同时刻冠气温差(T c-T a)的温室黄瓜日蒸散量(ET c)估算模型,分析了基于不同时刻T c-T a对估算ET c的准确性;同时,基于T c-T a构建了估算黄瓜不同生育期ET c的Jackson模型,并将模型估算结果与基于冠层阻力参数(r c)的Penman-Monteith模型及蒸渗仪实测数据进行比较,结果显示,基于14:00的T c-T a构建的Jackson模型,估算温室黄瓜ET c的精确度最高(R 2为0.937),误差最小(RMSE为0.722 mm/d);相比Penman-Monteith模型(R 2为0.964),基于T c-T a的Jackson经验模型对黄瓜ET c估算结果与实测值相关性更高(R 2为0.967),误差更小(RMSE为0.735 mm/d).研究结果可为温室ET c模拟以及节水灌溉智能决策提供科学依据.

基于Stacking集成学习模型的苹果树逐日蒸散量模拟研究

为准确模拟苹果树逐日蒸散量,以支持向量机(SVM)、多层感知机(MLP)、随机森林(RF)和梯度提升决策树(GBDT)为初级学习器,以多元线性回归(MLR)为次级学习器,基于Stacking策略建立集成学习模型(LSM),将LSM模型的模拟精度与MLR、SVM、MLP、RF、GBDT模型的模拟精度进行对比。结果表明,影响苹果树蒸散量的主要因子为日平均太阳辐射、相对湿度、风速、温度和日序数,最大互信息值分别为0.97、0.72、0.63、0.62、0.60,表层土壤温度及土壤含水率对蒸散量的影响较小。相比于MLR、SVM、MLP、RF、GBDT模型,LSM模型的模拟精度最高,MLR模型的模拟精度最低;使用日平均太阳辐射、相对湿度、风速、温度及日序数5个特征参数在准确模拟苹果树蒸散量的同时,还能降低特征的获取成本。研究结果可为苹果树逐日蒸散量的精准模拟提供有效方法。

MARS模型在渭河流域参考作物蒸散量计算中的适应性研究

为有效提高气象资料缺失时渭河流域参考作物蒸散量(ET_(0))计算精度,选取流域及附近20个气象站58 a(1960-2017年)逐日气象资料,基于不同气象要素组合,构建16种基于多元自适应回归样条(MARS)的ET_(0)计算模型,并将计算结果与Hargreaves-Samani、Makkink和Irmark-Allen模型进行对比,评价MARS模型在渭河流域的适应性及可移植性。结果表明:MARS模型能很好地甄别ET_(0)与各输入因子间的非线性关系,MARS2(T_(max)、T_(min)、R_(a))计算精度(平均MAE为0.225 mm/d,平均RMSE为0.327 mm/d,平均R2为0.897)能满足应用要求,模型精度随输入气象要素数量的增加而升高;输入因子中引入地球外辐射R_(a),可明显提高MARS模型精度;在输入因子相同时,MARS模型精度高于Hargreaves-Samani、Irmark-Allen和Makkink模型;MARS模型在渭河流域具有很强的泛化能力和可移植性。因此,气象资料缺失时基于MARS建立的ET_(0)计算模型可作为渭河流域ET_(0)计算的推荐模型。

元谋干热河谷1988—2022年参考作物蒸散量的演变趋势及其影响因素

为研究元谋干热河谷地区参考作物蒸散量的变化及其影响因素,以元谋干热河谷1988—2022年气象站点逐日气象数据为基础,采用敏感度分析、贡献率分析、主成分分析、通径分析、分层聚类分析、灰色关联度等定量和定性的方法分析元谋干热河谷参考作物蒸散量变化规律及其影响因素。结果表明:近35 a,元谋干热河谷年度、旱、雨季参考作物蒸散量均呈显著上升趋势(Z>1.96),每10 a增幅分别为18.663、3.903、14.761 mm,增幅表现为雨季大于旱季,2008年既是年度参考作物蒸散量转折点也是突变点,旱、雨季的参考作物蒸散量无突变点;主成分分析结果显示,根据综合得分系数和权重对8个气象因子进行排序,从大到小依次为,日最高气温、日平均气温、日相对湿度、日照时间、日最低气温、日平均风速、日平均降水、实际水汽压;聚类分析结果将8个气象要素划分为6类,灰色关联度值计算结果与主成分分析结果一致,灰色关联度和主成分分析互相验证;元谋干热河谷的年度参考作物蒸散量主要受到日最高气温的影响,而在不同季节,参考作物蒸散量的主导因素不同。

淮北平原36种参考作物蒸散量估算方法适用性研究

为分析不同参考作物蒸散量估算方法在淮北平原的适用性,以FAO56 Penman-Monteith(FAO56PM)模型为标准,基于五道沟实验站2009-2022年气象观测数据,选取6种统计指标,从日、月尺度综合分析。结果表明,所有方法中,日尺度下FAO24Penman(FAO24PM)法、1996 KiM-Berly Penman(K-P)法、Pristley-Taylor(P-T)法最优,月尺度下FAO24PM法、P-T法、Debruin-Keijman(D-K)法最优;综合法最优,其次依次为辐射法、质量传输法和温度法;综合法中FAO24PM法最优,辐射法中P-T法最优,温度法中FAO24BC法最优,质量传输法中Mahringer法日尺度下最优,Trabert法月尺度下最优。因此,当数据资料充足时推荐FAO24PM法,资料不齐全时推荐P-T法、FAO24BC法、Mahringer法(日尺度)或Trabert法(月尺度)。

基于METRIC模型的巴基斯坦农业区蒸散量估算

蒸散量是水分循环和能量循环的重要载体,精确估算农田蒸散量对农业水资源管理具有重要意义。巴基斯坦农业区是世界上重要的灌溉农区之一,如何基于遥感技术估算区域实际蒸散量成为农业水资源精细化管理的基础和前提。本文利用MODIS数据、气象数据以及DEM数据,采用METRIC模型,估算了2019—2020年巴基斯坦农业区的实际蒸散量,并分析了不同作物生育期蒸散量的时空分布特征,以期为巴基斯坦农业水资源合理利用提供科学依据。研究结果表明:1)比较基于METRIC模型在日尺度和月尺度的蒸散估算结果与农业站点蒸渗仪的实际观测数据发现,二者的均方根误差分别为1.2 mm∙d^(−1)和25 mm∙month^(−1),相关系数分别为0.65和0.84;在空间上,与ETMonitor产品比较,METRIC模型估算结果的空间分布和量级更为合理。2)巴基斯坦农业区蒸散量的空间分布与种植结构密切相关,蒸散量自北向南总体呈阶梯递减格局,小麦、棉花、水稻和甘蔗生育期累积蒸散量分别为392 mm、652 mm、745 mm和1224 mm;就同一种作物来说,旁遮普省作物生育期累积蒸散量高于信德省。3)小麦生育期内月蒸散量呈先下降再上升后下降的变化特征;旁遮普省棉花生育期内月蒸散量呈“单峰”变化特征,信德省棉花生育期内月蒸散量呈“双峰”变化特征;水稻和甘蔗生育期内月蒸散量呈“单峰”变化特征。本研究实现了METRIC模型在巴基斯坦农业区的参数本地化应用和适用性分析,为基于遥感手段估算区域或农作物尺度蒸散量提供了方法借鉴,对揭示不同作物蒸散耗水的时空特征和区域农业水资源管理具有重要意义。

参考作物蒸散量的计算及不同作物灌溉需水量的特征分析

【目的】研究分析参考作物蒸散量结合作物系数估算作物各生育阶段灌溉需水量特征,为农业用水调配提供依据。【方法】基于新疆阿克苏市气象站点1980~2010年逐日气象数据,采用Hargreaves-Samani(H-S)、Irmark-Allen(I-A)和Priestley-Taylor(P-T)3种方法模拟计算参考作物蒸散量(Reference Crop Evapotranspiration,ET 0),依据R 2、nRMSE和MAPE评价3种模拟方法的精度,并分析ET 0在年际间和月尺度下的变化规律。分析不同典型年冬小麦、棉花、春玉米、夏玉米的需水规律。【结果】(1)H-S法、I-A法和P-T法计算的研究区ET 0模拟值与标准值的R 2分别为0.965、0.949、0.946,MAPE分别为20.85%、26.46%、66.71%。(2)研究区全年ET 0累计值30年均值为960 mm,5~8月较大,12月和1月较小。(3)冬小麦、棉花、春玉米、夏玉米分别在返青-拔节期、开花-吐絮期、抽穗-乳熟期、抽穗-乳熟期的灌溉需水量最大,其对应值为108、308、131和136 mm。(4)全生育期内,冬小麦、棉花、春玉米、夏玉米的灌溉需水量分别为448、533、394和385 mm。【结论】H-S法和I-A法在新疆阿克苏市ET 0计算有良好的普适性;研究区ET 0累计值年际间变化不大,年内呈先增大再减小的趋势;冬小麦、棉花、春玉米、夏玉米的关键需水期分别为返青-拔节期、开花-吐絮期、抽穗-乳熟期、抽穗-乳熟期;全生育期内,棉花灌溉需水量最大,其次为冬小麦、春玉米、夏玉米。

基于门控循环单元的基质栽培黄瓜结果期蒸散量预测模型

【目的】实时、准确地预测基质栽培黄瓜结果期蒸散量,指导基质栽培黄瓜灌溉。【方法】通过传感器实时获取黄瓜结果期的温室小气候环境数据,用称量法测量黄瓜蒸散量,以移栽时间、空气温度、空气相对湿度、光照强度及前5天的日均灌溉量为输入变量,利用BP神经网络(Back propagation neural network,BPNN)、卷积神经网络(Convolutional neural networks,CNN)、长短期记忆网络(Long short-term memory,LSTM)和门控循环单元(Gated recurrent unit,GRU)分别建立基质栽培黄瓜蒸散量预测模型,比较不同模型的预测效果,模型数据集的时间间隔设为20 min。【结果】相较于BPNN、CNN及LSTM模型,GRU模型的预测效果最好,其决定系数(R^(2))、均方根误差(RMSE)、平均绝对误差(MAE)分别为0.8577、2.3279 g和1.6744 g。当实测的黄瓜每日实时累积蒸散量超过50 g时,GRU模型预测的黄瓜每日实时累积蒸散量与实测每日实时累积蒸散量之间的相对误差最小,在0.11%~10.01%。【结论】基于GRU的基质栽培黄瓜结果期蒸散量预测模型预测效果最好,可为基质栽培黄瓜的灌溉系统提供参考。

基于思维进化算法优化的东北地区参考作物蒸散量估算

准确估算参考作物蒸散发(Reference crop evapotranspiration,ET_(0))对于农业水资源管理至关重要。东北地区是我国最重要的粮食产区,但该区域纬度相对较高、气温相对较低,ET_(0)影响因素多、估算的不确定性高。研究选取东北地区20个代表性气象站点1961-2019年气象数据,采用Mann-Kendall非参数趋势检验及反距离加权插值法模拟东北地区ET_(0)时空变化特征,并利用思维进化算法(Mind Evolutionary Algorithm,MEA)优化模型参数,以FAO-56 Penman-Monteith公式计算结果为标准值,比较9种不同输入因子的模型精度,结果表明:(1)1961-2019年东北地区ET_(0)的年平均值在567.81~1080.66 mm之间,东北地区北部的年均ET_(0)值呈上升趋势,中部平原及南部沿海呈下降趋势;(2)通过对东北地区20个站点使用不同类型模型计算ET_(0)的评估,优化前精度表现:辐射型模型>湿度型模型>温度型模型。其中Mak模型在东北地区的计算精度最高,相应的R^(2)、NSE、RMSE、和MAE中位数值分别为0.801、0.786、0.570 mm/d和0.331 mm/d;(3)MEA算法优化后,对9种经验模型的R^(2)、NSE、RMSE和MAE提升幅度分别为14.43~47.15%、14.84~50.47%、5.42~46.79%、7.47~39.86%。优化后的Mak模型相应的R^(2)、NSE、RMSE、和MAE中位数值分别为0.910、0.907、0.510 mm/d、0.291 mm/d。因此,在气象资料缺乏情景下,Mak模型可作为东北地区ET_(0)计算的最优模型,并且MEA算法优化能够高效提高模型计算精度,实现了准确性和效率之间更优化的平衡。

基于MOD16的银川地表蒸散量时空特征及影响因素分析

【目的】阐明2000—2020年银川市地表蒸散量变化及其主要影响因素,为以水定市、以水定林提供理论依据。【方法】基于MODIS蒸散产品MOD16,气温、降水量和归一化植被指数(NDVI),运用slope线性趋势、相关分析等方法,并采用MOD16A3数据进行作物缺水指数的计算,对银川市2000—2020年蒸散量时空变化特征、不同土地利用类型蒸散量差异及其影响因素进行分析。【结果】(1)2000—2020年银川市蒸散量在201.2~344.2 mm之间,多年均值为273.4 mm;在空间分布上,整体上呈围绕建成区的中部区域较高,西部贺兰山区域和东部区域较低的分布特征。(2)2000—2020年银川市蒸散量呈增加趋势,倾向率为5.093 mm/a,蒸散量增加的区域面积占比最高,为88.30%,可见银川市大部分区域蒸散量变化趋势是增加的,显著增加的区域主要分布在围绕建成区的部分中部区域。蒸散量减少的区域面积占比为2.44%,年蒸散量基本不变的区域面积占比为9.26%。(3)与2000年相比,2020年的耕地、林地、草地、灌木地、湿地、水体、人造地表、裸地的相对变化率为−6.73%、0.33%、−8.34%、−14.87%、21.95%、9.05%、230.45%、−2.08%。银川市蒸散量空间分布受土地利用类型影响显著,多年平均蒸散量由大到小依次为耕地(322.9 mm)、水体(268.5 mm)、人造地表(256.9 mm)、林地(240.0 mm)、湿地(220.3 mm)、灌木地(216.7 mm)、草地(201.9 mm)、裸地(196.4 mm)。(4)对银川市2000—2020年蒸散量与气温、降水量、NDVI(2000—2019年)的相关分析表明,银川市蒸散量与气温、降水量和NDVI均呈显著正相关。【结论】2000—2020年,气温、降水量、NDVI都是影响银川市年均蒸散量上升的驱动因素,其中NDVI是最主要影响因子。本研究以期为银川市水资源的合理高效利用,银川市生态需水量研究和生态环境规划提供理论支撑。

塔布河流域潜在蒸散量时空变化特征及成因

潜在蒸散量(ET_(0))对流域水文循环具有重要影响,分析ET_(0)时空变化规律及其与气象要素之间的响应对流域水资源管理具有重要意义。本研究基于塔布河流域及周边7个气象站1981—2023年逐日气象数据,利用Penman-Monteith(P-M)公式估算流域ET_(0)并分析其时间变化规律和空间分布;采用Beven敏感性公式计算季和年尺度ET_(0)对关键气象要素的敏感系数,并探究敏感系数的变化趋势;结合气象要素多年相对变化率定量分析影响ET_(0)变化的主导因子。结果表明:(1)塔布河流域年ET_(0)以4.09 mm·(10a)-1的速率呈不显著增加趋势,多年均值1024.51 mm;空间上,年ET_(0)自东南向西北逐渐增加。(2)年ET_(0)对各气象要素敏感系数绝对值大小排序为:相对湿度>最高气温>风速>日照时数>最低气温;春季、秋季和冬季对相对湿度最敏感,夏季对最高气温最敏感。(3)影响年ET_(0)变化的主要控制因子是最高气温和风速,贡献率分别为4.86%和-4.37%;春、夏、秋、冬四季ET_(0)变化的主要控制因素分别是最高气温、风速、风速、相对湿度。最高气温的上升和相对湿度的下降是流域ET_(0)上升的主要原因。

云贵地区参考作物蒸散量模型适用性评价

根据地貌特征及行政区划将云贵两省分为5个区域,使用当地15个气象站点共56 a的逐日气象资料计算了18种参考作物蒸散量模型的模拟值,并以FAO56 Penman-Monteith法为标准对各模型模拟值进行了精度对比及误差成因分析.结果表明:同一模型在不同云贵分区间的模拟效果差异不大,R^(2)的平均变异系数为8.81%,模型精度主要影响因素为辐射能量项,次要因素为空气动力项;综合法模型模拟精度最高,R^(2)为0.81~0.99,辐射法次之,R^(2)为0.84~0.98,温度法和水汽压法较差,R^(2)为0.24~0.83;这4种方法中,各类型最优模型分别为FAO 24 Penman(全区整体评价指标GPI为0.506,排位1),Inmark(GPI为0.142,排位4),Hargreaves-Samani(GPI为-0.022,排位12)和Romanenko(GPI为-0.072,排位13).综上,经验模型FAO 24 Penman和Inmark模型适用于亚热带季风气候云贵地区参考作物蒸散量的简化计算.

基于辐射改进Penman-Monteith模型估算粮食主产区参考作物蒸散量

为进一步提高Penman-Monteith模型估算参考作物蒸散量(Reference crop evapotranspiration,ET0)的精度,以中国粮食主产区为研究对象,将其划分为温带湿润半湿润地区(THSZ)、温带干旱半干旱地区(TASZ)、暖温带半湿润地区(WTSZ)和亚热带湿润地区(SHZ),基于32个气象站点1994-2020年长序列实测逐日气象数据,将猎豹算法(CO)、沙猫算法(SCSO)、野狗算法(DOA)优化的时间卷积神经网络模型(TCN)和3种基于日照时数、3种基于温度的经验模型估算的辐射(R_(s))值与PM模型进行融合,得到改进PM模型。以均方根误差(RMSE)、决定系数(R^(2))、平均绝对误差(MAE)和效率系数(E_(NS))为精度评价体系,找出了粮食主产区不同分区的ET0最优估算模型,结果表明:基于日照时数模型的计算精度要优于温度模型,其中CO-TCN模型在全区内均表现出了较高的精度,在不同分区的RMSE、MAE、R^(2)和E_(NS)中位数取值分别为0.099~0.171 mm/d、0.057~0.111mm/d、0.984~0.998、0.983~0.997,由此可将CO-TCN模型估算的辐射值与PM模型融合,作为标准值用于估算粮食主产区ET0。

基于自适应模糊推理系统的汾河流域参考作物蒸散量模拟研究

【目的】有效提高缺少气象资料条件下汾河流域参考作物蒸散量(ET0)计算精度。【方法】选取汾河流域及附近7个气象站点1960—2017年逐日气象资料,根据不同气象要素组合,构建16种基于自适应模糊推理系统(ANFIS)的ET0模拟模型,并与Hargreaves-Samani、Irmak-Allen、Makkink模型进行比较,评价ANFIS模型在汾河流域的适用性及可移植性。【结果】(1)ANFIS模型能很好地展现ET0与各输入因子之间的非线性关系;仅输入Tmax、Tmin、Ra建立的ANFIS2模型模拟精度(平均R^(2)为0.882,平均NSE为0.876,平均RMSE为0.341 mm/d)能满足使用要求,随着输入气象要素数量的增加,模型模拟精度不断提高;(2)在输入因子相同时,ANFIS模型精度高于Hargreaves-Samani、Irmak-Allen、Makkink模型;(3)ANFIS模型在汾河流域具有很强的泛化能力和可移植性,不同分区建立的ANFIS模型相互移植时具有较高精度(平均R^(2)为0.983,平均NSE为0.978,平均RMSE为0.134 mm/d)。【结论】因此,在缺少气象资料时,基于自适应模糊推理系统建立的ET0模拟计算模型可作为汾河流域ET0计算的推荐模型。

基于XGBoost和数值天气预报的黄淮海平原参考作物蒸散量预测模型研究

为提高黄淮海平原参考作物蒸散量(ET_(0))的预测精度,在豫北地区新乡市利用2020—2021年历史气象数据和2022年日数值天气预报数据(最高气温、最低气温、太阳总辐射量、日照时数、相对湿度和2 m风速),建立反向传播(BP)、极限梯度提升(XGBoost)和梯度提升决策树(CatBoost)3种预测ET_(0)的机器学习模型,并与FAO-56 Penman-Monteith模型的结果进行比较。结果显示,气象参数中太阳总辐射量(Ra)、最高气温(T_(max))和最低气温(T_(min))与ET_(0)的相关性最高,可作为模型的输入因子。从预测时间尺度来看,3种机器学习模型对1~16 d的ET_(0)预报效果最佳。其中,XGBoost模型在验证期的R=0.875、RMSE=0.230 mm/d、MAE=0.181 mm/d、MAPE=8.45%。R较CatBoost和BP模型平均提高10.2%,RMSE、MAE和MAPE平均下降39.9%~62.4%。鉴于XGBoost模型预测ET_(0)的精度和稳定性,推荐将其作为黄淮海平原参考作物蒸散量的预测方法。

南方丘陵区油茶蒸散量SIMdualKc模型估算

为探究SIMdualKc模型在南方丘陵区油茶林地的适用性,利用2 a油茶的野外实测生长季数据,率定和验证了双作物系数SIMdualKc模型在南方丘陵区油茶林地的各参数。率定后作物系数K_(cbini)=0.9,Kcbmid=0.92,K_(cbend)=0.77,土壤含水率验证结果R^(2)为0.918~0.979,MAE为0.019~0.021,RMSE为0.021~0.026,EF为0.876~0.957。通过叶面积指数数据输入方式的模拟效果比较,得出日变化叶面积指数模拟效果稍好,确定了Logistic生长函数计算得到叶面积指数的可靠性与适用性,并校准了油茶在水分胁迫条件下土壤含水率的模拟值。油茶夏梢期末以及秋梢期容易产生水分胁迫影响,2021年水分胁迫系数K的范围为[0.478,1],2022年为[0.182,1]。将水量平衡法计算得到的蒸散量作为实测值与模拟值进行比较,两者具有良好的一致性,R^(2)为0.52~0.61。研究结果可为南方丘陵地区油茶林地针对夏秋季节易发生高温干旱的自然灾害制定高效节水的灌溉制度提供理论依据。