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。

1956—2019年元谋干热河谷潜在蒸散发的变化及影响因素

为探究元谋干热河谷地区潜在蒸散发变化特征及其影响因子,通过应用彭曼蒙特斯模型、曼-肯德尔突变检验、气候倾向率和距平相关方法,分时段分析1956—2019年逐日气象要素值。结果表明:元谋干热河谷地区潜在蒸散发整体呈极显著下降的趋势,年度潜在蒸散发在1982年发生突变;各季潜在蒸散发变化明显,变化速率从大到小依次为3—5月、12月—次年2月、6—8月、9—11月;除1956—1982年12月—次年2月,1982—2019年9—11月、12月—次年2月潜在蒸散发有所增长外,剩下时段都呈减少趋势,1982年为各季的突变点。潜在蒸散发转折点为1982年;1982年前,年度潜在蒸散发距平占主导;1982年后,负距平占据主导,2008、2015年发生两次较大的波动。元谋干热河谷地区年潜在蒸散发变化主要取决于日照时间、气温和平均相对湿度;各季潜在蒸散发主要是由各气象要素共同作用的结果,且具有季节性差异;1982年以前,6—8月、9—11月潜在蒸散发的减少和12月—次年2月潜在蒸散发的增加仅与平均风速的减弱有关。

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)。

宁夏沿黄绿洲参考作物蒸散演变特征及其归因

参考作物蒸散(Reference crop evapotranspiration,ET_(0))是生态水文过程中的关键因子,研究ET_(0)在干旱绿洲区的演变,不仅有助于理解气候变化背景下的绿洲水文过程响应,亦对绿洲水土资源高效配置和生态系统稳定性维持有指导意义。以宁夏沿黄绿洲为例,基于1960—2019年的气象资料和Penman-Monteith模型计算ET_(0),利用Mann-kendall突变检验、相对敏感系数和Morlet小波分析等方法,对宁夏沿黄绿洲近60 a的ET_(0)演变特征及其归因进行研究。结果表明:(1)宁夏沿黄绿洲ET_(0)年内呈单峰形态,ET_(0)在5—7月间较高,累积ET_(0)占年总ET_(0)的43.6%;近60 a的ET_(0)年均值为1226.38 mm,并以1.66 mm/a(P<0.01)幅度上升,但年际波动特征明显,其中在1988年突变之前,ET_(0)无显著变化趋势,而突变之后则以每10 a左右的周期显著增加或降低。(2)年ET_(0)主要以20—40 a和50—60 a周期振荡,且有多重时间尺度的复杂嵌套现象,不同季节的周期振荡差异较大,夏、秋季振荡幅度较强,其周期接近于年ET_(0)规律,而冬、春季振荡幅度较弱。(3)虽然ET_(0)与6种气象因子均存在显著相关性,但ET_(0)对不同气象因子的敏感性存在差异,其中对最高温度和相对湿度的敏感性较高,敏感系数分别为11.58%和8.40%。(4)宁夏沿黄绿洲ET_(0)与区域气候变化特征有较强的耦合性,区域气候的持续升温和相对湿度持续降低、以及由此引发的饱和水汽压亏缺持续增强是推动ET_(0)上升的重要原因,而气候由湿润向干旱的突变和平均风速的异常波动是诱发ET_(0)突变的原因。

基于机器学习算法和能量闭合理论的高标准稻田蒸散估算

为选出模拟长江中下游高标准稻田各生育期实际蒸散(ETa)的最优机器学习模型,并探究能量闭合对机器学习模型模拟ETa的影响,基于南通市2020年高标准水稻田小气候、土壤和通量观测数据,分析各生育期稻田ETa及相关因子的时间变化特征,利用BP神经网络和随机森林两种算法估算各生育期ETa,评估基于波文比的强迫能量闭合对机器学习模型模拟ETa精度的影响。结果表明:(1)在不同生育期,气象和土壤因子对稻田ETa的重要性不同,入射短波辐射(K↓)始终是稻田ETa的主控因子。(2)加入K↓可显著提高机器学习模型对ETa的模拟精度,相关系数提高了14.9%,RMSE降低51.1%。5种变量组合中,包含饱和水汽压差(VPD)、风速(U)、气温(Ta)、相对湿度(RH)和入射短波辐射(K↓)的BP1模型是模拟分蘖期前稻田ETa的最佳模型,包含Ta、RH和K↓的BP3模型更适于模拟分蘖期后的稻田ETa。(3)强迫能量闭合能改善BP神经网络模型对ETa的模拟效果,在分蘖期前更为明显,5种变量组合中,BP2模型(U、Ta、RH和K↓)在能量闭合后的模拟效果提升最明显,相关系数提高了3.5%,RMSE降低25.7%。

高邮灌区参考作物腾发量预报模型研究

【目的】探索高邮灌区的参考作物腾发量(ET_(0))预报方法,提升灌溉预报精度。【方法】基于高邮灌区2003—2017年实测气象数据及2016—2017年气温预报数据,以FAO-56 Penman-Monteith(PM)计算的ET_(0)为基准,将气温预报数据代入率定后的Blaney-Criddle(BC)、Hargreaves-Samani(HS)、McCloud(MC)和简化的PM(PMT)模型,比较不同模型的ET_(0)预报精度。【结果】基于上述4种模型进行ET_(0)预报时,1~7 d预见期的平均均方根误差分别为1.07、1.00、1.16、0.99 mm/d,绝对误差平均值分别为0.85、0.74、0.94、0.75 mm/d,相关系数平均值分别为0.79、0.81、0.76、0.81。【结论】HS和PMT模型的预报精度最好,优于BC和MC模型,MC模型的预报精度最差。建议采用率定后的HS和PMT模型对高邮灌区ET_(0)进行预报。

利用温度模型估算太阳辐射数据稀缺地区ET_(0)

准确估算参考作物蒸散量(ET_(0))对于区域水资源规划和灌溉调度具有重要意义,而太阳辐射(Rs)数据缺失是影响ET_(0)估算的常见问题。本研究探讨基于温度模型估算Rs的可行性,寻求解决太阳辐射数据稀缺的方法,以提供更便捷且准确参考作物蒸散量估算。基于2001-2018年中国339个国家基本气象站数据,对比9种经验模型(M1-M9)和3种机器学习算法(RF、GRNN和ANN)估算逐日Rs,提出在太阳辐射数据稀缺或缺失地区估算逐日ET_(0)的两种策略。结果表明:(1)基于温度模型估算逐日Rs可以得到满意的精度(R2>0.6),且机器学习算法优于经验模型。机器学习算法估算精度表现为人工神经网络(ANN)>广义回归神经网络(GRNN)>随机森林(RF);经验模型估算精度表现为M9>M8>M6>M7>M5>M2>M3>M1>M4;12个模型在4个气候区估算精度表现为温带大陆区(TCZ)>温带季风区(TMZ)>亚热带季风区(SMZ)>山地高原区(MPZ)。(2)对9种经验模型综合评估发现,Hargreaves-Samani模型(M1)是最可靠的太阳辐射估算模型,其估算结果与其他模型接近,参数的变异系数(0.10)远低于其他经验模型,结合克里格插值法计算全国范围内的校准参数,得到可靠的逐日太阳辐射值。(3)不同机器学习算法在不同气候区估算逐日ET_(0)有差异,机器学习精度表现为ANN>GRNN>RF,4个气候区精度表现为TCZ>TMZ>MPZ>SMZ。(4)有、无实际Rs校准的逐日ET_(0)估算策略精度非常接近,两种策略都能提供准确的逐日ET_(0)估算(R^(2)>0.95),策略一较策略二平均R2仅提高0.39%。综合而言,本研究为解决太阳辐射数据稀缺提供了新的思路,并强调机器学习在ET_(0)估算中的应用潜力,可在太阳辐射数据稀缺地区有效进行参考作物蒸散量的估算。

隔盐材料对盐渍土水盐分布及蒸发特性的影响

【目的】通过探究隔盐材料土壤水盐运移规律,为盐渍土壤治理措施的合理选择、土壤盐渍化及区域生态修复提供科学依据。【方法】以云南省楚雄州禄丰市黑井镇骄子山隧道弃渣场的土壤为研究对象,选取紫茎泽兰(F1)、剑麻(X1)、小麦(D1)3种植物秸秆作为土壤隔盐材料,未设置隔层材料的红黏土为对照组(CK)开展室内土柱试验,测定土壤累积蒸发量、土壤剖面含水率、土壤盐分含量等。【结果】(1)土壤累积蒸发量表现为CK>D1>F1>X1,植物秸秆隔盐材料最大可降低22.69%的土壤水分蒸发率。(2)18~30 cm土壤剖面层平均含水率在整个试验过程中均表现为F1>X1>D1>CK;0~18 cm土壤剖面层平均含水率在试验初期至27 d时表现为F1>X1>D1>CK,在试验28 d至试验结束时均表现为CK>D1>X1>F1。(3)土壤平均含盐量表现为CK>D1>X1>F1,隔盐材料积盐率降低12%~35%。【结论】在蒸发试验中,隔盐材料有良好的阻滞水分上行和减缓盐分向隔层上部土壤积聚的作用,并具有保水性和抑制盐分表聚的作用,其中紫茎泽兰的效果最好。

顾及时空特征的参考作物蒸散量集成学习估算

为提升参考作物蒸散量(ET_(0))的估算精度,以四川省为研究区域,发现全省ET_(0)的数据变化具有明显的时间和空间自相关性,继而在气象特征基础上引入时空特征构建以XGBoost, LightGBM,GBDT、随机森林和极限树为基模型的Stacking模型.将顾及时空特征的Stacking模型与其各个基模型以及经验模型彭曼公式(FAO 56 Penman-Monteith)的决定系数、平均绝对值误差和均方误差等多项指标进行了全面的精度对比验证.试验结果表明:在顾及空间特征的情况下,Stacking模型在测试集上决定系数精度提升了3%,平均绝对值误差和均方误差分别降低了51%和76%;在顾及时序特征的情况下,Stacking模型在测试集上的决定系数精度提升了4%,均方误差和平均绝对值误差分别降低了92%和72%.这表明时空特征的引入可有效提升模型估算ET_(0)性能.在同时顾及时空特征的情况下,Stacking模型相较于彭曼公式,决定系数提升了39%,均方误差、平均绝对值误差分别降低了95%和77%,并且,在2006—2010年逐年精度验证中,Stacking模型精度始终优于其每年最优基模型精度.因此,顾及时空特征的Stacking模型可有效提升四川省ET_(0)估算精度.

基于PSO-RF模型的汉江流域参考作物蒸散量模拟研究

选取1960−2017年汉江流域及附近24个气象站的逐日气象数据,构建16种基于粒子群算法优化随机森林(PSO-RF)的日尺度ET0计算模型,并与Hargreaves-Samani、Makkink和Irmark-Allen共3种模型进行比较,评价PSO-RF模型在汉江流域的适用性及可移植性。结果表明:(1)PSO-RF模型能很好地识别各输入参数与日尺度ET0的非线性关系;仅采用最高气温(Tmax)、最低气温(Tmin)和地球外辐射(Ra)建立的PSO-RF2模型具有足够精度,平均MAE为0.402mm·d^(−1),RMSE为0.575mm·d^(−1),R^(2)为0.863;随输入气象要素数量增加,模型计算精度不断升高,平均MAE减小了37.9%,RMSE减小了36.3%,R^(2)升高了6.78%。(2)PSO-RF模型的计算精度优于相同输入参数的Hargreaves-Samani、Makkink和Irmark-Allen模型,平均MAE减小了43.6%、RMSE减小了34.5%,R2升高了4.12%。(3)PSO-RF模型在汉江流域具有较强的泛化能力和可移植性,分区建立的PSO-RF模型相互移植时,平均MAE为0.159mm·d^(−1),RMSE为0.245mm·d^(−1),R^(2)为0.974。因此缺乏气象数据时,基于PSO-RF建立的日尺度ET0计算模型可作为汉江流域日尺度ET0计算的推荐模型。

基于预报气温和HS公式估算麦季参考作物蒸散量

为了精准评价基于预报气温和Hargreaves-Samani (HS)公式计算参考作物蒸散量的可行性和准确性,基于1961—2017年新乡历史气象数据以Penman-Monteith (PM)公式计算结果对HS公式参数进行了校正,采用预报气温数据通过修正后的HS公式计算2018—2020年冬小麦生长季节的参考作物蒸散量。以Penman-Monteith计算的参考作物蒸散量为对照值进行对比,结果表明用Hargreaves-Samani(HS)公式和预报气温估算的日参考作物蒸散量与Penman-Monteith计算的参考作物蒸散量相关程度较高,平均绝对误差为0.48 mm/d,均方根误差为0.64 mm/d,决定系数为0.84,拟合度为0.96。说明在华北地区用日预报气温资料采用Hargreaves-Samani(HS)公式估算参考作物蒸散量这一方法可行,这为农业灌溉预报提供了理论和方法上的保证,并且对指导当地农业水资源配置具有参考意义。

昆明地区微喷条件下大白菜耗水规律研究

为探索昆明地区大白菜在微喷条件下的耗水规律和节水潜力,在云南省灌溉试验中心站以‘青岛83-1’为试验作物,于2019年7月7日和9月26日播种2茬大白菜,采用当地群众高产种植灌溉经验为水分处理,使用云智能土壤水分仪研究微喷条件下的夏季和秋季大白菜生育期内耗水量和耗水规律。结果表明,2茬大白菜全生育期蒸发蒸腾量为119.23、102.57 mm,日均蒸发蒸腾强度为1.66、1.27 mm/d,其中结球期平均蒸发蒸腾量最高(47.54 mm),苗期平均蒸发蒸腾量最小(2.36 mm)。不同生育期大白菜蒸发蒸腾量表现为结球期>莲座期>采收期>团棵期>苗期。典型日大白菜蒸发蒸腾量变化曲线呈单峰变化,蒸发蒸腾量高值主要集中在11:00—14:00,且出现明显的“午休”现象。大白菜蒸发蒸腾量随土壤深度增加而减少,0~10 cm处蒸发蒸腾量最多,平均占比达到45.25%,30~40 cm处蒸发蒸腾量最小,平均占比为7.74%。根据大白菜不同生育期土壤含水量的适宜区间,2茬大白菜分别存在2次和3次过度灌水情况,如能避免过度灌水,2茬大白菜可分别节水160.0、180.0 m^(3)/hm^(2)。

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。

连旱对夏玉米叶绿素荧光特性、产量和水分利用效率的影响

【目的】探明连续干旱胁迫对夏玉米叶绿素荧光特性、产量和水分利用效率(WUE)的影响,为夏玉米抗旱稳产提供理论指导。【方法】选用夏玉米“DHA757”为供试品种,在拔节期(B)、抽雄期(C)和灌浆期(G)设置不同程度的干旱处理,分别为:正常(CK)、轻旱(1)、中旱(2)、重旱(3),分别对应田间持水率(FC)的(70%,80%)、(60%,70%)、(50%,60%)、(40%,50%)。通过移动防雨棚下桶栽的方式控水,试验设置拔节期单旱2个,两阶段连旱(拔节—抽雄期)3个,三阶段连旱(拔节—抽雄—灌浆期)3个,研究了连旱胁迫对夏玉米耗水量、SPAD、Fv/Fm、Fv/Fo、产量和WUE的影响。【结果】与CK相比,连旱胁迫显著降低了夏玉米的耗水量、SPAD、Fv/Fm和Fv/Fo,且降幅随干旱程度的加剧而增大。不同干旱处理均会造成夏玉米减产,在拔节期单旱处理下,B3减产最明显,B2次之;两阶段连旱和三阶段连旱处理下,轻旱减产不明显,其他干旱程度均导致产量显著降低。WUE在B2、B1C1、B2C2处理下相比CK分别增加了5.1%、2.8%、6.3%,说明低程度干旱有助于WUE的提高。【结论】综合考虑产量和WUE,拔节期中旱(50%~60%FC)和拔节—抽雄期两阶段连续轻旱(60%FC~70%FC)是节水和保障粮食安全的适宜选择。

极端降水引起的大面积夏玉米减产方法研究——以2021年河南“7·20”强降水事件为例

【目的】建立洪涝条件下夏玉米减产的快速评估方法,评估2021年河南省“7·20”强降水事件对夏玉米产量的影响。【方法】根据2021年6月18日—7月29日河南省逐日的归一化植被指数(NDVI)遥感影像数据和DEM数据,利用像元统计法确定“7·20”强降水事件中河南省夏玉米连续被淹区域,依据夏玉米受淹时长与减产关系以及追肥对受淹夏玉米产量的补偿关系评估“7·20”强降水事件对河南省夏玉米产量造成的影响。【结果】河南省“7·20”强降水事件造成的涝灾区域主要分布在安阳、新乡和郑州,该次强降水事件造成夏玉米受淹面积共计261万hm^(2);中等程度受淹面积(淹水3 d)为57万hm^(2),严重受淹面积(淹水5 d)为13万hm^(2),绝收面积(淹水≥7 d)为20万hm^(2)。【结论】河南省“7·20”强降水事件造成的夏玉米产量损失为393万~491万t,占全省夏玉米总产量的17%~22%(以2019年夏玉米产量为基准),与调研数据基本一致。因此,本研究提出的极端降水事件下夏玉米受淹面积快速获取方法和减产估算模式可为变化环境下的粮食估产和国家粮食安全研究提供技术支撑。

基于BP网络的白杨树潜在蒸散量模拟优化研究

【目的】探寻最优的白杨树潜在蒸散量(ET_(0))模拟方法。【方法】基于贵德县2022年1—6月的气象数据,建立了不同算法优化下白杨树ET_(0)的模拟模型,选取151组数据对模型进行训练,选取30组数据对模型进行验证。【结果】影响白杨树ET_(0)的主要因素为平均气温,2 m高处风速,饱和水汽压差,相对湿度,基于不同算法优化后的BP网络模型在模拟白杨树ET_(0)方面的精度优于传统的BP网络模型。【结论】EWOA-BP网络模型的模拟精度最佳,可以作为预测白杨树ET_(0)的首选模型。

利用ESTARFM模型获取南方红壤区高时空分辨率MODIS遥感蒸散估算数据

蒸散发是水分循环的重要环节,影响着作物生长和粮食生产,获得长时序高空间分辨率蒸散发过程数据有助于优化区域水资源配置。基于Landsat和MODIS遥感数据,结合地面观测通量数据和气象数据,利用SEBS模型和ESTARFM模型获得了南方红壤区2019年4−10月高时空分辨率日蒸散量,并分析高时空分辨率日蒸散量时空变化特征及其影响因素。结果表明:高空间分辨率的遥感影像可获得精度更高的遥感蒸散模拟效果,基于Landsat遥感数据驱动的SEBS模型的模拟效果优于基于MODIS遥感数据作为输入的SEBS模型。ESTARFM模型获得的高时空分辨率日蒸散量与实测蒸散量对比,RMSE为0.68mm·d^(−1),R^(2)为0.87。模拟获得的2019年4−10月高时空分辨率日蒸散量在空间变化上与土地利用类型相关。各土地利用类型的蒸散量表现为林地>稻田>其他农用地,在时间变化上,4−8月蒸散量呈上升趋势,8−10月蒸散量则逐渐降低,气温是影响研究区域蒸散量的主要气象因子。基于SEBS模型和ESTARFM模型获得的高时空分辨率蒸散量与实测蒸散量具有良好的相关性,SEBS模型与ESTARFM模型结合的方法可作为估算南方红壤区蒸散量的有效工具。

四种参考作物腾发量ET_(0)计算方法在鄂中地区的适用性分析

为探究适合鄂中地区的参考作物腾发量ET_(0)计算方法,选取1998—2009年荆门站和天门站气象数据为率定期、2010—2022年气象数据为验证期,以FAO推荐的PM法ET_(0)计算值为基准,对逐日均值修正法、BC法、PT法、IA法ET_(0)计算值进行线性拟合率定验证,并分析其适用性。结果表明,率定后的逐日均值修正法和PT法ET_(0)计算值在2个地区率定及验证期的平均绝对误差(MAE)在0.284~0.962 mm/d,均方根误差(RMSE)均在1.000 mm/d以下或接近该值,同时相关系数(r)在0.730以上,两者适用于鄂中地区ET_(0)计算。率定后BC法在荆门站MAE和RMSE均小于1.000 mm/d,拟合效果好,适用于荆门市;在天门站拟合精度差、离散程度高,不适用于天门市。率定后IA法ET_(0)计算值在2个地区验证期偏差均较大,不适用于鄂中地区ET_(0)计算。

不同灌溉方式和灌水定额对夏玉米生长的影响及AquaCrop模型的适应性研究

【目的】探明不同灌溉方式和灌水定额对夏玉米生长的影响及AquaCrop模型的适应性。【方法】设置4个试验处理:常规滴灌10 mm(N1)、常规滴灌20 mm(N2)、膜下滴灌10 mm(M1)和膜下滴灌20 mm(M2),研究不同灌溉方式和灌水定额对夏玉米生长的影响,并基于2 a的试验数据对AquaCrop模型进行率定、验证,利用率定、验证后的模型预测平水年不同灌溉方案下的夏玉米产量,以产量最大为目标筛选最优的灌溉方案。【结果】N2处理下的0~40 cm土层土壤含水率(SWC)均高于N1处理和M2处理;各处理的生物量平均值和产量表现为:M2处理>M1处理>N2处理>N1处理。各处理SWC模拟值与实测值的R^(2)、EF和RMSE分别为0.645~0.907、0.461~0.779和0.021~0.034,冠层覆盖度模拟值与实测值的R^(2)、EF和RMSE分别为0.942~0.992、0.964~0.990和0.463~0.781,生物量模拟值与实测值的R^(2)、EF和RMSE分别为0.959~0.984、0.969~0.986和0.507~0.614 t/hm^(2),产量模拟值与实测值的RMSE为0.180~0.890 t/hm^(2),水分利用效率模拟值与实测值的RMSE为0.001~0.003 t/(hm^(2)·mm)。【结论】常规滴灌下高水相比低水处理可提高0~40 cm土层SWC,灌水20 mm条件下,常规滴灌处理在0~40 cm土层的SWC高于膜下滴灌处理;覆膜与提高灌水量均能提高夏玉米的生物量和产量,AquaCrop模型能较好地模拟天津市夏玉米的生长过程;夏玉米最优灌溉方案为苗期灌溉20 mm、抽穗期和灌浆期各灌溉10 mm。