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。

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。

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.

吉林省参考作物蒸散演变特征及气候成因定量分析

参考作物蒸散是能量平衡和水分循环的重要环节,明晰吉林省参考作物蒸散演变特征及成因,有助于理解气候变化对水文循环的影响和科学开展灌溉。根据吉林省28个气象站1970-2019年的逐日气象数据,利用Penman-Monteith法、去趋势法探究考蒸散演变特征及其定量化成因。结果表明:近50 a中,吉林省年平均参考作物蒸散呈不显著的增加趋势,四季中,夏季蒸散减少,其他季节蒸散不同程度增加。近50 a中,吉林省各气象因子变化差距明显,年、季平均气温和水汽压差增加,风速和日照时数减少,其中风速和水汽压差的变化幅度明显大于气温和日照时数;吉林省年均蒸散变化由水汽压差和风速主导,各因子正贡献略超过负贡献,使年均蒸散呈弱增加趋势。春季平均蒸散演变主要由水汽压差和风速驱动,夏季平均蒸散由水汽压差、风速和日照时数共同驱动,秋、冬季平均蒸散演变是由水汽压差和风速驱动。空间上,西部地区年蒸散的变化主要由风速驱动,中部年均蒸散同时受到风速和水汽压差变化影响,东部由水汽压差变化驱动。吉林省西部春季蒸散变化主要由风速驱动,中部和东部春季蒸散由水汽压差主导;西部和中部地区夏季平均蒸散由日照时数主导,东部则主要由水汽压差驱动;西部和中部秋、冬季蒸散变化主要受风速影响,东部主要由水汽压差的变化驱动。

基于日照时数的太阳辐射通用模型提升参考作物蒸散估算精度研究

准确的太阳辐射(R_(s))信息是农业、气象和能源等领域和业务部门的重要基础资料,但R_(s)的可靠观测在全球极具挑战。利用中国96个辐射站1967-2016年观测数据,评估了32个(S1~S32)基于日照时数估算R_(s)的模型精度,确定了适用于无R_(s)观测区的最佳通用模型,并最终更新了FAO56推荐的Penman-Monteith方程参考作物蒸散量(ET_(0))中R_(s)的计算方法。结果表明,S18~S32模型的表现较好且接近,其适用于单站点的模型回归系数、决定系数、均方根误差(RMSE)、相对均方根误差(RRMSE)和模型效率的均值分别为0.975~0.976、0.882~0.886、2.368~2.412 MJ/(m^(2)·d)、0.171~0.175和0.881~0.885。进一步对S18~S32模型进行一般化后发现S18模型仅需3个参数,估算精度较高且稳定性好,推荐该模型为中国无辐射观测区估算日R_(s)的通用模型。基于通用S18模型估算R_(s)进而计算的ET_(0)比FAO56推荐的基于S9模型计算结果精度更高,其RMSE和RRMSE均值分别降低了12.9%和13.9%,因此推荐采用该方法更新FAO56 Penman-Monteith方程中R_(s)估算公式。

1960-2020年海南岛气温、降水及参考作物蒸散量变化趋势

探究地区气温、降水等气候资源变化特征,可为气候变化下农业生产规划布局和气象灾害防御提供科学依据。利用1960-2020年海南岛7个气象站逐日气象资料,采用气候倾向率法、Mann-Kendal(MK)检验和Morlet小波分析等方法,对海南岛近61 a气温、降水及参考作物蒸散量(ET0)的时空变化趋势进行了系统分析。结果表明:在时间上,海南岛年平均气温以0.22℃/(10 a)的速率显著上升,年平均降水量以33.66 mm/(10 a)的速率不显著增加,ET0以-0.30 mm/(10 a)的速率轻微下降。MK检验表明气温序列未发生突变,而降水和ET0序列存在突变现象。小波分析表明气温存在55 a的变化主周期,降水和ET0存在56 a的主周期。在不同季节,气温均显著上升,降水和ET0的变化趋势不显著。在空间上,海南岛气温以中部琼中为低值中心向周边沿海地区增加,东南部气温整体高于东北部;降水量以中部琼中为中心向周边沿海地区减小,ET0呈从东北向西南递增的趋势。研究表明近61 a海南岛气候呈现暖湿化趋势,对全球变暖响应显著。预测未来几年气温、降水和ET0将处于偏低期,这将对该地区农业生产和生态系统等产生影响。

川滇农牧交错带参考作物蒸散量演变特征及驱动因子分析

应用川滇农牧交错带24个地面观测站点1961—2015年的逐日气象资料,选用Penman-Monteith公式计算各站点逐日参考作物蒸散量(ET0)和地表湿润指数(SWI),并采用气候倾向率、反距离插值法(IDW)、Mann-KendalL突变检验、主成分回归分析等方法分析研究区的ET0和SWI时空变化特征以及各主要气象因子对不同区域参考作物蒸散量演变的影响程度。结果表明,1961—2015年,川滇农牧交错带ET0呈下降趋势,SWI呈缓慢上升趋势,1987年为ET0和SWI的突变年;湿润区与半湿润区可近似以横断山区边界作为分界线;全区四季参考作物蒸散量均在下降,冬季时空演变不显著;平均风速是影响ET0变化的主导因子,日照时数和相对湿度次之,ET0对最低气温响应最弱。

气候变化下广东省参考作物蒸散量变化趋势及其影响因素分析

为探究气候变化下广东省参考作物蒸散量(ET_(0))时空变化特征及其影响因子,基于1980—2020年广东省辖区内37个气象站点的地面观测资料,采用FAO—56 Penman-Monteith法计算各站点逐日ET_(0),系统分析了广东省ET_(0)的时空变化特征,运用敏感性和贡献率分析方法定量研究了各气象要素变化对ET_(0)影响程度。结果表明:时间尺度上,广东省多年年平均ET_(0)为1150 mm,整体上以14.84 mm/10a的速率显著上升,空间尺度上,ET_(0)从北到南呈上升趋势,变化范围为1069~1235 mm;ET_(0)对相对湿度和气温的敏感程度高于日照时数和风速。贡献率分析结果表明:气温是广东省ET_(0)变化的主导因子,其次是日照时数,相对湿度和风速的贡献率相对较小。气温的潜在升高与相对湿度的下降可能会导致未来更高的ET_(0)和干旱事件,研究可为广东省水资源规划和农业灌溉管理提供科学依据。

基于深度学习的参考作物蒸散量预测模型

为了科学准确预测参考作物蒸腾量(ET0),提高预测精度,减少输入变量的数量,从而降低智能节水灌溉系统的建设成本,采用深度学习和人工神经网络方法分别建立ET0智能预测模型,采用局部敏感性分析、模糊曲线和模糊曲面等方法研究ET0预测中各输入变量对预测结果的影响,以影响因子大小为依据,构建8种不同气象因子输入组合,利用日照气象站的逐日气象资料,对采用不同方法和不同输入变量组合的预测模型进行训练和测试,并以彭曼公式的计算结果作为参考,对预测模型的性能进行评估。结果表明,在以完整变量作为预测输入时,深度学习预测模型R2为0.980,高于人工神经网络模型(0.963),获得了更高的预测精度;而在缺省输入变量的ET0预测中,深度学习预测模型的性能均优于人工神经网络,以平均温度和日照时数作为输入变量的深度学习预测模型R2仍达到0.935,表明在仅有少量气象参数的情况下,深度学习预测模型仍能获得较好的预测结果。综合分析R2、RMSE、RMSRE、MRE、MAPE等结果,若研究区域气候数据有限,采用输入组合分别为(n、T、RH、Tmin、Ws)和(n、T、RH、Ws)的深度学习模型预测,其结果与彭曼公式的计算结果相比,MAPE分别为8.753和8.404,R2均大于0.98,可以作为标准预测模型。

川中丘陵区参考作物蒸散量时空变化特征与成因分析

为深入认识川中丘陵区参考作物蒸散量(reference crop evapotranspiration,ET0)变化特征,使用联合国粮农组织1998年推荐的Penman-Monteith公式计算川中丘陵区13个气象站点近52 a(1961-2012年)的逐日ET0,利用GIS克里金插值法和Mann-Kendall趋势检验法分析川中丘陵区ET0时空变化特征;在此基础上,使用基于通径分析原理的指标敏感性分析方法研究ET0的变化成因。结果表明:近52 a来川中丘陵区ET0年际间整体下降明显,ET0年内变化呈单峰曲线,主要集中在每年3-10月,占全年ET0的85.82%;ET0空间分布整体上呈现自东北、东南向中部递减趋势;在指标敏感性分析中,分别去掉日照时数(n)、风速(u2)、相对湿度(relative humidity,RH)和温度(T)后,剩余3个气象因子对回归方程估测可靠程度(E)由0.89分别降为0.596、0.81、0.84和0.88,表明ET0对n最为敏感,其次为u2、RH和T。因此,日照时数和风速是引起川中丘陵区ET0变化的最主要气象因子,相对湿度次之,温度对ET0的影响最小。当使用各季度平均温度代替逐日温度计算ET0时,各季度估算结果同实际计算结果间决定系数分别达到了0.93、0.97、0.96和0.94,表明估算精度较高,因此在资料缺乏情况下可以使用各季度平均温度替代温度计算ET0。该研究可为川中丘陵区的农田水分管理提供科学依据。

基于极限学习机的参考作物蒸散量预测模型

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。

内蒙古地区参考作物蒸散变化特征及其气象影响因子

为深入了解不同草原类型下参考作物蒸散特征及其对气候变化的响应,该文利用FAO Penman-Monteith公式研究了内蒙古地区46个站点1961-2010年参考作物蒸散量及其辐射项和动力学项的时空分布规律和变化特征,并对其主要影响因素进行了分析讨论。研究结果表明:近50a来内蒙古各站点参考作物蒸散量的年平均值均介于570~1 674 mm之间,该地区参考作物蒸散量及其构成项的值西高东低,而且从高到低的5个草原类型依次为:荒漠、草原化荒漠、荒漠化草原、典型草原、草甸草原。各区生长季内参考作物蒸散量约占全年的80%。内蒙古各站点年参考作物蒸散量的变化率在-48~50 mm/10a之间,荒漠、草原化荒漠、荒漠化草原和典型草原参考作物蒸散量变化均不明显,草甸草原参考作物蒸散量显著上升(P=0.001)。各区域参考作物蒸散量辐射项的年值和月值均呈显著的上升趋势,除草甸草原外各区域参考作物蒸散量动力学项的年值和月值呈下降的趋势。风速是影响荒漠、草原化荒漠、荒漠化草原和典型草原西部地区参考作物蒸散量变化的首要因子,风速下降导致该地区蒸散呈下降的趋势;日平均温度是次要因子,但气温升高对参考作物蒸散量变化的作用有限,参考作物蒸散量并未随气候变暖而显著增大;相对湿度是第三因子,与参考作物蒸散量呈负相关(P=0.006);日照时数是第四因子,其值降低导致参考作物蒸散量的下降。典型草原东部和草甸草原地区各站点受气象因子综合影响使参考作物蒸散量呈上升的趋势。该研究探讨了内蒙古各类型草原参考作物蒸散对气候变化的响应,为内蒙古各类型草原的生态保护和可持续发展提供科学依据。

基于反距离权重法的长江流域参考作物蒸散量算法适用性评价

为实现大区域尺度参考作物蒸散量(reference crop evapotranspiration,ET0)资料缺失情况下的准确计算,该文将长江流域划分为上、中、下游3个子区域,基于反距离权重法的新型空间展布方法得到3个虚拟站点分别代表每个子区域,利用长江流域102个站点1964-2013年近50a的逐日气象数据,根据FAO-56 Penman-Monteith(P-M)法、Hargreaves-Samani(HS)法、Irmark-Allen(I-A)法、Priestley-Taylor(P-T)法、Makkink(M-K)法、Penman-Van Bavel(PVB)法、1948年Penman(48-PM)法分别计算每个站点逐日ET0,并以P-M法为标准,利用Nash-Sutcliffe系数(CD)、逐日相对均方根误差(RMSE)、Kendall一致性系数(K)对其适用性进行评价,结果表明:在3个子区域6种ET0计算方法的日值与P-M法拟合方程确定系数R2均通过了极显著水平检验(α=0.01),长江上游P-T法ET0日值计算精度最高(ET0日值拟合方程斜率为1.030,RMSE=0.341 mm/d,CD=0.886,K=0.829),H-S法、I-A计算精度较低(ET0日值拟合方程斜率分别为1.427、1.308,RMSE=0.909、0.829 mm/d,CD=0.581、0.523,K=0.792、0.742),长江中、下游PVB法计算精度最高,P-T法计算精度次之,H-S法与I-A法计算精度较低;长江上游6种算法ET0月值的计算精度由高到低依次为P-T法、PVB法、M-K法、48-PM法、H-S法、I-A法,与P-M法的平均误差分别为0.27、0.35、0.51、0.48、0.74、0.78 mm/d;长江中、下游6种算法计算精度由高到低为PVB法、P-T法、M-K法、48-PM法、H-S法、I-A法;整个长江流域P-T法、PVB法与P-M法ET0计算结果相对误差均在35%以下,H-S法、I-A法计算精度较低,其相对误差基本高于40%;因此,PVB法与P-T法在整个长江流域的计算精度较高,可作为长江流域ET0简化计算推荐方法。

近60年来东北地区参考作物蒸散量时空变化

利用东北地区106个站点1951～2007年的逐日气象资料,采用Penman-Monteith公式计算得到各站点的逐日、逐年ET0,并通过反距离插值得到逐年ET0及多年平均ET0网格数据,最后通过墨西哥帽小波变换、Mann-Kendall检验、REOF、倾向率等方法探讨了全区平均ET0及多年平均ET0的时空变化特征。研究结果表明:①全区平均ET0总体上表现较小幅度的增长趋势,其倾向率为3.89 mm/(10a),分别在1982、1953年取得最大、最小值;②在8-16年时间尺度上,全区平均ET0的周期振荡非常明显,期间经历了"少→多→少→多"4个循环交替过程,其中又以8～10年周期内的振荡最为强烈;③多年平均ET0在600～1160 mm之间,空间分异明显,其总体分布特征为:南高北低,西高东低,从东北向西南逐渐增加,等值线呈半环状;④从倾向率来看,ET0增加、减少的面积比例分别为72.61%、26.39%,其中嫩江的增加趋势最明显,倾向率为30.6 mm/(10 a),叶柏寿的下降趋势最明显,倾向率为-24.4 mm/(10 a)。

四川省不同区域参考作物蒸散量计算方法的适用性评价

为实现参考作物蒸散量（reference crop evapotranspiration,ET0）在资料缺失情况下的准确计算,对ET0简化算法在四川省不同区域的适用性进行科学评价,将四川省划分为4个区域（I东部盆地区、II盆周山地区、III川西南地区和IV川西高原区）,采用46个气象站点1954-2013年逐日气象资料,以1998 FAO-56 Penman-Monteith（PM）法的计算结果为标准,对具有代表性的6种简易算法48 Penman（48PM）法、Hargreaves-Samani（HS）法、Pristley-Taylor（PT）法、Irmark-Allen（IA）法、Makkink（MAK）法和Penman-Van Bavel（PVB）法的计算精度进行对比,结果表明：6种方法在四川省不同区域计算精度差异明显,HS法、PT法和PVB法较为精准,48PM法、IA法和MAK法误差较大,其中I区表现最好的为HS法,II、III和IV区表现最好的方法均为PT法;同时,除PT法和PVB法外,其余方法空间变异性较大（HS法在海拔较低的I、II区较为精准,在海拔较高的III和IV区结果远小于PM法,48PM法在四川东南地区的计算误差为11.1%~37.5%,在浅山丘区和高原区计算误差多大于50%）。因此,计算四川省的参考作物蒸散量时,推荐在东部盆地区使用HS法,盆周山地区、川西南地区与川西高原区使用PT法。

甘肃地区参考作物蒸散量时空变化研究

区域水土平衡模型的建立通常需要确定计算参考作物蒸散量的模型,这一模型的精确与否,直接影响整体预测模型的最终预报精度。运用FAO-24Blaney-Criddle法、FAO-24Radiation法、FAOPPP-17Penman法及FAOPenman-Mon-teith(98)4种方法,对甘肃省1981～2000年33个站点的月参考作物蒸散量进行了计算。对比分析结果表明,FAOPen-man-Monteith(98)模型的精度与灵敏度均显示了较强的优越性。运用该模型对甘肃省参考作物蒸散量的时空分布特征进行研究表明:甘肃省参考作物蒸散量年内逐月演变曲线呈单峰状;年际蒸散量变化与夏季年际波动变化存在较高一致性;全年参考作物蒸散量分布具有从东南向西北递增的趋势。

几种基于温度的参考作物蒸散量计算方法的评价

根据华北地区6个气象站的长系列资料，利用FAO56-PM公式对3种基于温度的ET0计算方法（Hargreaves、McCloud、Thornthwaite）进行评价。依据平均偏差、相关系数和t统计量3种指标分别对年和月序列的吻合程度做出评价。结果表明：Hargreaves与FAO56-PM吻合最好，其次为McCloud，吻合最差的为Thornthwaite。就年值而言，温度法在华北多数站点比FAO56-PM显著偏低。其中Hargreaves偏低53．2～200．2mm或4．6oA～15．1％，Thornthwaite偏低269．7～468．1mm或24．8％～35．8％，McCloud偏低90．5～435．7mm或8．2％～40．5％。温度法与FAO56-PM吻合程度随月份而变，在夏季月份比后者偏高，其他季节尤其是冬季月份显著偏低。从峰值到达时间看，Hargreaves与FAO56-PM的峰值相一致，二者均在6月份。Thornthwaite和McCloud的峰值则明显滞后，二者在7月份达到最大，与最高温度出现的月份相一致。在仅有气温的条件下，建议在华北优先选用Hargreaves方法。

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

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。

考虑辐射改进Hargreaves模型计算川中丘陵区参考作物蒸散量

为提高Hargreaves-Samani（H-S）模型对参考作物蒸散量（reference crop evapotranspiration,ET0）的计算精度,利用川中丘陵区13个代表站点1954-2013年近60 a逐日数据,依据贝叶斯原理并考虑辐射的影响对H-S模型进行改进,并以Penman-Monteith（P-M）模型为标准,对其在川中丘陵区的适用性进行评价。结果表明：1）H-S改进模型与P-M模型ET0计算结果变化趋势基本一致;2）与H-S模型相比,在3个区域H-S改进模型计算的ET0旬值平均绝对误差分别由0.93、0.95、0.93 mm/d下降到0.15、0.19、0.28 mm/d,且3个区域ET0旬值拟合方程斜率分别由1.45、1.39、1.45变为0.89、0.94、0.90,Kendall一致系数由0.70、0.80、0.82提高到0.88、0.92、0.94,拟合效果与计算精度均明显提高;3）在3-10月的作物主要生长期,3个区域ET0月值平均绝对误差分别由0.89、1.14、1.28 mm/d下降到0.46、0.29、0.21 mm/d,ET0月值回归拟合方程斜率及一致性均明显提高;4）H-S改进模型随海拔升高计算精度有所降低,H-S改进模型全年内计算精度最大可提高47%,尤其在作物主要生长期,精度最大提高了48%。因此,H-S改进模型可显著提高ET0计算精度,在海拔较低的区域尤为明显,可作为川中丘陵区ET0计算的简化推荐模型。