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)。

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。

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。

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.

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。

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。

基于涡动相关的农田蒸散量及作物系数研究

为研究作物蒸散发和作物系数对作物水资源利用效率及产量的影响,本研究利用EC3000涡动协方差系统对农田蒸散量(ET)、作物系数(Kc)、净辐射(R_(n))、土壤热通量(G)、感热通量(H)和潜热通量(LE)进行分析,并对农田作物的蒸散发及其对作物系数的影响进行了研究。结果表明:(1)2021—2022年作物生长期间作物蒸散量(ETc)分别为582.95、609.63 mm,不同生长阶段作物系数(Kc)在0.39~1.43范围内呈现波动变化。(2)净辐射(R_(n))、土壤热通量(G)、感热通量(H)和潜热通量(LE)的日均值分别为135.92、5.81、15.27和81.89 W/m^(2),LE/R_(n)为64%,能量闭合率(EBR)为0.78。本研究结果为柴达木地区作物生产提供了理论依据。

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.

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。

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。

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。

基于云模型的云南参考作物蒸散量时空变化及影响因素分析

云模型可定量描述参考作物蒸散量(ET_(0))的随机性和模糊性,基于云模型分析云南ET_(0)的时空变化,结果可为云南农业灌溉、水旱灾害等研究提供参考。以云南省31个气象站1958—2013年的逐日气象资料为基础计算ET_(0),基于云模型并结合线性倾向、M-K趋势检验、偏相关分析等研究云南参考作物蒸散量及影响因素的变化特征。结果表明:1958—2013年,云南ET_(0)在时间和空间上分布不均匀,空间分布较时间变化更不均匀且不稳定。56 a间ET_(0)呈不显著增加趋势,2000年后ET_(0)显著大幅增加且分布极不均匀极不稳定;春季ET_(0)最大,冬季ET_(0)最小,冬春ET_(0)分散且不稳定;ET_(0)呈“中高东西低、南多北少”的空间分布和“西增中东减”的变化规律,滇中高值区ET_(0)变化不均匀且不稳定;湿度、日照时数和风速是影响ET_(0)的主要因素。

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。