基于Priestley-Taylor模型的豫北玉米生长季水热通量研究

使用Priestley-Taylor模型(P-T模型)估算蒸散量时,计算精度主要取决于模型系数α的本地化程度。以河南北部夏玉米田为研究对象,基于涡度协方差技术及气象数据信息,选取6-9月玉米生长季数据,进行不同时间尺度的水热通量特征分析;并确定P-T模型系数α变化特征并对其进行修正,提出其在河南北部农田的参考值。结果表明,在逐日尺度下夏玉米生育期内水热通量的变化呈“倒U形”单峰曲线。在月尺度上,6月下旬及9月感热通量与潜热通量相差较小,潜热通量(6月均值33.57 W/m^(2),9月均值19.88 W/m^(2))略高于感热通量(6月均值27.75 W/m^(2),9月均值16.62 W/m^(2));生育中期潜热通量逐渐增大(7月均值42.30 W/m^(2),8月均值51.52 W/m^(2)),感热通量减小(7月均值18.05 W/m^(2),8月均值9.59 W/m^(2)),二者相差明显。土壤热通量随总辐射量的波动而变化且存在一定的滞后性,在逐月尺度下总辐射量随季节的更替有较明显的变化,潜热通量整体上随总辐射量的波动产生相应的变化。α系数修正后P-T模型模拟精度明显提高,修正的α值(6月1.12、7月1.12、8月1.32、9月1.24)可以作为P-T模型的适宜参数。

内陆小型水体水汽传输系数和Priestley-Taylor系数的量化

小型水体(面积<1 km2)数量众多,面积占全球内陆水体总面积的40%以上,在天气气候系统、水循环和水资源管理中扮演着重要角色.选取安徽省全椒县官渡村一处养殖鱼塘作为小型水体的代表,自2017年6月至2020年5月利用涡度相关方法对蒸发量进行连续观测,基于体积传输方程插补了缺失数据,在月尺度上强迫能量闭合,并利用Priestley-Taylor模型研究平流影响.研究结果表明小型水体的水汽传输系数存在夏高冬低的季节变化特征,变化范围为1.9×10^(-3)~3.4×10^(-3),与风速、水面和空气温度差存在显著的相关关系.但是全球内陆水体水汽传输系数与水体面积的相关关系不显著.小型水体月尺度Priestley-Taylor模型α变化范围为1.14~1.78,8月最小,2月最大,最大值高于大型湖泊的开阔水面.与其他内陆水体相同,小型水体α系数呈现暖季低值、冷季高值的季节变化特征,说明夏季无明显平流影响,而冬季平流影响比较强烈.年尺度上,全球大型水体和小型水体的蒸发均会受到微弱的平流影响.

旱作春玉米农田Priestley-Taylor模式参数的变化

Priestley-Taylor(PT)参考作物蒸散(ET0)估算模式系数(α)的本地化研究,对于确定水资源高效利用的半旱地农业生产措施及精准灌溉具有非常重要的意义。本文以FAO(1998)推荐的Penman-Monteith(PM)参考作物蒸散估算方法为标准,采用涡度相关技术并根据气象数据信息,监测半干旱气候条件下旱作春玉米农田尺度水、热交换传输过程,以分析Priestley-Taylor模式参数α的变化特征并确定其本地化估算参数值。结果表明,年时间尺度变化过程中高海拔半干旱气候条件下根据PT模式推荐系数α=1.26确定的参考作物蒸散量(ET0-PT1.26)估算值,在11月至来年4月份非作物生长季期间平均偏低21.2%,在5月至9月份旱作春玉米生育期内平均高于PM模式的参考作物蒸散量(ET0-PM)估算值5.5%,研究站点旱作春玉米生长季本地化适宜的PT模式系数α值为1.15±0.06。在季节变化过程中,旱作春玉米农田近正午时刻实际PT模式系数平均值呈单峰型变化趋势,春玉米抽雄抽穗开花期达到高峰,平均值为0.67±0.08,苗期最低,仅为0.26±0.13,全生育期平均值为0.50±0.21。若要在半干旱气候地区根据PT模式准确估算参考作物蒸散量,需进行PT模式参数的本地化研究。

Priestley-Taylor与Penman法计算参照作物腾发量的结果比较

利用北京气象站 5 0年的气象资料 ,对两种常用的计算参照作物腾发量的公式—— Priestley-Taylor和 Penm an方法的计算结果进行了比较。年值序列比较显示 ,Priestley-Taylor结果远小于 Penm an结果 ,前者比后者低 15 %～ 3 1% ,两者最大相差 3 78.3 mm ,最小相差 15 0 .9mm ,多年平均相差 2 5 5 .9m m。对历年逐月序列分析显示 ,两种方法在 7、8月份的结果十分接近 ,没有显著差异 ,但其它月份均存在显著差异。造成这种显著差异的原因 ,既有降雨的影响 ,又有 Penm an中空气动力学项的影响 ,而后者的影响可能更大些。空气动力项与辐射项之比与两种方法的吻合程度呈显著负相关。该比值越大 ,两种方法的吻合程度越差 ;反之 ,吻合程度越好。

Priestley-Taylor模型参数修正及在蒸散发估算中的应用

准确估算和模拟植被蒸散可为提高水分利用效率、合理配置水资源,及生态系统可持续经营管理提供科学依据。Priestley-Taylor模型因其所需参数较少而在蒸发散估算中得到广泛应用。介绍了该模型的计算方法和发展情况,总结分析了Priestley-Taylor模型参数α的各种修正方法及适用条件,简要介绍了其在农田生态系统和森林生态系统蒸散估算研究中的应用情况,并指出了该模型今后的应用和发展方向,以期为Priestley-Taylor模型的进一步深入研究和广泛应用提供参考。

干旱气候条件下Priestley-Taylor方法应用探讨

根据华北地区6个气象站点的历史气象资料,以Penman法结果作为对照,对较为常用的另一计算参照作物腾发量的方法—Priestley Taylor方法的适用性问题进行了探讨。年值序列比较显示,在华北干旱半干旱的气候条件下,Priestley Taylor结果比Penman结果低11%～27%,两者最大相差346 5mm,最小相差112 2mm,多年平均相差240 5mm。对历年逐月序列分析显示,Priestley Taylor方法在7、8月份的应用效果很好,与Penman结果没有显著差异;但在其它月份应用效果较差,与Penman结果均存在显著差异。年值及月值序列的相关分析均显示,空气动力项与辐射项之比是影响Priestley Taylor方法应用效果的重要因素,且二者呈显著负相关。该比值越小,2种方法的吻合程度越好,Priestley Taylor方法应用效果也越好;反之,应用效果越差。随着Priestley Taylor方法在作物模拟模型中的广泛应用,干旱气候条件下如何对Priestley Taylor公式参数进行适当订正,值得进一步研究。

西安地区Priestley—Taylor和Hargreaves方法应用比较

以世界粮农组织推荐的Penman-Monteith方法作为计算参考作物蒸发蒸腾量的标准,对Priestley-Taylor和Hargreaves方法在西安地区的适用性问题进行了探讨,分别建立了这两个公式的回归关系式,并且对这两种方法进行修正。结果表明:Hargreaves方法在西安地区有着较好的准确度,相对误差较小。而Priestley—Taylor方法得到的结果虽然与Penman—Monteith方法计算结果呈相同的变化趋势,相关系数R2=0.94,但计算值有较大的差异;经过修正后相对误差明显减小。因此,在气象资料有限的条件下,可以直接用Hargreaves方法来计算参考作物蒸发蒸腾量;而Priestley-Taylor方法必须经过修正后才能使用。

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。

基于径向基神经网络预测日参考作物需水量

为了利用有限的气象数据准确预测蓄水坑灌果园的日参考作物需水量,利用蓄水坑灌试验基地逐日温度与湿度数据,构建了基于径向基神经网络的ET0预测模型,并将其模拟结果及Hargreaves、Priestley-Taylor两种常用ET0计算模型的计算结果同FAO-56 Penman-Monteith(FAO56-PM)公式计算的标准值进行对比。结果表明:径向基神经网络预测模型的模拟结果与标准方法FAO56-PM公式的计算结果最接近,而Hargreaves、Priestley-Taylor两个常用计算模型的计算结果比标准值偏大,在实际应用中应对其进行校正。

Priestley-Taylor和Hargreaves公式在高矮两种参考作物上的适应性与率定

以ASCE标准Penman-Montieth公式为基准,在不同气候区分别对Priestley-Taylor和Hargreaves这两种常用的参考作物蒸发蒸腾量EFref计算公式在高矮两种参考作物上进行适应性分析、地区率定以及率定公式验证。结果表明:以矮型参考作物为参考面时,Priestley-Taylor和Hargreaves公式分别在湿润区和干旱区具有较好的适应性,但对于EFref的估算仍具有较大的误差,两公式均不能直接应用于高型参考作物;经地区率定后两公式在干旱、半干旱半湿润、湿润3个气候区高型参考作物上的计算精度显著改善,但仍低于在矮型参考作物上的精度,Priestley-Taylor公式在气候区间的差异性不明显,Hargreaves公式在干旱区有更好的适应性。

毛乌素沙地油蒿灌丛Priestley-Taylor模型系数研究

【目的】基于半经验半理论的Priestly-Taylor模型(PT)估算蒸散发(ET)时,主要依赖于精确确定该模型系数α在特定研究区内的适宜值,本研究就该模型系数α的适用性进行了本地化研究,以便更准确地估算干旱半干旱区的蒸散发。【方法】在中国西北干旱地区毛乌素沙地的一个生长季内,采用涡度协方差技术并结合气象数据信息,监测研究区典型油蒿灌丛地的水、热交换传输过程,以分析PT模型系数α的季节变化特征并确定其本地化估算参考值。【结果】在季节变化过程中,实际PT模型系数α整体变化较明显,展叶期内α系数呈单峰型变化趋势,完全展叶期和叶变色期内的α系数变化不明显;日均α系数最大值为0. 66,最小值为0. 03,全生长季α系数均值为0. 23。油蒿生长季内α系数与冠层导度和饱和水汽压差呈对数正相关;土壤含水量(30 cm处)以及叶面积指数与α系数均为正相关关系。在季节变化过程中,PT模型常规系数α=1. 26确定的蒸散量(ET1. 26)估算值以及根据逐日温度和2 m高度处风速资料计算的PT模型系数α=0. 50确定的蒸散量(ET0. 50)估算值均显著大于实测蒸散发。改进的PT模型系数的本地化推荐适宜值为0. 23,并且通过修正后的PT模型估算ET与实测值之间存在较好的一致性,线性斜率为0. 72,R2为0. 57。【结论】因此,修正的PT模型显著提高干旱半干旱区植被蒸散发估算精度,为区域植被水文过程模型提供支持。

用Priestley-Taylor公式估算作物农田蒸散量的研究

利用田间试验资料，综合考虑了影响农田蒸散的气象、作物和土壤因素，并以Ｐｒｉｅｓｔｌｅｙ－Ｔａｙｌｏｒ公式为基础，建立了不同作物（棉花、玉米和冬小麦）的农田蒸散估算模型。该模型仅需常规气象和农业气象资料，计算简便。

Priestley-Taylor模型在江西省适用性研究

为了提高Prietley-Taylor(P-T)模型在江西省的适用性和精度,提高区域作物需水量估算精度和水资源优化配置水平,使用了江西省26个气象站1961-2010年逐日气象数据,以FAO Penman-Monteith(P-M)模型为标准,使用对P-T模型参数进行了全年率定(PT1)和分季率定(PT2),并对P-T模型模拟结果进行了评价和精度分析,并使用周边省份17个站点气象数据建立模型,对模型参数进行了空间插值。结果显示:全年率定参数α介于1.05~1.18之间,且参数呈现北部平原最高,西部山区较低的趋势。分季率定模式下,春季和夏季参数值较小,冬季最大,并呈现一定程度的高估。P-T模型两种率定方法在年尺度和月尺度上均呈现出了较好适用性,但t检验结果显示,分季率定模式数据一致性更高。PT2对P-T模型随季节变化的响应能力得到了增强,精度和适应性得到了提高,可用于在气象资料缺乏条件下江西省ET0的简化计算。

基于Priestley-Taylor模型的低丘红壤区水热通量变化及影响因素

Priestley-Taylor参考作物蒸散模型系数的本地化是提高区域蒸散模拟精度的关键。以江西省低丘红壤区农田为研究对象,基于大孔径闪烁仪的观测数据,利用通径分析方法对农田不同时间尺度水热通量特征进行了定量研究。同时,采用Priestley-Taylor模型模拟了红壤区作物蒸散,与实测蒸散进行了比较,并对该模型的系数进行了修正,评价了P-T1.26及P-T1.07模型在本地模拟蒸散的适用性。结果表明,逐日尺度下农田水热通量变化曲线呈单峰形且受天气条件影响明显,逐月尺度下净辐射通量、潜热通量及土壤热通量呈减小的变化趋势;净辐射通量、空气温度及水汽压亏缺是影响潜热通量的主导因子,均对潜热交换有促进作用;P-T1.26模拟的蒸散比实测偏高13.77%,P-T1.07模拟的蒸散比实测偏低3.39%,参数修正后的P-T1.07模型模拟精度明显提高,α=1.07可以作为研究区Priestley-Taylor模型的本地化适宜参数。

用Priestley-Taylor模式计算棉田实际蒸散量的研究

在农田蒸散试验资料的基础上，综合考虑影响棉田实际蒸散的气象条件，棉花生物学特性和土壤水分等因素，利用Ｐｒｉｅｓｔｌｅｙ－Ｔａｙｌｏｒ模式、棉花叶面积指数和相对有效土壤湿度建立了棉田实际蒸散量的计算模式．该模式仅需常规气象和农业气象资料，具有较高的精度，便于在干旱区推广使用．

用Priestley-Taylor公式估算冬小麦农田实际蒸散

本文以田间试验资料为基础，综合考虑了气象、作物和土壤因素对农田实际蒸散的影响，采用Ｐｒｉｅｓｔｌｅｙ－Ｔａｙｌｏｒ公式，并且结合叶面积指数和相对有效土壤湿度建立了冬小麦农田实际蒸散计算模型．该模型仅需常规气象资料和农业气象资料，计算简便，具有一定的应用价值．

基于Priestley-Taylor模型的贵州省涟江流域蒸散发时空变化及其影响因素分析

开展蒸散发时空变化及其驱动因素研究,对流域水土资源开发管理和可持续利用具有重要意义。基于Priestley-Taylor模型,结合地表温度、地表反照率、NDVI、太阳天顶角、DEM、土壤和土地利用覆盖类型等多源遥感数据,对贵州省涟江流域2005—2014年ET(Evapotranspiration,蒸散发)时空格局及其影响因素进行研究。结果表明:Priestley-Taylor模型在涟江流域的反演精度良好,相对误差为-1.39%~12.05%,估算结果能够满足该区的蒸散发研究需求;涟江流域2005—2014年ET多年均值为901.08 mm/a,总体呈波动增加趋势,增长率为36.8 mm/(10a),年内ET呈春、夏季节高而秋、冬季节低的单峰变化形式;流域ET的空间差异明显,总体呈东南、东北高,西部和中部地区低的空间分布格局,春、夏、秋季ET的空间分布与多年平均空间分布基本一致,而冬季的空间分布较为不同;不同土地覆盖类型的蒸散强度表现为:常绿针叶林>永久湿地>落叶阔叶林>裸地或低值被覆盖地>城市建成区,高植被覆盖区的蒸散发大于低植被覆盖区;不同土壤类型的蒸散发表现为:石灰土>黄壤>红壤>水稻土>紫色土。石灰土的土层较薄,蒸散量较大,不利于土壤水分涵养。

从自由且实用的教育到普遍的永恒幸福——普里斯特利教育思想释读

普里斯特利是一位对教育现代化的开端进行系统性思考、并提供重要改革思路的启蒙教育家。在培根与洛克等人的影响下,普里斯特利以其对教育、科学、哲学、政治、神学的高度热情,自由地探索人、自然与社会的内在联系。他敏锐地意识到了科学发展的重要性,并指明包含“文雅、科学和神学知识”的自由教育,将实现人性的整全,带来普遍的永恒幸福。为此他在不信奉国教者学院中创新性引入并实践了科学教育,既影响了彼时大西洋两岸的教育发展,也启发了赫胥黎、斯宾塞等教育思想家。但普里斯特利并非科学与理性的拥趸,他更坚守教育内在的永恒价值——使人成为人,因为这才是人类社会得以实现普遍的永恒幸福的可能性所在。

Priestley-Taylor模型在浮球覆盖下水面蒸发量估算中的应用

针对漂浮覆盖下干旱区平原水库防蒸发节水效果的评估问题,采用Priestley-Taylor(P-T)模型对浮球覆盖下水面蒸发量进行估算.结合完整非冰冻期内浮球覆盖下整体表面能量平衡组分变化权重,通过以下两种方法计算P-T模型系数α:(1)引入波文比β建立P-T模型系数α_1的计算公式;(2)以P-T模型中辐射项为自变量,实测水面蒸发量对应的潜热通量为因变量,通过线性拟合法得出P-T模型系数α_2值.根据波文比β和系数α的月际变化特征,在完整非冰冻期、单数月、双数月3种时间尺度下,对应用于P-T模型的估算效果进行分析.结果表明:P-T模型可较好地估算浮球覆盖下的水面蒸发量,而且系数α_2(0.42~0.44)对应的P-T模型模拟效果优于系数α_1(0.39~0.60)对应的P-T模型模拟效果.该研究结论对科学评价浮球覆盖下干旱区平原水库防蒸发节水效果具有参考价值.

基于多源遥感数据的蒸散发时空融合研究——以贵州省后寨河小流域为例

获取具有高时空分辨率的蒸散发数据对于喀斯特区域水资源管理和规划具有重要意义。基于增强型自适应时空融合模型和MS-PT蒸散发估算模型,设计输入参数融合方案,构建喀斯特区域具有高时空分辨率的蒸散发数据集。结果表明:基于MS-PT模型在该地区估算蒸散发与实测值较为接近;自适应时空融合模型在地表复杂的喀斯特区具有较好的适用性;对于输入参数融合方案,融合后的蒸散发与实测蒸散发具有可靠的融合精度。