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。