CN102722766B - 基于修订的区域气候模式数据的小麦产量预测方法 - Google Patents

Abstract

本发明提供了一种基于修订的区域气候模式数据的小麦产量预测方法，通过观测的历史逐日气象数据，对未来区域气候模式修订的日最高最低温度、降雨强度、降雨频率、太阳辐射数据进行修订，使区域气候的数据既保持其原有的年际变化规律，又符合该站点历史气象变化规律，解决了区域气候的模拟值与观测数据之间系统性偏差、太少的连续干旱天数、无法重现高降雨事件以及时空尺度上的不匹配等带来的问题；进一步将修订后的区域气候模式数据与小麦生长模拟系统相结合，有效地提高了小麦成熟期和产量的预测精度，实现了小麦生长模拟系统和区域气候模式尺度上的统一。

Description

基于修订的区域气候模式数据的小麦产量预测方法

技术领域

本发明提供基于修订的区域气候模式数据的小麦产量预测方法，特别涉及利用小麦生长模拟系统结合修订后的区域气候模式数据提高小麦产量预测精度。

背景技术

近半个多世纪以来，国际上出现了不少小麦生长模拟系统，如美国的DSSAT系统、澳大利亚的APSIM系统、中国的WheatGrow系统等，它们通过解析“气象—土壤—技术措施”与小麦生理生态过程的机理关系，对小麦的生长发育及产量形成过程进行定量的预测。小麦生长模拟系统要实现对未来农业生产的预测与评价，首先要保证输入未来的气象数据，而区域气候模式能够预测未来的气象数据。很多研究肯定了区域气候模式的准确性，但同时也指出产生的气象数据与观测数据相比存在系统性偏差，太少的连续干旱天数，无法重现高降雨事件，太多的微降雨天气等现象。另外，尽管区域气候模式具有较高的空间分辨率，从几十公里到上百公里，但测定小麦生长模拟系统一般是以田块为尺度进行预测，从而使得与基于田块尺度的小麦生长模拟系统与区域气候模式相结合时还存在时空尺度不匹配的问题。因此需要解决区域气候模式所产生的气象数据系统性偏差、太少的连续干旱天数、无法重现高降雨事件、太多的微降雨的天气以及与小麦生长模拟系统之间的尺度差异等问题，以达到提高小麦生育期和产量预测精度的目的。

发明内容

本发明提供了基于修订的区域气候模式数据的小麦产量预测方法，即通过实测的逐日历史气象数据对区域气候模式生成的未来数据进行修订，解决区域气候模式产生的气象数据的系统性偏差、太少的连续干旱天数、无法重现高降雨事件、太多的微降雨的天气，以及与以田块为尺度的小麦生长模拟系统相结合存在着尺度上不匹配的问题，达到提高小麦生长模拟系统对小麦生育期和产量预测精度的目的。

本发明的目的在于提供一种基于修订的区域气候模式数据的小麦产量预测方法，该方法包括以下步骤：

在小麦种植之前，利用五点取样法，将耕层土壤从上到下分四层进行田间土壤取样，然后通过室内物理化学分析，测定每层土壤容重、饱和含水量、田间持水量、萎焉含水量、实际含水量、土壤全氮、土壤氨态氮和硝态氮，记录小麦生长过程中的田间栽培管理数据；

通过自动气象站记录小麦生长季历史k年田间逐日气象数据，气象数据包括日最高气温、日最低气温、日太阳辐射、日降水量；

利用手持GPS定位仪测量该田块的经纬度，利用SuperMap软件提取区域气候模式(RCM)中对应该田块的经纬度所在栅格的未来m年逐日气象数据；

利用气象数据修订方法，将观测的历史k年田间逐日气象数据作为基础数据，修订区域气候模式生成的未来m年降雨频率，日降水量、日太阳辐射、日最高最低气温；

将修订后的区域气候模式生成的的逐日气象数据、以及相应的土壤数据、栽培管理数据，输入到小麦生长模拟系统，对该季小麦生育期和产量进行预测与评价。

进一步，对区域气候模式的降雨频率进行修订的实现方法为：

以a月份为例，将自动气象站记录的历史k年所有a月份的降水天数(降雨量低于0.1mm认定为非降雨，降雨量高于0.1mm认定为降雨)除去a月份的总天数，即为历史观测a月份平均降水频率。

用该降水频率乘以RCM生成的未来m年所有a月份的总天数，就得到根据历史观测数据估计的未来m年a月份总降水天数n天。

将RCM生成的未来m年所有a月份的降雨数据按照降雨量从大到小排列，第n天对应的降雨量作为临界降雨量，将该降雨量作为判断RCM生成的未来气象数据中是否降雨的阀值，低于阀值认定为非降雨，高于阀值认定为降雨。通过上述修订，使得RCM生成的气象数据未来m年a月份降雨频率等于该地区历史观测a月份的降雨频率。

进一步，对区域气候模式生成的逐日降雨量进行修订采用以下步骤：

第一步，利用伽玛分布(公式1)代表RCM生成的和历史观测的每月降雨量的概率密度分布，，分别为反映概率分布的形状参数和尺度参数，x为每日降雨量。

$f(x,\mathrm{\α},\mathrm{\β})=\frac{1}{{\mathrm{\β}}^{\mathrm{\α}}\mathrm{\Γ}\left(\mathrm{\α}\right)}{x}^{\mathrm{\α}-1}{e}^{-x/\mathrm{\β}};---\left(1\right)$

第二步，利用极大释然方法估计得到每月的RCM和历史观测降雨量参数，(公式2)，月降雨量的平均值、方差s²。

$\mathrm{\α}=\frac{{\stackrel{\‾}{x}}^2}{s^2};$ $\mathrm{\β}=\frac{s^2}{\stackrel{\‾}{x}}---\left(2\right)$

第三步，假如RCM生成的某月第一天的降雨量为x_i，将x_i带入公式3，计算其对应的该月RCM生成的降雨量数据的累积概率F(x≤R)(公式3)。

$F(x\≤R)=\underset{0}{\overset{R}{\∫}}f(x;\mathrm{\α},\mathrm{\β})\mathrm{dx}---\left(3\right)$

第四步，再将累积概率F(x≤R)带入历史观测每月降雨量数据累积概率的反函数，计算得到R′(公式4)。R′即为修订后的逐日降雨量。

$R^{\′}=F_{\mathrm{his}}^{-1}\left(F(x\≤R)\right)---\left(4\right)$

进一步，对区域气候模式逐日太阳辐射进行修订方采用以下步骤：

第一步，利用贝塔分布(公式5)代表RCM和历史观测每月太阳辐射的概率密度分布，Γ(·)代表伽玛分布(公式1)。

$f\left(x\right|a,b)=\frac{1}{B(a,b)}{(1-x)}^{b-1}{x}^{a-1},a,b>\mathrm{0,0}\≤x\≤1;$ $B(a,b)=\frac{\mathrm{\Γ}\left(a\right)\mathrm{\Γ}\left(b\right)}{\mathrm{\Γ}(a+b)}---\left(5\right)$

第二步，利用极大释然方法估计得到每月的RCM和历史观测太阳辐射参数a，b(公式7，8)，月太阳辐射的平均值、方差s²。

$\hat{a}=\frac{{\stackrel{\‾}{x}}^2(1-\stackrel{\‾}{x})}{s^2}-\stackrel{\‾}{x};$ $\hat{b}=\frac{\hat{a}(1-\stackrel{\‾}{x})}{\stackrel{\‾}{x}}---\left(6\right)$

第三步，假如RCM生成的某月第一天的太阳辐射为H，将H带入公式7，计算其对应的该月RCM生成的太阳辐射数据的累积概率F(x≤H)。

$F(x\≤H)=\underset{0}{\overset{H}{\∫}}f(x;a,b)\mathrm{dx}---\left(7\right)$

第四步，再将累积概率F(x≤H)带入历史观测每月太阳辐射数据累积概率的反函数，计算得到(公式8)。H′即为修订后的逐日太阳辐射。

$H^{\′}=F_{\mathrm{his}}^{-1}\left(F(x\≤H)\right)---\left(8\right)$

进一步，对区域气候模式生成的逐日温度进行修订采用以下步骤：

第一步，利用高斯分布代表RCM和历史观测每月最高、最低温度的概率密度分布(公式9)。

$f(x;\stackrel{\‾}{x},s)=\frac{1}{s\sqrt{2\mathrm{\π}}}{e}^{-\frac{{(x-\stackrel{\‾}{x})}^2}{s^2}};-\∞\≤x\≤\∞---\left(9\right)$

第二步，计算每月RCM和历史观测最高温度、最低温度的平均值和方差s2。

第三步，假如RCM生成的某月第一天的温度为T，将T代入公式10，计算其对应的该月RCM的累积概率F(x≤T)。

$F(x\≤T)=\underset{-\∞}{\overset{T}{\∫}}f(x;\stackrel{\‾}{x},s)\mathrm{dx}---\left(10\right)$

第四步，再将累积概率F(x≤T)带入历史观测每月最高温度、最低温度累积概率的反函数，计算得到T′(式11)。T′即为修订后的逐日温度。

$T^{\′}=F_{\mathrm{his}}^{-1}\left(F(x\≤T)\right)---\left(11\right)$

进一步，所述的历史k年的范围是0-20年，a月份的范围为1-12月份。

进一步，所述的未来m年的范围是10-40年，n天的范围为大于0天。

进一步，所述的贝塔分布的x值范围在0～1之间，而太阳辐射的范围在0～33MJ·m^-2·d^-1之间，因此对月太阳辐射的平均值、方差进行公式的转换(公式12)，使得x值范围在0到1之间。其中a＝0MJ·m^-2·d^-1，b＝33MJ·m^-2·d^-1。

${\stackrel{\‾}{x}}^{\′}=\frac{\stackrel{\‾}{x}-a}{b-a};$ $s_{x^{\′}}^2=\frac{s^2}{{(b-a)}^2}---\left(12\right)$

进一步，所述区域气候模式逐日气象数据获取方法为：

利用手持GPS定位仪测量田间的经纬度(x，y)，

利用SuperMap中的根据经纬度提取栅格数据的功能get_value(x，y)，编程提取m年RCM生成数据对应该经纬度的栅格数值。

本发明提供了一种基于修订的区域气候模式数据的小麦产量预测方法，通过历史逐日观测气象数据，对区域气候模式生成的未来日最高最低温度、降雨强度、降雨频率、太阳辐射数据进行修订，使区域气候的数据既保持其原有的年际变化规律，又符合该站点历史气象变化规律，解决了区域气候模拟值与观测值之间系统性偏差、太少的连续干旱天数、无法重现高降雨事件以及时空尺度上的不匹配等问题，进一步将修订后额区域气候模式数据与小麦生长模拟系统相结合，有效地提高了小麦生育期和产量的预测精度，实现了小麦生长模拟系统和区域气候模式生成数据在尺度上的统一。

附图说明

图1是本发明实施例提供了基于修订的区域气候模式数据的小麦产量预测方法的实现流程图；

图2是本发明实施例提供的对区域气候模式生成的的气象数据进行修订的实现方法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明做进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定发明。

图1示出了本发明实施例提供基于修订的区域气候模式数据的小麦产量预测方法的实现流程图；

该方法包括以下步骤：

在步骤S101中，在小麦种植之前，利用五点取样法，将耕层土壤从上到下分四层进行田间土壤取样，然后通过室内物理化学分析，测定每层土壤容重、饱和含水量、田间持水量、萎焉含水量、实际含水量、土壤全氮、土壤氨态氮和硝态氮，记录小麦生长过程中的田间栽培管理数据；

在步骤S102中，通过自动气象站记录小麦生长季历史k年田间逐日气象数据，气象数据包括日最高气温、日最低气温、日太阳辐射、日降水量；

在步骤S103中，利用手持GPS定位仪测量该田块的经纬度，利用SuperMap软件提取区域气候模式(RCM)中对应该田块的经纬度所在栅格的未来m年逐日气象数据；

在步骤S104中，利用气象数据修订方法，将观测的历史k年田间逐日气象数据作为基础数据，修订区域气候模式生成的未来m年降雨频率，日降水量、日太阳辐射、日最高最低气温。

在该步骤中区域气候模式降雨频率修订采用以下步骤：

第一步，以a月份为例，将历史k年所有a月份的降水天数(降雨量低于0.1mm认定为非降雨，降雨量高于0.1mm认定为降雨)除去a月份的总天数，即为历史观测a月份平均降水频率。

第二步，用该降水频率乘以RCM生成的未来m年所有a月份的总天数，就得到根据历史观测数据估计的未来m年a月份总降水天数n天。

第三步，将未来多年RCM所有a月份的降雨数据按照降雨量从大到小排列，数出第n天对应的降雨量作为临界降雨量，将该降雨量作为判断RCM生成的未来气象数据中是否降雨的阀值，低于阀值认定为非降雨，高于阀值认定为降雨。通过上述修订，使得RCM生成的气象数据未来m年a月份降雨频率等于该地区历史观测a月份的降雨频率。

在该步骤中区域气候模式生成的逐日降雨量进行修订采用以下步骤(图2)：

第一步，利用伽玛分布(公式1)代表RCM生成的和历史观测每月降雨量的概率密度分布，α及β分别为反映概率分布的形状参数和尺度参数，x为每日降雨量。

$f(x;\mathrm{\α},\mathrm{\β})=\frac{1}{{\mathrm{\β}}^{\mathrm{\α}}\mathrm{\Γ}\left(\mathrm{\α}\right)}{x}^{\mathrm{\α}-1}{e}^{-x/\mathrm{\β}};---\left(1\right)$

第二步，利用极大释然方法估计得到每月的RCM生成的和历史观测降雨量参数α及β(公式2)，月降雨量的平均值、方差s²。

$\mathrm{\α}=\frac{{\stackrel{\‾}{x}}^2}{s^2};$ $\mathrm{\β}=\frac{s^2}{\stackrel{\‾}{x}}---\left(2\right)$

第三步，假如RCM生成的某月第一天的降雨量为R，将R带入公式3，计算其对应的该月RCM生成的降雨量数据的累积概率F(x≤R)(公式3)。

$F(x\≤R)=\underset{0}{\overset{R}{\∫}}f(x;\mathrm{\α},\mathrm{\β})\mathrm{dx}---\left(3\right)$

第四步，再将累积概率F(x≤R)带入历史观测每月降雨量数据累积概率的反函数，计算得到(公式4)，R′即为修订后的太阳辐射。

$R^{\′}=F_{\mathrm{his}}^{-1}\left(F(x\≤R)\right)---\left(4\right)$

步骤S104中对区域气候模式生成的逐日太阳辐射进行修订采用以下步骤(图2)：

第一步，利用贝塔分布(公式5)代表RCM和历史观测每月太阳辐射的概率密度分布，Γ(·)代表伽玛分布(公式1)。

$f(x;a,b)=\frac{1}{B(a,b)}{(1-x)}^{b-1}{x}^{a-1},a,b>\mathrm{0,0}\≤x\≤1;$ $B(a,b)=\frac{\mathrm{\Γ}\left(a\right)\mathrm{\Γ}\left(b\right)}{\mathrm{\Γ}(a+b)}---\left(5\right)$

第二步，利用极大释然方法估计得到每月的RCM和历史观测太阳辐射参数a，b(公式7，8)，月太阳辐射的平均值、方差s²。

$\hat{a}=\frac{{\stackrel{\‾}{x}}^2(1-\stackrel{\‾}{x})}{s^2}-\stackrel{\‾}{x};$ $\hat{b}=\frac{\hat{a}(1-\stackrel{\‾}{x})}{\stackrel{\‾}{x}}---\left(6\right)$

第三步，假如RCM生成某月第一天的太阳辐射为H，将H带入公式7，计算其对应的该月RCM的累积概率F(x≤H)。

$F(x\≤H)=\underset{0}{\overset{H}{\∫}}f(x;a,b)\mathrm{dx}---\left(7\right)$

第四步，再将累积概率F(x≤H)带入历史观测每月太阳辐射数据累积概率的反函数，计算得到(公式8)。H′即为修订后的太阳辐射。

$H^{\′}=F_{\mathrm{his}}^{-1}\left(F(x\≤H)\right)---\left(8\right)$

对区域气候模式生成的逐日温度进行修订采用以下步骤(图2)：

第一步，利用高斯分布代表RCM和历史观测每月最高、最低温度的概率密度分布(公式9)。

$f(x;\stackrel{\‾}{x},s)=\frac{1}{s\sqrt{2\mathrm{\π}}}{e}^{-\frac{{(x-\stackrel{\‾}{x})}^2}{s^2}};-\∞\≤x\≤\∞---\left(9\right)$

第二步，计算每月RCM生成的和历史观测的最高温度、最低温度的平均值和方差s²。

第三步，假如RCM生成某月第一天的温度为T，将T代入公式10，计算其对应的该月RCM生成的太阳辐射数据的累积概率F(x≤T)。

$F(x\≤T)=\underset{-\∞}{\overset{T}{\∫}}f(x;\stackrel{\‾}{x},s)\mathrm{dx}---\left(10\right)$

第四步，再将累积概率F(x≤T)带入历史观测每月最高温度、最低温度累积概率的反函数，计算得到(公式11)。T′即为修订后的逐日温度。

$T^{\′}=F_{\mathrm{his}}^{-1}\left(F(x\≤T)\right)---\left(11\right)$

在步骤S105中，将修订后的区域气候模式生成的逐日气象数据、以及相应的土壤数据、栽培管理数据，输入到小麦生长模拟系统，对该季小麦生育期和产量进行预测与评价。

在本发明实施例中，步骤S102中所述的历史k年的范围是0-20年，a月份的范围为1-12月份。

在本发明实施例中，步骤S103中所述的未来m年的范围是10-40年，n天的范围为大于0天。

在本发明实施例中，步骤S104中所述的贝塔分布的x值范围在0～1之间，而太阳辐射的范围在0～33MJ·m^-2·d^-1之间，因此对月太阳辐射的平均值、方差进行公式的转换(公式12)，使得x值范围在0到1之间。其中a＝0MJ·m^-2·d^-1，b＝33MJ·m^-2·d^-1。

${\stackrel{\‾}{x}}^{\′}=\frac{\stackrel{\‾}{x}-a}{b-a};$ $s_{x^{\′}}^2=\frac{s^2}{{(b-a)}^2}---\left(12\right)$

在本发明实施例中，区域气候模式逐日气象数据获取方法为：

利用手持GPS定位仪测量田间的经纬度(x，y)，

利用SuperMap中的根据经纬度提取栅格数据的功能get_value(x，y)，编程提取m年RCM对应该经纬度的栅格数值；

将提取的逐日降雨量、太阳辐射、最高温度、最低温度的数据，按照日期排序，分别保存到不同的文本文件中，作为气象数据修订的输入文件。

以下是本发明实施例提供的方法一个具体的应用示例，详述如下：

1.WheatGrow小麦生长模拟系统的数据获取：在小麦种植之前，利用五点取样法，将耕层土壤从上到下分4层进行田间土壤取样，然后通过室内物理化学分析，测定土壤容重、饱和含水量、田间持水量、萎焉含水量、实际含水量、土壤全氮含量；利用流动分析仪测定土壤氨态氮和硝态氮；记录小麦生长过程中的田间栽培管理数据；

表1初始土壤数据测定

2.通过自动气象站记录小麦生长季之前24年田间逐日气象数据，包括日最高气温、日最低气温、日太阳辐射、日降水量；

3.利用手持式GPS定位仪测量该田块的经度为117°09′，纬度为34°17′，利用SuperMap软件提取区域气候模式(RegCM3)中对应该田块的经纬度所在栅格的逐日气象数据；

4.利用气象数据修订方法，将1970-1993年田间逐日气象数据作为基础数据，修订1994-2005年区域气候模式所生成的降雨频率，日降水量、日太阳辐射、日最高最低气温；

5.将修订后的区域气候模式的逐日气象数据，以及相应的土壤数据，栽培管理数据，输入到WheatGrow小麦生长模拟系统，利用WheatGrow小麦生长模拟系统对1994-2005年小麦成熟期和产量进行预测与评价，表2表明利用WheatGrow小麦生长模拟系统与修订后的RegCM3数据结合预测的成熟期和产量要优于修订前模拟结果(r值变大，RMSE变小)。

表2

本发明实施例提供一种区域气候模式数据修订方法，将区域气候模式降尺度到田块尺度，实现了小麦生长模拟系统和区域气候模式生成的气象数据在尺度上的统一，达到了提高小麦生育期和产量预测精度的目的。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.基于修订的区域气候模式数据的小麦产量预测方法，其特征在于，该方法包括以下步骤：

在小麦种植之前，利用五点取样法，将耕层土壤从上到下分四层进行田间土壤取样，然后通过室内物理化学分析，测定每层土壤容重、饱和含水量、田间持水量、萎焉含水量、实际含水量、土壤全氮、土壤氨态氮和硝态氮，记录小麦生长过程中的田间栽培管理数据；

通过自动气象站记录小麦生长季历史k年田间逐日气象数据，气象数据包括日最高气温、日最低气温、日太阳辐射、日降水量；

利用手持GPS定位仪测量本田块的经纬度，利用SuperMap软件提取区域气候模式RCM中对应本田块的经纬度所在栅格的未来m年逐日气象数据；

利用气象数据修订方法，将观测的k年田间逐日气象数据作为基础数据，修订区域气候模式生成的未来m年降雨频率，日降水量、日太阳辐射、日最高最低气温；

将修订后的区域气候模式生成的的逐日气象数据、以及相应的土壤数据、栽培管理数据，输入到小麦生长模拟系统，对本季小麦生育期和产量进行预测与评价；

对区域气候模式生成的降雨频率进行修订的实现方法为：

步骤一，以a月份为例，将自动气象站记录的历史k年所有a月份的降水天数除去a月份的总天数，即为历史观测a月份平均降水频率；

步骤二，用该降水频率乘以RCM生成的未来m年所有a月份的总天数，就得到根据历史观测数据估计的未来m年a月份总降水天数n天；

步骤三，将RCM生成的未来多年所有a月份的降雨数据按照降雨量从大到小排列，第n天对应的降雨量作为临界降雨量，将该降雨量作为判断RCM生成的未来气象数据中是否降雨的阀值，低于阀值认定为非降雨，高于阀值认定为降雨，通过上述修订，使得RCM生成的气象数据未来m年a月份降雨频率等于本地区历史观测a月份的降雨频率；

对区域气候模式生成的逐日降雨量进行修订采用以下步骤：

第一步，利用伽玛分布和公式(1)代表RCM生成的和历史观测每月降雨量的概率密度分布，α和β分别为反映概率分布的形状参数和尺度参数，x为每日降雨量，

$f(x,\mathrm{\α},\mathrm{\β})=\frac{1}{{\mathrm{\β}}^{\mathrm{\α}}\mathrm{\Γ}\left(\mathrm{\α}\right)}{x}^{\mathrm{\α}-1}{e}^{-x/\mathrm{\β}}---\left(1\right)$

第二步，利用极大释然方法估计得到每月的RCM和历史观测降雨量参数的公式(2)，月降雨量的平均值方差s²，

$\mathrm{\α}=\frac{{\stackrel{\‾}{x}}^2}{s^2},\mathrm{\β}=\frac{s^2}{\stackrel{\‾}{x}}---\left(2\right)$

第三步，假如RCM生成的某月第一天的降雨量为R，将R带入公式(3)，计算其对应的该月RCM生成的降雨量数据的累积概率F(x≤R)，

$F(x\≤R)=\underset{0}{\overset{R}{\∫}}f(x;\mathrm{\α},\mathrm{\β})\mathrm{dx}---\left(3\right)$

第四步，再将累积概率F(x≤R)带入历史观测每月降雨量数据累积概率的反函数，得到公式(4)，R′即为修订后的逐日降雨量，

$R^{\′}=F_{\mathrm{his}}^{-1}\left(F(x\≤R)\right)---\left(4\right)$

对区域气候模式生成的逐日太阳辐射进行修订采用以下步骤：

步骤1，利用贝塔分布和公式(5)代表RCM和历史观测每月太阳辐射的概率密度分布，Γ(·)代表伽玛分布，x为每日降雨量，

$f\left(x\right|a,b)=\frac{1}{B(a,b)}{(1-x)}^{b-1}{x}^{a-1},a,b>0,0\≤x\≤1;B(a,b)=\frac{\mathrm{\Γ}\left(a\right)\mathrm{\Γ}\left(b\right)}{\mathrm{\Γ}(a+b)}---\left(5\right)$

步骤2，利用极大释然方法估计得到每月的RCM和历史观测太阳辐射参数a、b，月太阳辐射的平均值方差s²；

$\hat{a}=\frac{{\stackrel{\‾}{x}}^2(1-\stackrel{\‾}{x})}{s^2}-\stackrel{\‾}{x};\hat{b}=\frac{\hat{a}(1-\stackrel{\‾}{x})}{\stackrel{\‾}{x}}---\left(6\right)$

步骤3，假如RCM生成的某月第一天的太阳辐射为H，将H带入公式(7)，计算其对应的该月RCM生成的太阳辐射数据的累积概率F(x≤H)；

$F(x\≤H)=\underset{0}{\overset{H}{\∫}}f(x;a,b)\mathrm{dx}---\left(7\right)$

步骤4，再将累积概率F(x≤H)带入历史观测每月太阳辐射数据累积概率的反函数，计算得到公式(8)，H′即为修订后的逐日太阳辐射；

$H^{\′}=F_{\mathrm{his}}^{-1}\left(F(x\≤H)\right)---\left(8\right)$

对区域气候模式生成的逐日温度进行修订采用以下步骤：

步骤A，利用高斯分布代表RCM和历史观测每月最高、最低温度的概率密度分布公式(9)，其中x为每日降雨量，

$f(x;\stackrel{\‾}{x},s)=\frac{1}{s\sqrt{2\mathrm{\π}}}{e}^{-\frac{{(x-\stackrel{\‾}{x})}^2}{s^2}};-\∞\≤x\≤\∞---\left(9\right)$

步骤B，计算每月RCM和历史观测最高温度、最低温度的平均值和方差s²；

步骤C，假如RCM生成的某月第一天的温度为T，将T代入公式(10)，计算其对应的该月RCM的累积概率F(x≤T)，其中x为每日降雨量，

$F(x\≤T)=\underset{0}{\overset{T}{\∫}}f(x;\stackrel{\‾}{x},s)\mathrm{dx}---\left(10\right)$

步骤D，再将累积概率带入历史观测每月最高温度、最低温度累积概率的反函数，得到公式(11)，T′即为修订后的逐日温度，

$T^{\′}=F_{\mathrm{his}}^{-1}\left(F(x\≤T)\right)---\left(11\right)$

所述的历史k年的范围是0-20年，a月份的范围为1-12月份；

所述的未来m年的范围是10-40年，n天的范围为大于0天；

步骤1所述的贝塔分布的x值范围在0～1之间，而太阳辐射的范围在0～33MJ·m^-2·d^-1之间，因此对月太阳辐射的平均值、方差进行公式的转换公式(12)，使得x值范围在0到1之间，a＝0MJ·m^-2·d^-1，b＝33MJ·m^-2·d^-1；

${\stackrel{\‾}{x}}^{\′}=\frac{\stackrel{\‾}{x}-a}{b-a};s_{x^{\′}}^2=\frac{s^2}{{(b-a)}^2}---\left(12\right)$

所述区域气候模式生成的逐日气象数据获取方法为：

利用手持GPS定位仪测量田间的经纬度(x，y)，

利用SuperMap中的根据经纬度提取栅格数据的功能get_value(x，y)，编程提取m年RCM生成的数据对应该经纬度的栅格数值；

将提取的逐日降雨量、太阳辐射、最高温度、最低温度的数据，按照日期排序，分别保存到不同的文本文件中，作为气象数据修订的输入文件。