CN103886392A - 一种基于天气预报信息的冬小麦耗水量预测方法 - Google Patents

Abstract

本发明提供了一种基于天气预报信息的冬小麦耗水量预测方法，综合考虑作物自身生长发育状况、气象条件以及土壤状况等环境因素的影响，通过田间试验和数值模拟，建立了基于天气预报信息估算参考作物需水量（ET₀）的预测模型、基于积温估算冬小麦作物系数的模型，并将它们耦合到水量平衡方程当中，对广利灌区和人民胜利渠灌区冬小麦的土壤墒情进行实时预测，并根据冬小麦不同生育期灌溉指标确定灌溉日期与灌水定额。以实现土壤含水量的实时监测、旱情综合分析与作物灌溉的实时预报，为灌溉管理层和决策者提供直观的可视化决策依据，指导灌区做到适时适量灌溉，提高灌区灌溉水资源的利用率与利用效率。

Description

一种基于天气预报信息的冬小麦耗水量预测方法

技术领域

本发明属于农业技术领域，尤其涉及一种基于天气预报信息的冬小麦耗水量预测方法。

背景技术

干旱是一种对经济、社会、环境带来巨大影响的自然现象。与其他灾害相比，其出现次数多、持续时间长、影响范围大，是困扰我国农业生产的主要因素，而且已成为制约我国经济发展和社会进步的重要因素之一。据统计，因干旱我国粮食每年平均受灾面积达2000万公顷，损失粮食占全国因灾减产粮食的50%。我国每年因干旱缺水约少产粮食1000亿kg左右。采用灌溉方式缓解干旱是抗旱的重要措施，而现阶段一些基层单位和上级决策部门缺乏应有的实时墒情信息，往往等旱情发展到一定程度才组织抗旱灌“救命水”，贻误了适时灌溉的良机；也有的是灌后遇雨加重了涝渍灾害，不仅增加了灌溉投入，而且导致农作物不同程度地减产，达不到应有的投入和资源效应。当前应当转变传统的农田灌溉观念，利用高新技术，结合天气预报信息，适时指导农民进行节水灌溉。要进行节水灌溉就有必要实时了解作物的耗水动态，同时需要及时掌握土壤墒情和未来天气状况，开展土壤墒情预测和灌溉预报，使作物得到适时适量的灌溉。监测土壤墒情，结合未来一段时间天气预报信息，对当地的作物耗水量作出预测，是确定灌溉用水、精确管理田间用水的最有效和最直接的方法。目前，发达国家的先进灌区都是根据气象资料、土壤墒情资料、作物长势资料确定作物的灌溉水量及灌溉时间，及时提供用水信息，从而使农业灌溉管理更加科学化、精确化，达到农业用水的科学管理和节水的目的。旱灾是威胁我国农业生产的主要自然灾害，在干旱灾害的防治上，基于天气预报信息的作物耗水量预测，无论是在掌握区域性旱情分布及受旱程度上，还是在水资源日益紧缺情况下的农业用水管理上，都是一个十分重要的指标；根据预测结果和土壤墒情资料，可以及时了解旱灾的分布及旱情的严重程度，从而为建立农业生产的保障体系和抗旱减灾服务。

虽然我国在土壤墒情监测、需水量计算、水资源调查等方面取得了不少成就，但是如何根据区域的天气预报信息并结合区域种植模式下作物的耗水规律开展灌溉预报，实现灌区水资源的合理调配以及科学管理还做得不够。

发明内容

本发明的目的在于提供一种基于天气预报信息的冬小麦耗水量预测方法，旨在解决我国在土壤墒情监测和灌溉预报方面与灌区的用水管理结合不够的问题。

本发明是这样实现的，一种基于天气预报信息的冬小麦耗水量预测方法，其特征在于基于天气预报可测因子探讨ET₀估算方法的应用效果，筛选出不同时间尺度既有预报精度又能充分利用现有天气预报信息的ET₀估算方法；

对筛选出的ET₀估算方法进行率定修正以提高估算精度；

建立基于有效积温的冬小麦整个生育期内的作物系数模拟模型；

确定土壤水分修正系数；

将筛选的并经过修正后的ET₀估算方法与作物系数模拟模型进行整合，同时考虑土壤水分修正系数，构建基于天气预报信息的冬小麦逐日耗水量预测模型。

优选地，所述基于天气预报可测因子探讨ET₀估算方法的应用效果，筛选出不同时间尺度既有预报精度又能充分利用现有天气预报信息的ET₀估算方法包括以下具体步骤：

利用FAO56-PM公式对3种基于天气预报可测因子温度的ET₀计算方法进行比较分析，主要依据平均偏差、平均相对偏差、相关系数和t统计量4种指标分别对日、旬、月和年值序列的吻合程度做出评价；

根据比较分析结果，并选择Harg公式为目标算法。

优选地，所述对筛选出的ET₀估算方法进行率定修正以提高估算精度包括以下具体步骤：

采用比例修正法、回归修正法和对Harg公式内部参数分别进行率定修正；

在不同时间尺度下，比较3种修正Harg公式与FAO56-PM公式之间的相关关系，并选择对Harg公式内部参数的率定修正公式，用函数定义为：

${\mathrm{ET}}_0\left(\mathrm{HG}3\right)=K\frac{1}{\mathrm{\λ}}{(T_{\max }-T_{\min })}^n\left(\frac{T_{\max }+T_{\min }}{2}{T}_{\mathrm{off}}\right)R_a---\left(1\right),$

式（1）中，系数K、指数n和气温偏移量Toff均通过气温资料和FAO56-PM公式计算结果来选定。

优选地，所述建立基于有效积温的冬小麦整个生育期内的作物系数模拟模型包括以下具体步骤：

将叶面积指数与作物系数相关数据拟合，拟合公式用函数定义为：

K_ci＝a·LAI+b      （2），

式（2）中，LAI为叶面积指数，a、b参数分别为0.14、0.3918，决定系数R²为0.9277；

用Logistic曲线对积温与冬小麦LAI之间的相关性进行模拟，扩充后的五次Logistic模型用函数定义为：

$\mathrm{LAI}=\frac{b\·{\mathrm{LAI}}_{\max }}{1+\exp \left(\underset{j=0}{\overset{n}{\mathrm{\Σ}}}{a}_j{\mathrm{RGDD}}_j\right)}---\left(3\right),$

式（3）中，LAI_max为冬小麦生育期最大叶面积指数，RGDD_j为相对积温值（与整个生育期积温的比值），a_j（j=0，……，5）和b为待定系数，其拟合参数分别为24.84、-161.4、374、-392.6、169.2、-11.46和1.169。

优选地，所述确定土壤水分修正系数包括以下具体步骤：

通过FAO法确定土壤水分修正系数，用函数定义为：

$\begin{array}{cc}{K}_w=\frac{\mathrm{TAW}-D_r}{\mathrm{TAW}-\mathrm{RAW}},& D_r>\mathrm{RAW}\\ K_w=1.0,& D_r\≤\mathrm{RAW}\end{array}---\left(4\right);$

式（4）中，TAW＝10γZ_r(θ_fc-θ_wp)，D_r＝10γZ_r(θ_fc-θ)，RAW＝p·TAW；式中：TAW为作物主要根系层总的土壤有效储水量，mm；RAW为易于被作物根系利用的根区土壤储水量，mm；Dr为计算时段作物根区土壤水分的平均亏缺量，mm，当计算时段选取较短时，可用时段初的土壤水分亏缺量来代替；γ为土壤容重，kg/m³；Zr为作物根系主要活动层深度，cm；θ_fc为根系层土壤平均田间持水率（占干土重的%），试验区为中壤土取24.00%；θ_wp为凋萎点土壤含水率（占干土重的%）；θ为时段初作物根系层的平均土壤含水率（占干土重的%）；p为根区中易于为作物根吸收的土壤储水量与总的有效土壤储水量的比值；

或者，通过临界值法确定土壤水分修正系数，用函数定义为：

$K_{\mathrm{wi}}=c{\left(\frac{{\mathrm{\&theta;}}_i-{\mathrm{\&theta;}}_{\mathrm{up}}}{{\mathrm{\&theta;}}_j-{\mathrm{\&theta;}}_{\mathrm{up}}}\right)}^d,({\mathrm{\&theta;}}_i<{\mathrm{\&theta;}}_j)---\left(5\right),$

式（5）中，c和d为由实测资料确定的经验系数，随生育阶段和土壤条件而变化，θ_i为计算时段内的平均土壤含水量，θ_up为凋萎含水量，θ_j为临界含水量。

优选地，所述冬小麦逐日耗水量预测模型用函数定义为：

ET₀（Harg）×K_c×K_w     （6），

或ET₀（Harg）×K_c×K_wi     （7）；

式（6）、（7）中，ET₀（Harg）为筛选并经过修正后的ET₀估算方法，K_c为作物系数模拟模型，K_w为FAO法确定土壤水分修正系数，K_wi为临界值法确定土壤水分修正系数。

本发明克服现有技术的不足，提供了一种基于天气预报信息的冬小麦耗水量预测方法，综合考虑作物自身生长发育状况、气象条件以及土壤状况等环境因素的影响，通过田间试验和数值模拟，建立了基于天气预报信息估算参考作物需水量（ET₀）的预测模型、基于积温估算冬小麦作物系数的模型，并将它们耦合到水量平衡方程当中，对广利灌区和人民胜利渠灌区冬小麦的土壤墒情进行实时预测，并根据冬小麦不同生育期灌溉指标确定灌溉日期与灌水定额。以实现土壤含水量的实时监测、旱情综合分析与作物灌溉的实时预报，为灌溉管理层和决策者提供直观的可视化决策依据，指导灌区做到适时适量灌溉，提高灌区灌溉水资源的利用率与利用效率。

附图说明

图1是本发明实施例中作物系数K_c与叶面积指数LAI的关系图；

图2是本发明实施例中相对积温RGDD与相对叶面积指数RLAI的关系图；

图3是本发明实施例中人民胜利渠灌区冬小麦返青前（2013/1/1）土壤水分实测值与预测值的比较图；

图4是本发明实施例中人民胜利渠灌区冬小麦返青后（2013/4/11）土壤水分实测值与预测值的比较图；

图5是本发明实施例中广利灌区冬小麦返青前（2012/12/12）土壤水分实测值与预测值的比较图；

图6是本发明实施例中广利灌区冬小麦返青后（2013/4/10）土壤水分实测值与预测值的比较图。

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，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1

一种基于天气预报信息的冬小麦耗水量预测方法，包括以下步骤：

S1、基于天气预报可测因子探讨ET₀估算方法的应用效果，筛选出不同时间尺度既有预报精度又能充分利用现有天气预报信息的ET₀估算方法；

在步骤S1中，参考作物需水量（ET₀）是灌溉预报和灌溉决策的基础。本发明主要利用天气预报可测因子（温度），来探讨基于温度的ET₀估算方法的应用效果，以期筛选出不同时间尺度既有一定预报精度而且能充分利用现有天气预报信息的ET₀估算方法。选取覆盖黄淮海地区北京、石家庄、安阳、郑州、孟津、驻马店和信阳7个气象站1961-2002年的逐日气象资料（包括最高最低气温、相对湿度、日照时数和风速），利用FAO56-PM公式对3种基于温度的ET₀计算方法（Hargreaves、McCloud、Thornthwaite）进行比较分析，主要依据平均偏差、平均相对偏差、相关系数和t统计量4种指标分别对日、旬、月和年值序列的吻合程度做出评价。各计算方法基本公式如下：

（1）Penman-Monteith公式

1998年，联合国粮农组织（FAO）在出版的《CropEvapotranspirationGuidelinesforComputingCropWaterRequirements》一书中，正式提出了用Penman-Monteith公式作为计算ET₀的唯一标准方法。该公式需要的基本气象参数有最高气温、最低气温、日照时数、相对湿度和风速，它的具体形式如下式所示：

${\mathrm{ET}}_0=\frac{0.408\mathrm{\&Delta;}(R_n-G)+\mathrm{\&gamma;}\frac{900}{T+273}{u}_2(e_s-e_a)}{\mathrm{\&Delta;}+\mathrm{\&gamma;}(1+0.34u_2)}---(1-1)$

式中，ET₀-应用PM公式计算的ET₀，mm·d^-1；R_n-作物冠层表面的净辐射，MJ/（m²·d）；G-土壤热通量，MJ/（m²·d)；△-饱和水汽压与温度曲线的斜率，kPa/℃；T-2m高度处的日平均气温，℃；u₂-2m高度处的风速，m/s；e_s-饱和水汽压，kPa；e_a-实际水汽压，kPa；e_s－e_a-饱和水汽压差，kPa；γ-干湿表常数，kPa/℃。

（2）Hargreaves公式

1985年，美国科学家Hargreaves和Samani根据美国西北部加利福尼亚州Davis地区八年时间的牛毛草蒸渗仪数据，推导出了依靠最高和最低气温来衡量辐射项的ET₀计算公式，具体公式如下式：

${\mathrm{ET}}_0=0.0023\&CenterDot;\frac{1}{\mathrm{\&lambda;}}{(T_{\max }-T_{\min })}^{0.5}(\frac{T_{\max }+T_{\min }}{2}+17.8)R_a---(1-2)$

式中，R_a大气顶层辐射，MJ/（m²·d）；λ-水汽化潜热，其值为2.45MJ/kg；T_max，T_min-最高气温和最低气温，℃。

（3）Mccloud公式

该公式基于日平均气温，视ET₀为温度的指数函数，公式如下式所示：

ET₀(Mc)＝K·W^1.8T     （1-3）

式中，ET₀（Mc）-用Mccloud公式计算的日ET₀值累积的旬值，T为日平均气温，其中，K=0.254，W=1.07。

（4）Thornthwaite

Thornthwaite法最初基于美国中东部地区的试验数据而提出，它仅需要月平均气温，视ET₀为温度的幂函数。提出时假设干湿空气没有平流，且潜热与显热之比为常数。考虑到黄淮海地区冬季月份平均气温经常低于0℃，本文采用改进后的公式为：

其中，

a＝0.49+0.0179I-0.0000771I²+0.000000675I³；

式中，ET₀（Thorn）-Thornthwaite法计算的参考作物蒸散量，mm·M^-1；T_i-月平均气温，℃；I-温度效率指数；a-热量指数的函数；C-与日长和纬度有关的调整系数。

1、ET₀日值序列评价

统计1961～2002年7个代表站点逐日的Harg公式、Mc公式分别与PM公式计算值的散点发布发现，Harg公式与PM公式的的ET₀计算值散点图较为均匀地分布在斜率为1的直线两侧，即其拟合直线的斜率接近于1；且7站点的Harg公式与PM公式ET₀计算值相关系数在约0.7到0.8之间，这表明总体Harg公式计算值与PM公式计算值较为一致，Harg公式与PM公式的一致性要比Mc公式与PM公式的一致性要好。

2、ET₀旬值序列评价

比较基于温度的ET0计算法与FAO56-PM法ET0逐旬均值变化发现，7个站点的Harg公式与PM公式ET0逐旬均值变化趋势都基本一致，均是由第1旬逐渐增加，在第15旬间达到最大值，然后逐渐减小，二者基本保持同步，且达到峰值的旬序完全相同，均在第15旬。而Mc公式与PM公式变化趋势差异较大，Mc公式计算的旬均值自始至终与PM公式存在明显偏差，尤其是峰值明显滞后于PM，在第21旬达到最大，Mc的峰值与最高温度出现的旬序相一致。

表1和表2给出了不同温度法公式旬对应均值的绝对偏差与相对偏差，7个站点的Harg、Mc方法与PM方法的平均偏差在夏季偏大，其他季节尤其是冬季则偏小，即7个站点平均偏差有随气温增高（降低）而增大（减小）的趋势；Mc与PM的偏离趋势非常明显，其与PM公式的平均偏差和平均相对偏差均大于Harg公式。

相关性分析显示，如表3所示，整体上，2种温度法Harg和Mc旬值序列与相应的PM存在一定相关性，但还有些旬相关不显著。另外，各站点各旬Harg与PM的相关性明显优于Mc与PM的相关性，即Harg与PM的相关系数较大。逐旬序列的t检验表明，如表4所示，各站点除少数旬序两种方法与PM公式计算值无显著差异外，多数旬序2种方法与PM方法均存在显著差异。

表1  基于温度的ET₀计算法与FAO56-PM法ET₀旬值的平均偏差

表2  基于温度的ET₀计算法与FAO56-PM法ET₀旬值的平均相对偏差

表3  基于温度的ET₀计算法与FAO56-PM法ET₀旬值的相关系数

表4  基于温度的ET₀计算法与FAO56-PM法ET₀旬值的t检验

注：1.资料年限n=42，t_0.05=2.0195；2.*为显著差异ET₀旬值序列评价

3、ET₀月值序列评价

比较基于温度的ET₀计算法与FAO56-PM法ET₀逐月均值变化后发现，7个站点的Harg公式与PM公式ET0逐月均值变化趋势都基本一致，均是从1月份逐渐增加，在6月份达到最大值，然后逐渐减小，二者基本保持同步，且达到峰值的月序完全相同。而Mc和Thorn公式计算值变化趋势基本一致，但它们与PM公式变化趋势差异较大，Mc和Thorn公式计算的月均值自始至终与PM公式存在明显偏差，峰值明显滞后于PM，均在7月份达到最大，与最高温度出现的月份相一致。

表5和表6给出了不同温度法公式月对应均值的绝对偏差与相对偏差，7个站点的Harg、Mc、Thorn公式与PM公式的平均偏差在夏季偏大，其他季节尤其是冬季则偏小，即7个站点平均偏差有随气温增高（降低）而增大（减小）的趋势；Mc与PM的偏离趋势非常明显，其与PM公式的平均偏差和平均相对偏差均大于Harg公式。

相关性分析表明（表7），7个站点的Harg月值序列与相应的PM在3种温度法中相关系数最大，一般在0.6以上。Mc公式次之，而Thorn公式与PM公式的相关性最差。逐月序列的t检验（表8）表明，不同方法各站点除极少数月份与PM公式计算值无显著差异，绝大多数月份均有显著差异。

表5  基于温度的ET₀计算法与FAO56-PM法ET₀月值的平均偏差

接上表5

表6  基于温度的ET₀计算法与FAO56-PM法ET₀月值的平均相对偏差

接上表6

表7  基于温度的ET₀计算法与FAO56-PM法ET₀月值的相关系数

接上表7

表8  基于温度的ET₀计算法与FAO56-PM法ET₀月值的t检验

接上表8

注：1.资料年限n=42，t_0.05=2.0195；2.*为显著差异ET₀月值序列评价

4、年ET₀值序列评价

统计ET₀值逐年变化并进行分析发现，7个站点Harg与PM公式计算值的历年变化趋势基本一致，二者吻合性相对较好。Thorn计算值的历年变化趋势不明显，波动较小，与PM公式计算值相差最多，这说明该方法不能对某些气象要素的变化作出响应，从而不能真实反映ET₀变化。Mc的结果介于Harg与Thorn之间。由7个站点42年年值平均偏差和相对偏差分析可知，Harg公式在全部站点的大多数年份比PM公式的计算值偏高；只在极少数年份偏低。整体上，Harg与PM的吻合程度最高，其次为Mc，吻合最差的为Thorn。

综上所述，在基于温度的所有方法中，Harg公式表现最好，Thorn公式表现最差。Harg公式最初在美国西北部较干旱的气候条件下建立，而且公式中考虑了到达地面的太阳辐射，同时，公式中的温差项进一步补偿了平流能量的影响，因而更接近黄淮海地区的气候条件，故与PM公式计算值一致性程度最好。因此，在仅有气温数据的条件下，在黄淮海地区应优先选用Harg方法。另外，不同时间尺度相关分析显示，Harg与PM显著相关，在3种温度法中相关系数最高，据此可进一步对Harg进行修正，以提高Harg的估算精度。

S2、对筛选出的ET₀估算方法进行率定修正以提高估算精度；

在步骤S2中，Harg公式在黄淮海地区计算得到的ET₀总体表现不错，但在总量和季节分配上仍与PM公式计算结果存在一定偏差，因此可采用一定的方法对Harg公式计算结果进行修正使其更符合实际情况，通常采用比例修正法、回归修正法和对公式内部参数进行率定修正。

Harg修正公式1:ET₀(HG1)＝K_RET₀(HG)    （2-1）

Harg修正公式2：ET₀(HG2)＝a·ET₀(HG)+b    （2-2）

式中：ET₀(HG1)、ET₀(HG2)分别为比例修正法和回归修正法的修正结果，KR为比例修正因子（可能随季节变化），a、b为回归系数。比例修正法相当于根据研究区具体气象特征对Harg公式中系数0.0023进行修正，而回归修正法则另外增加了一个常数项b。

考虑到黄淮海不同地域（纬度）和不同气候条件下气温日较差（T_max-T_min）的指数及平均气温的偏移量可能与标准Harg公式中的参数有所不同，采用以下一般形式的通用Harg公式来估算ET₀：

Harg修正公式3：

${\mathrm{ET}}_0\left(\mathrm{HG}3\right)=K\frac{1}{\mathrm{\&lambda;}}{(T_{\max }-T_{\min })}^n\left(\frac{T_{\max }+T_{\min }}{2}{T}_{\mathrm{off}}\right)R_a---(2-3)$

式中的系数K、指数n和气温偏移量T_off需要通过气温资料和PM公式计算结果来率定。

以PM公式日、旬、月和年（尺度）计算结果为标准，借助统计软件分析计算，得到黄淮海地区7个站点的修正Harg公式1、Harg公式2和Harg公式3，具体拟合参数结果见表9。

表9  黄淮海地区主要代表站Harg修正公式参数拟合结果

从表9可看出，不同时间尺度（日、旬、月和年）下，3种修正Harg公式与PM公式之间具有较好的相关关系，其中，以率定后的修正Harg公式3计算相关系数最高，其次是建立线性回归的修正Harg公式2，最后为修正Harg公式1，这表明Harg修正公式3的计算结果与PM公式计算结果比较接近，能较为准确地估算研究区的ET₀。因此采用率定后的Harg修正公式3来计算黄淮海地区的ET₀是合适的，同时根据此修正公式，可以达到利用较少输入数据得到较高精度的ET₀结果。考虑估算地区的实际情况，通过进一步对Harg公式进行修正，可使Harg公式更适黄淮海地区ET₀的计算和预测。

S3、建立基于有效积温的冬小麦整个生育期内的作物系数模拟模型；

在步骤S3中，对于同一种作物某一品种而言，作物系数（K_ci）主要受作物生长发育过程的控制，与冠层的发育有密切的关系。叶面积指数（LAI）与作物系数相关数据拟合分析表明，两者呈明显的线性，如图1所示，图1为作物系数Kc与叶面积指数LAI的关系图，拟合方程如下：

K_ci＝a·LAI+b      （3-1）

发育的最重要因子。作物的积温需求具有较好的稳定性，积温与冬小麦LAI具有较好的相关性，试验分析表明，Logistic曲线能对两者的变化趋势作出很好的模拟，如图2所示，图2为相对积温RGDD与相对叶面积指数RLAI的关系图，扩充后的五次Logistic曲线较扩充前的二次Logistic曲线拟合的精度更高，扩充后的五次Logistic模型对整个生育期内的变化趋势决定系数为0.9770，估计误差SSE为0.08315，可见模型具有较高的精度。

$\mathrm{LAI}=\frac{b\&CenterDot;{\mathrm{LAI}}_{\max }}{1+\exp \left(\underset{j=0}{\overset{n}{\mathrm{\&Sigma;}}}{a}_j{\mathrm{RGDD}}_j\right)}---(3-2)$

式中，LAI_max为冬小麦生育期最大叶面积指数，RGDD_j为相对积温值（与整个生育期积温的比值），a_j（j=0，……，5）和b为待定系数，其拟合参数分别为24.84、-161.4、374、-392.6、169.2、-11.46和1.169。

S4、确定土壤水分修正系数；

（1）FAO法

土壤水分修正因子的确定本文选用FAO推荐使用的公式进行计算，即式：

$\begin{array}{cc}{K}_w=\frac{\mathrm{TAW}-D_r}{\mathrm{TAW}-\mathrm{RAW}},& D_r>\mathrm{RAW}\\ K_w=1.0,& D_r\&le;\mathrm{RAW}\end{array}---(4-1)$

其中：TAW＝10γZ_r(θ_fc-θ_wp)，D_r＝10γZ_r(θ_fc-θ)，RAW＝p·TAW；

式中：TAW为作物主要根系层总的土壤有效储水量，mm；RAW为易于被作物根系利用的根区土壤储水量，mm；D_r为计算时段作物根区土壤水分的平均亏缺量，mm，当计算时段选取较短时，可用时段初的土壤水分亏缺量来代替；γ为土壤容重，kg/m³；Z_r为作物根系主要活动层深度，cm；θ_fc为根系层土壤平均田间持水率(占干土重的%)，试验区为中壤土取24.00%；θ_wp为凋萎点土壤含水率(占干土重的%)，本文取8.64%；θ为时段初作物根系层的平均土壤含水率(占干土重的%)；p为根区中易于为作物根吸收的土壤储水量与总的有效土壤储水量的比值，一般在0～1.0之间。对于不同的作物，p值也不同。对于同一种作物而言，p是大气蒸发力的函数。在FAO-56《CropEvapotranspiration-GuidelinesforComputingCropWaterRequirements》中指出，当ET_ci≈5mm/d时，冬小麦的p=0.55；当ET_ci≠5mm/d时，可用下式进行修正：

p＝0.55+0.04(5-ET_ci)     （4-2）

（2）临界值法

当实际土壤含水量小于临界含水量时,蒸发蒸腾量明显受土壤水分的影响,否则，蒸发蒸腾受土壤水分的影响不显著。土壤水分修正系数:

$K_{\mathrm{wi}}=c{\left(\frac{{\mathrm{\&theta;}}_i-{\mathrm{\&theta;}}_{\mathrm{up}}}{{\mathrm{\&theta;}}_j-{\mathrm{\&theta;}}_{\mathrm{up}}}\right)}^d,({\mathrm{\&theta;}}_i<{\mathrm{\&theta;}}_j)---(4-3)$

式中，c和d为由实测资料确定的经验系数，随生育阶段和土壤条件而变化。θ_i为计算时段内的平均土壤含水量，θ_up为凋萎含水量，θ_j为临界含水量。笔者把冬小麦生育期划分为出苗～越冬、越冬～返青、返青～抽穗、抽穗～成熟四个阶段，根据广利站实测资料计算得到各阶段的θj分别为23.07、22.52、20.20和22.68；各阶段的d值分别为0.8156、0.9563、0.7584和0.8753。

S5、将筛选的并经过修正后的ET₀估算方法与作物系数模拟模型进行整合，同时考虑土壤水分修正系数，构建基于天气预报信息的冬小麦逐日耗水量预测模型。

在步骤S5中，利用上述基于天气预报信息Harg预测的ET₀，结合基于积温建立的作物系数，同时考虑不同土壤水分胁迫条件下（FAO法和临界值法），组合建立了2种黄淮海地区冬小麦耗水量估算模型，用函数定义为：

ET₀(Harg)×K_c×K_w（FAO法）    （5-1）；

ET₀(Harg)×K_c×K_wi（临界值法）    （5-2）。

实施例2冬小麦逐日耗水量预测模型模型的应用与验证

在广利灌区和人民胜利渠灌区，通过布点定时（10d）测墒，运用所建立的基于天气预报信息的作物耗水量预测模型及水量平衡方程得到下一旬的土壤墒情预测值，结合实测土壤水分数据，对模型进行必要验证和的精度分析。

结合天气预报信息，基于人民胜利渠灌区和广利灌区冬小麦返青期前、返青期后土壤墒情实测数据对未来10d的土壤墒情进行预测，同时，10d后对灌区土壤墒情进行实测，以验证模型的预报精度。

人民胜利渠灌区冬小麦返青前（2013年1月1日）24个监测点土壤水分实测值与2种方法预测值比较分析表明，如图3所示，Harg-FAO法相对误差范围为0.07%～15.67%，平均相对误差6.33%。Harg-临界值法相对误差范围为0.40%～15.72%，平均相对误差6.32%。冬小麦返青后（2013年4月11日）24个监测点土壤水分实测值与2种方法预测值比较分析表明，如图4所示，Harg-FAO法相对误差范围为0.89%～21.58%，平均相对误差8.04%。Harg-临界值法相对误差范围0.29%～20.55%，平均相对误差6.71%。

广利灌区冬小麦返青前（2012年12月12日）30个监测点土壤水分实测值与2种方法预测值比较分析表明，如图5所示，Harg-FAO法相对误差范围为0.31%～17.80%，平均相对误差7.52%。Harg-临界值法相对误差范围为0.28%～16.08%，平均相对误差7.51%。冬小麦返青后（2013年4月10日）30个监测点土壤水分实测值与2种方法预测值比较分析表明，如图6所示，Harg-FAO法相对误差范围为0.31%～21.81%，平均相对误差7.92%。Harg-临界值法相对误差范围为0.06%～20.31%，平均相对误差7.81%。以上两个灌区的预测结果表明，2种方法预测值之间比较接近，差异不大。另外，逐旬预报的精度可以满足要求，同时也能为灌水方案的准确制定提供可靠的依据。

通过冬小麦整个生育期内灌区土壤墒情的预报值与实测值之间的对比分析可以看出，模型能较好的预测灌区冬小麦土壤水分的变化情况，人民胜利渠灌区预测值与实测值相对误差小于10%的占83.9%，相对误差小于20%的占95.7%；广利灌区预测值与实测值相对误差小于10%的占89.9%，相对误差小于20%的占98.6%；由此可见，土壤墒情预测具有较好的模拟精度，对灌区的用水调度起到了重要的参考价值。

相比与现有技术的缺点和不足，本发明具有以下有益效果：本发明以实现土壤含水量的实时监测、旱情综合分析与作物灌溉的实时预报，为灌溉管理层和决策者提供直观的可视化决策依据，指导灌区做到适时适量灌溉，提高灌区灌溉水资源的利用率与利用效率。

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 (6)

1.一种基于天气预报信息的冬小麦耗水量预测方法，其特征在于包括以下步骤：

基于天气预报可测因子探讨ET₀估算方法的应用效果，筛选出不同时间尺度既有预报精度又能充分利用现有天气预报信息的ET₀估算方法；

对筛选出的ET₀估算方法进行率定修正以提高估算精度；

建立基于有效积温的冬小麦整个生育期内的作物系数模拟模型；

确定土壤水分修正系数；

将筛选的并经过修正后的ET₀估算方法与作物系数模拟模型进行整合，同时考虑土壤水分修正系数，构建基于天气预报信息的冬小麦逐日耗水量预测模型。

2.如权利要求1所述的基于天气预报信息的冬小麦耗水量预测方法，其特征在于，所述基于天气预报可测因子探讨ET₀估算方法的应用效果，筛选出不同时间尺度既有预报精度又能充分利用现有天气预报信息的ET₀估算方法包括以下具体步骤：

利用FAO56-PM公式对3种基于天气预报可测因子温度的ET₀计算方法进行比较分析，主要依据平均偏差、平均相对偏差、相关系数和t统计量4种指标分别对日、旬、月和年值序列的吻合程度做出评价；

根据比较分析结果，并选择Harg公式为目标算法。

3.如权利要求2所述的基于天气预报信息的冬小麦耗水量预测方法，其特征在于，所述对筛选出的ET₀估算方法进行率定修正以提高估算精度包括以下具体步骤：

采用比例修正法、回归修正法和对Harg公式内部参数分别进行率定修正；

在不同时间尺度下，比较3种修正Harg公式与FAO56-PM公式之间的相关关系，并选择对Harg公式内部参数的率定修正公式，用函数定义为：

${\mathrm{ET}}_0\left(\mathrm{HG}3\right)=K\frac{1}{\mathrm{\&lambda;}}{(T_{\max }-T_{\min })}^n\left(\frac{T_{\max }+T_{\min }}{2}{T}_{\mathrm{off}}\right)R_a---\left(1\right),$

式（1）中，系数K、指数n和气温偏移量Toff均通过气温资料和FAO56-PM公式计算结果来选定。

4.如权利要求3所述的基于天气预报信息的冬小麦耗水量预测方法，其特征在于，所述建立基于有效积温的冬小麦整个生育期内的作物系数模拟模型包括以下具体步骤：

将叶面积指数与作物系数相关数据拟合，拟合公式用函数定义为：

K_ci＝a·LAI+b       （2），

式（2）中，LAI为叶面积指数，a、b参数分别为0.14、0.3918，决定系数R2为0.9277；

用Logistic曲线对积温与冬小麦LAI之间的相关性进行模拟，扩充后的五次Logistic模型用函数定义为：

$\mathrm{LAI}=\frac{b\&CenterDot;{\mathrm{LAI}}_{\max }}{1+\exp \left(\underset{j=0}{\overset{n}{\mathrm{\&Sigma;}}}{a}_j{\mathrm{RGDD}}_j\right)}---\left(3\right),$

式（3）中，LAI_max为冬小麦生育期最大叶面积指数，RGDD_j为相对积温值（与整个生育期积温的比值），a_j（j=0，……，5）和b为待定系数，其拟合参数分别为24.84、-161.4、374、-392.6、169.2、-11.46和1.169。

5.如权利要求4所述的基于天气预报信息的冬小麦耗水量预测方法，其特征在于，所述确定土壤水分修正系数包括以下具体步骤：

通过FAO法确定土壤水分修正系数，用函数定义为：

$\begin{array}{cc}{K}_w=\frac{\mathrm{TAW}-D_r}{\mathrm{TAW}-\mathrm{RAW}},& D_r>\mathrm{RAW}\\ K_w=1.0,& D_r\&le;\mathrm{RAW}\end{array}---\left(4\right),$

式（4）中，TAW＝10γZ_r(θ_fc-θ_wp)，D_r＝10γZ_r(θ_fc-θ)，RAW＝p·TAW；式中：TAW为作物主要根系层总的土壤有效储水量，mm；RAW为易于被作物根系利用的根区土壤储水量，mm；Dr为计算时段作物根区土壤水分的平均亏缺量，mm，当计算时段选取较短时，可用时段初的土壤水分亏缺量来代替；γ为土壤容重，kg/m³；Zr为作物根系主要活动层深度，cm；θ_fc为根系层土壤平均田间持水率（占干土重的%），试验区为中壤土取24.00%；θ_wp为凋萎点土壤含水率（占干土重的%）；θ为时段初作物根系层的平均土壤含水率（占干土重的%）；p为根区中易于为作物根吸收的土壤储水量与总的有效土壤储水量的比值；

或者，通过临界值法确定土壤水分修正系数，用函数定义为：

$K_{\mathrm{wi}}=c{\left(\frac{{\mathrm{\&theta;}}_i-{\mathrm{\&theta;}}_{\mathrm{up}}}{{\mathrm{\&theta;}}_j-{\mathrm{\&theta;}}_{\mathrm{up}}}\right)}^d,({\mathrm{\&theta;}}_i<{\mathrm{\&theta;}}_j)---\left(5\right),$

式（5）中，c和d为由实测资料确定的经验系数，随生育阶段和土壤条件而变化，θ_i为计算时段内的平均土壤含水量，θ_up为凋萎含水量，θ_j为临界含水量。

6.如权利要求5所述的基于天气预报信息的冬小麦耗水量预测方法，其特征在于，所述冬小麦逐日耗水量预测模型用函数定义为：

ET₀（Harg）×K_c×K_w        （6），

或ET₀（Harg）×K_c×K_wi        （7），

式（6）、（7）中，ET₀（Harg）为筛选并经过修正后的ET₀估算方法，K_c为作物系数模拟模型，K_w为FAO法确定土壤水分修正系数，K_wi为临界值法确定土壤水分修正系数。

Images