CN114943361B - 一种估算缺资料地区参考作物蒸散量的方法 - Google Patents
一种估算缺资料地区参考作物蒸散量的方法 Download PDFInfo
- Publication number
- CN114943361B CN114943361B CN202210256098.1A CN202210256098A CN114943361B CN 114943361 B CN114943361 B CN 114943361B CN 202210256098 A CN202210256098 A CN 202210256098A CN 114943361 B CN114943361 B CN 114943361B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- evapotranspiration
- samani
- hargreaves
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000010801 machine learning Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 230000007261 regionalization Effects 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims description 13
- 230000005855 radiation Effects 0.000 claims description 12
- 238000007637 random forest analysis Methods 0.000 claims description 11
- 238000001556 precipitation Methods 0.000 claims description 10
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000009834 vaporization Methods 0.000 claims description 2
- 230000008016 vaporization Effects 0.000 claims description 2
- 238000013480 data collection Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 230000006872 improvement Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000219823 Medicago Species 0.000 description 1
- 235000017587 Medicago sativa ssp. sativa Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Marine Sciences & Fisheries (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种估算缺资料地区参考作物蒸散量的方法,包括资料收集,参数优化,地理因子选择,基于机器学习的参数区域化模型,计算得到的Hargreaves‑Samani模型参数,采用气温数据进一步计算缺资料地区参考作物蒸散量。本发明充分借助研究区内资料齐全地区的气象数据和地理因子信息,结合机器学习算法构建了Hargreaves‑Samani模型参数的缺资料区优化估计方法,相对于原始的Hargreaves‑Samani模型能显著提高缺资料地区参考作物蒸散量计算精度,同时相比于以往直接利用气象数据和机器学习模型建模的方式,本发明以Hargreaves‑Samani模型为基准,具备良好的物理基础,为缺资料地区精准的参考作物蒸散量估算提供了技术手段。
Description
技术领域
本发明涉及农业水管理及水文水资源应用领域,具体涉及一种估算缺资料地区参考作物蒸散量的方法。
背景技术
蒸散量是气候学、农业科学和水文水资源领域的基本要素,也是农田精准灌溉决策和水资源管理的重要标准。然而在全球大多数地方仍然无法直接观测蒸散过程,蒸散量的计算精度主要取决于参考作物蒸散量,参考作物蒸散量代表大气蒸发能力的大小,通常指在生长茂盛,水分充足条件下,高约0.12m完全覆盖地面的草地(如苜蓿)的蒸散量。参考作物蒸散量是作物蒸散量计算的关键参照标准,其计算精度直接决定了实际蒸散量的估算结果,对于陆地水热循环模拟和精准的农业水管理工作至关重要。
目前农业领域常采用联合国粮农组织FAO推荐的Penman-Monteith(PM)模型计算参考作物蒸散量,但PM模型要求全面的最高和最低气温、湿度、日照时数(或辐射)、风速和大气压强众多气象数据,而全球多数地区难以提供PM模型所需的全部气象信息。另一方面,仅基于温度信息的参考作物蒸散量计算公式如Hargreaves-Samani模型被FAO推荐为唯一的替补PM模型的方法,可用于仅有温度信息的区域参考作物蒸散量估算。但在全球范围内的应用表明,Hargreaves-Samani模型与PM模型方法计算结果相比差异较大,无法给出缺资料地区精准的参考作物蒸散量计算结果。
申请号为202010675336.3的中国专利提出了利用BP神经网络和降水信息预测参考蒸散发的方法,但该方法训练中所需要的参考值是以PM模型计算结果为准,这就限制了这种方法在缺资料地区的有效应用,因为大多数缺资料地区根本没有足够气象资料满足PM模型的计算,自然无法实现机器学习模型的训练。另外,这种方法完全依赖机器学习模型的训练,脱离了物理模型基础,这导致该方法在复杂地球物理模型的子过程建模中适用性不高。因此,在多数情况下,需要一种能够以物理模型为基础,可精准估计缺资料地区参考作物蒸散量的方法。
发明内容
本发明的目的在于以现有物理模型为基础,针对缺资料地区参考作物蒸散量计算难度大、缺乏物理模型支撑、精度不足的缺点,提供一种以物理模型为基础,可以更精确估算缺资料地区参考作物蒸散量的方法,借助机器学习充分挖掘有资料地区信息,以提高缺资料地区的参考作物蒸散量估算的准确性与合理性。
本发明提供了一种估算缺资料地区参考作物蒸散量的方法,包括以下步骤:
(1)资料收集:收集区域内有资料站点的最高和最低气温、湿度、日照时数(或辐射)、风速和大气压强气象要素资料,以及缺资料站点的最高和最低气温资料。
有资料区指具备长系列的最高和最低气温、湿度、日照时数(或辐射)、风速和大气压强气象观测信息;无资料区指缺乏长系列的气象观测信息,但具备多年平均降水量、多年平均最高气温、多年平均最低气温和多年平均参考作物蒸散量气候态信息,以及具备高程和站点纬度位置信息。
(2)参数优化:以Penman-Monteith模型计算的ET0作为参考值,以KGE系数作为目标函数,以KGE系数最大为优化目标,采用SCE-UA优化算法对有资料区站点的Hargreaves-Samani模型参数进行优化,计算得到每个有资料区站点的Hargreaves-Samani模型优化参数
a HS 、
b HS 和
c HS 。
(3)地理因子选择:以方便获取为基本原则,选取每个气象站的地理因子,包括高程、多年平均降水量、多年平均最高气温、多年平均最低气温、多年平均潜在蒸散量和干旱指数(多年平均潜在蒸散量/多年平均降水量)。
(4)基于机器学习的参数区域化模型:根据有资料地区的气象站点地理因子和优化后的Hargreaves-Samani模型优化参数
a HS 、
b HS 和
c HS ,建立地理因子
x和不同优化参数
y的随机森林机器学习模型
y=
f(
x),依据缺资料地区地理因子特征,采用建立好的随机森林机器学习模型预测缺资料地区的Hargreaves-Samani模型参数
a HS 、
b HS 和
c HS 。
(5)基于步骤(4)中参数区域化方法模拟的Hargreaves-Samani模型参数,采用气温数据进一步计算缺资料地区参考作物蒸散量。
本发明的有益效果在于:
本发明充分借助研究区内资料齐全地区的气象数据和地理因子信息,结合机器学习算法构建了Hargreaves-Samani模型参数的缺资料区优化估计方法,相对于原始的Hargreaves-Samani模型能显著提高缺资料地区参考作物蒸散量计算精度,同时相比于以往直接利用气象数据和机器学习模型建模的方式,本发明以Hargreaves-Samani模型为基准,具备良好的物理基础,为缺资料地区精准的参考作物蒸散量估算提供了技术手段。
附图说明
图1为本发明方法的流程图;
图2为随机森林机器学习参数区域化模拟参数值和优化参数值的散点图,其中,2a为参数
a HS 的模拟值和优化值的散点图,2b为参数
b HS 的模拟值和优化值的散点图,2c为参数
c HS 的模拟值和优化值的散点图;
图3为本发明计算的某一站点区域化模拟得到的参考蒸散量与PM模型计算的参考蒸散量值对比;
图4为Hargreaves-Samani模型原始参数计算的某一站点参考蒸散量与PM模型计算的参考蒸散量过程对比;
图5为本发明相对于Hargreaves-Samani模型原始参数模拟方法的提升效果图。
实施方式
下面通过实施例,并结合附图,对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
在本实施例中是以600个气象站1961-2019年逐日气象观测数据为基础,进行计算得到,在具体操作中,采用10折交叉验证方法将600站点随机分成互斥的10组样本集合(每组60个站点),每次选取其中1组共60个站点视作为缺资料地区,其余9组共540个站点视作为有资料地区,共抽样10次,即每个站点均有一次被视作为缺资料地区。
实施例
如图1,一种估算缺资料地区参考作物蒸散量的方法,包括以下步骤:
(1)基础资料收集:收集区域内有资料站点的最高和最低气温、湿度、日照时数(或辐射)、风速和大气压强气象要素资料以及缺资料站点的最高气温、最低气温和站点纬度数据资料。
有资料区指具备长系列的最高和最低气温、湿度、日照时数(或辐射)、风速和大气压强气象观测信息;所述无资料区指缺乏长系列的气象观测信息,但具备多年平均降水量、多年平均最高气温、多年平均最低气温和多年平均潜在蒸散量气候态信息,以及具备高程和站点纬度位置信息。
(2)参数优化:以Penman-Monteith模型计算的ET0作为参考值,以KGE系数作为目标函数,采用SCE-UA优化算法对有资料区站点的Hargreaves-Samani模型参数进行优化。
Penman-Monteith模型计算参考作物蒸散量ET0公式如下:
其中:为饱和水汽压温度曲线斜率,由观测的最高气温和最低气温计算获得;
R n为净辐射(MJ m-2 day-1),由日照时数计算获得;
G表示土壤热通量(MJ m-2 day-1),其影响可忽略不计;
γ为干湿表常数(kPa °C-1),可由大气压强计算获得;
e s表示饱和水汽压(kPa),
e a为实际水汽压(kPa)可由最高气温
T max 、最低气温
T min 和相对湿度
RH计算获得;
U 2 为地面以上2m高风速。
目标函数KGE系数计算公式如下:
其中:表示模拟值和参考值的协方差;和分别表示模拟值和参考值的标准差;和分别表示模拟值和参考值的均值。
Hargreaves-Samani模型计算公式如下:
其中:
T max 为最高气温,
T min 为最低气温,
T m 为最高气温和最低气温的平均值,
R a 为地外辐射,可由气象站纬度换算得到;
a HS 、
b HS 和
c HS 分别为Hargreaves-Samani模型的三个参数,联合国粮农组织推荐取值分别为0.0023、0.5和17.8,本发明将其作为待优化参数;为汽化潜热,取值为2.45。
SCE-UA优化算法是一种全局优化算法,以PM模型计算的ET0为参考值,以KGE系数最大为优化目标,采用SCE-UA优化算法求解得到每个有资料区站点的Hargreaves-Samani模型参数
a HS 、
b HS 和
c HS 。
(3)地理因子选择:以方便获取为基本原则,选取每个气象站的地理因子,包括高程、多年平均降水量、多年平均最高气温、多年平均最低气温、多年平均潜在蒸散量和干旱指数(多年平均潜在蒸散量/多年平均降水量)。
(4)基于机器学习的参数区域化模型:根据有资料地区的气象站点地理因子和优化后的Hargreaves-Samani模型参数
a HS 、
b HS 和
c HS ,建立地理因子
x和不同优化参数
y的随机森林机器学习模型
y=
f(
x),依据缺资料地区地理因子特征,采用建立好的随机森林机器学习模型预测缺资料地区的Hargreaves-Samani模型参数
a HS 、
b HS 和
c HS 。随机森林预测的参数结果如图2中y轴所示,图2中x轴对应为各站点的Hargreaves-Samani模型最优参数。
机器学习模型采用随机森林,在本实施例的机器学习建模中,采用10折交叉验证方法将600站点随机分成互斥的10组样本集合(每组60个站点),每次训练中机器学习模型抽取其中9组共540个站点作为训练集(本实施例中将其视作为有资料地区),剩余1组共60个站点作为测试集(本实施例中将其视作为缺资料地区),共训练10次。相应的,共进行了10次参数模拟测试,600个气象站均参与到了缺资料情况下的参数区域化,就有600个缺资料站点的模拟结果,将600个气象站经过参数区域化模拟后的参数值作为更新后的缺资料地区Hargreaves-Samani模型参数值。图2为随机森林参数区域化模拟的参数值与SCE-UA优化参数值的散点关系图,从图中可以看出,随机森林模拟参数值与优化参数值的散点基本分布在图形对角线周边,拟合的KGE系数均超过0.6,表明随机森林机器学习参数区域化模型很好的再现了缺资料地区的最优参数值。
(5)基于步骤(4)中参数区域化方法模拟的Hargreaves-Samani模型参数,采用最高气温、最低气温和站点纬度数据,根据步骤(2)公式进一步计算全国600个气象站的参考作物蒸散量,并与PM模型计算的ET0进行对比,计算本方法模拟的KGE精度系数。图3展示了某一站点Hargreaves-Samani模型区域化模拟的参数值计算的参考蒸散量和PM模型计算得到的参考蒸散量的对比。同时,基于Hargreaves-Samani模型的原始参数(即FAO的推荐取值)、最高气温、最低气温和站点纬度数据,根据步骤(2)公式计算全国600个气象站的Hargreaves-Samani模型参考作物蒸散量,并与PM模型计算的ET0进行对比,图4展示了某一站点Hargreaves-Samani模型原始参数计算的参考蒸散量和PM模型计算的参考蒸散量的对比。计算原始Hargreaves-Samani模型模拟的KGE精度系数,将本方法的KGE系数减去原始Hargreaves-Samani模型模拟的KGE精度系数,得到本方法的提升效果。图5为本发明相对于Hargreaves-Samani模型原始参数模拟方法的提升效果图,提升效果表示本方法的KGE系数减去原始Hargreaves-Samani方法的KGE系数。
从图3和图4的对比可以看出,基于参数区域化模拟的参数值,Hargreaves-Samani模型计算得到的参考蒸散量与PM模型计算结果最为接近(图3),相对于原始参数模拟的参考蒸散量提升效果明显(图4)。如图5所示,本方法相对于Hargreaves-Samani模型原始方法的提升效果在0~20%之间,能较好的提高缺资料地区的参考作物蒸散量计算精度。提升效果表示本方法计算的参考作物蒸散量KGE系数值相对于Hargreaves-Samani模型原始参数计算的参考作物蒸散量KGE系数值的增加百分比。
如上,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上作出各种变化。
Claims (3)
1.一种估算缺资料地区参考作物蒸散量的方法,其特征在于:包括以下步骤:
(1)资料收集:收集区域内有资料站点的长系列最高和最低气温、湿度、日照时数或辐射、风速和大气压强气象要素资料和站点纬度,以及缺资料站点的长系列最高和最低气温资料;有资料地区指具备长系列的最高和最低气温、湿度、日照时数或辐射、风速和大气压强气象观测信息;缺资料地区指缺乏长系列的气象观测信息,但具备多年平均降水量、多年平均最高气温、多年平均最低气温和多年平均参考作物蒸散量气候态信息,以及高程、站点纬度位置信息;
(2)参数优化:以Penman-Monteith模型计算的ET0作为参考值,以KGE系数作为目标函数,采用SCE-UA优化算法计算得到每个有资料区站点的Hargreaves-Samani模型参数a HS 、b HS 和c HS ;
(3)地理因子选择:选取每个气象站的地理因子,包括高程、多年平均降水量、多年平均最高气温、多年平均最低气温、多年平均潜在蒸散量和干旱指数;
(4)基于机器学习的参数区域化模型:根据有资料地区的气象站点地理因子和优化后的Hargreaves-Samani模型参数a HS 、b HS 和c HS ,建立地理因子和不同优化参数的随机森林机器学习模型,依据缺资料地区地理因子特征,采用建立好的随机森林机器学习模型计算缺资料地区的Hargreaves-Samani模型参数a HS 、b HS 和c HS ;其中,机器学习建模中,采用10折交叉验证方法将600站点随机分成互斥的10组样本集合,每组60个站点,每次训练中机器学习模型抽取其中9组共540个站点作为训练集,将训练集视作为有资料地区,剩余1组共60个站点作为测试集,将测试集视作为缺资料地区,共训练10次;相应的,共进行了10次参数模拟测试,600个气象站均参与到了缺资料情况下的参数区域化,就有600个缺资料站点的模拟结果,将600个气象站经过参数区域化模拟后的参数值作为更新后的缺资料地区Hargreaves-Samani模型参数值;
(5)基于步骤(4)中计算得到的Hargreaves-Samani模型参数,采用气温数据进一步计算缺资料地区参考作物蒸散量。
2.根据权利要求1所述的一种估算缺资料地区参考作物蒸散量的方法,其特征在于:步骤(3)中干旱指数为多年平均潜在蒸散量/多年平均降水量。
3.根据权利要求1所述的一种估算缺资料地区参考作物蒸散量的方法,其特征在于:步骤(5)中采用Hargreaves-Samani模型计算缺资料地区参考作物蒸散量的公式如下:
;
其中:T max 为最高气温,T min 为最低气温,T m 为最高气温和最低气温的平均值,R a 为地外辐射,由气象站纬度换算得到;a HS 、b HS 和c HS 分别为Hargreaves-Samani模型的三个参数,由步骤(2)优化得到;为汽化潜热,取值为2.45。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210256098.1A CN114943361B (zh) | 2022-03-15 | 2022-03-15 | 一种估算缺资料地区参考作物蒸散量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210256098.1A CN114943361B (zh) | 2022-03-15 | 2022-03-15 | 一种估算缺资料地区参考作物蒸散量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114943361A CN114943361A (zh) | 2022-08-26 |
CN114943361B true CN114943361B (zh) | 2023-04-18 |
Family
ID=82906039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210256098.1A Active CN114943361B (zh) | 2022-03-15 | 2022-03-15 | 一种估算缺资料地区参考作物蒸散量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114943361B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6314340B1 (en) * | 1998-11-02 | 2001-11-06 | Telsco Industries | Irrigation controller |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101419219B (zh) * | 2008-12-09 | 2013-09-11 | 中国农业科学院农业资源与农业区划研究所 | 一种确定参考作物蒸散量的方法 |
CN102176072A (zh) * | 2011-01-19 | 2011-09-07 | 环境保护部卫星环境应用中心 | 确定蒸散量的方法 |
CN107862148B (zh) * | 2017-11-16 | 2019-11-08 | 清华大学 | 一种基于遥感数据的参考作物腾发量计算方法 |
CN108388921B (zh) * | 2018-03-05 | 2021-06-18 | 中国石油天然气集团有限公司 | 一种基于随机森林的溢流漏失实时识别方法 |
CN109840873A (zh) * | 2019-02-02 | 2019-06-04 | 中国水利水电科学研究院 | 一种基于机器学习的无资料地区水文模型参数区域化方法 |
CN111461909B (zh) * | 2020-04-02 | 2023-02-28 | 中国水利水电科学研究院 | 一种农田蒸散量短期预测方法 |
CN111783987A (zh) * | 2020-07-14 | 2020-10-16 | 中国水利水电科学研究院 | 基于改进bp神经网络的农田参考作物蒸散量预测方法 |
CN112800636B (zh) * | 2021-04-08 | 2021-07-02 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种估算无资料地区流域地表水资源量的方法及系统 |
-
2022
- 2022-03-15 CN CN202210256098.1A patent/CN114943361B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6314340B1 (en) * | 1998-11-02 | 2001-11-06 | Telsco Industries | Irrigation controller |
Non-Patent Citations (1)
Title |
---|
冯禹 ; 王守光 ; 崔宁博 ; 赵璐 ; .基于遗传算法优化神经网络的参考作物蒸散量预测模型.资源科学.2014,(第12期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114943361A (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zinyengere et al. | Using seasonal climate forecasts to improve maize production decision support in Zimbabwe | |
Yao et al. | Assessing the impacts of climate change on rice yields in the main rice areas of China | |
US20170270446A1 (en) | Agronomic systems, methods and apparatuses for determining yield limits | |
Hudiburg et al. | Evaluation and improvement of the Community Land Model (CLM4) in Oregon forests | |
Marek et al. | Simulating evapotranspiration and yield response of selected corn varieties under full and limited irrigation in the Texas High Plains using DSSAT-CERES-Maize | |
CN110705182B (zh) | 耦合作物模型和机器学习的作物育种适应时间预测方法 | |
CN109800921A (zh) | 一种基于遥感物候同化和粒子群优化算法的区域冬小麦估产方法 | |
Ko et al. | Impacts of regional climate change on barley yield and its geographical variation in South Korea | |
Szwed | Projections of changes of areal evapotranspiration for different land-use units in the Wielkopolska Region (Poland) | |
Maharjan et al. | Temperature and soils predict the distribution of plant species along the Himalayan elevational gradient | |
CN116401882A (zh) | 基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法 | |
Irmak et al. | On the dynamics of evaporative losses from Penman-Monteith with fixed and variable canopy resistance during partial and complete maize canopy | |
CN114943361B (zh) | 一种估算缺资料地区参考作物蒸散量的方法 | |
CN109657988A (zh) | 基于hasm和欧氏距离算法的烟叶品质分区方法 | |
Yu et al. | A validation test of WEPP to predict runoff and soil loss from a pineapple farm on a sandy soil in subtropical Queensland, Australia | |
Causarano et al. | Improved modeling of soil organic carbon in a semiarid region of Central East Kazakhstan using EPIC | |
Prueger et al. | Carbon dioxide dynamics during a growing season in midwestern cropping systems | |
Parker et al. | Simulating regional climate-adaptive field cropping with fuzzy logic management rules and genetic advance | |
Persson et al. | Impact of projected mid-21st century climate and soil extrapolation on simulated spring wheat grain yield in Southeastern Norway | |
CN113128871B (zh) | 一种气候变化条件下落叶松分布变化和生产力协同估算方法 | |
Trémeau et al. | Lawns and meadows in urban green space–A comparison from greenhouse gas, drought resilience and biodiversity perspectives | |
Trémeau et al. | Lawns and meadows in urban green space–a comparison from perspectives of greenhouse gases, drought resilience and plant functional types | |
Sargordi et al. | Spatio-temporal variation of wheat and silage maize water requirement using CGMS model | |
Moeletsi | Agroclymatic characterization of Lesotho for dryland maize production | |
Conrad et al. | Simulating impacts of silage maize (Zea mays) in monoculture and undersown with annual grass (Lolium perenne L.) on the soil water balance in a sandy-humic soil in Northwest Germany |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |