CN115049126A - 基于温度效应和历史阈值的蒸散量预测方法 - Google Patents

Abstract

本发明公开了一种基于温度效应和历史阈值的蒸散量预测方法，其包括获取研究区域的作物在其生命周期内的历史气象数据和天气预报数据；采用涡度相关系统测定的下垫面水热通量获得历史时间段的历史实测蒸散量；根据历史气象数据和天气预报数据，采用H‑S模型计算基于温度预报信息的参考作物蒸散量预报值ET′_o；根据天气预报数据，计算作物系数预报值K′_c；根据参考作物蒸散量预报值ET′_o和作物系数预报值，计算基于温度效应的作物蒸散量预报值ET′_c＝ET′_o×K′_c。根据历史实测蒸散量，对作物蒸散量预报值ET′_c进行修正，得到修正后的作物蒸散量预报值ET″_c。

Description

基于温度效应和历史阈值的蒸散量预测方法

技术领域

本发明涉及作物灌溉技术领域，具体涉及一种基于温度效应和历史阈值的蒸散量预测方法。

背景技术

农田蒸散发(Evapotranspiration，ET_c)在能量循环和水循环过程中起着极其重要的作用，也是连接生态与水文过程的重要纽带，其准确预报对于制定合理的灌溉制度与水资源调度、监测农田旱情等具有重要意义。

机理性模型是目前ET_c预报方法的常见方法之一，其是基于作物生理生态、土壤水分供给等构建的具有物理意义的函数。随着天气预报精度的提高，公共天气预报数据作为主要的数据来源被逐渐应用于机理性模型进行ET_c预报。

其中FAO-56推荐的单作物系数法应用较为方便和广泛(ET_c＝ET_o×K_c)，该模型需要分别预报参考作物需水量ET_o和作物系数K_c。随着作物自身生长特性与周围生物环境的变化，现有方法计算的需水量ET_o和作物系数K_c难以反映未来作物实际生长信息，进而造成预报结果出现偏差。

发明内容

针对现有技术中的上述不足，本发明提供的基于温度效应和历史阈值的蒸散量预测方法解决了现有方法获得的蒸散量难以准确反映作物实际生长信息的问题。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种基于温度效应和历史阈值的蒸散量预测方法，其包括：

括：

获取研究区域的作物在其生命周期内的历史气象数据和天气预报数据；

采用涡度相关系统测定的下垫面水热通量获得历史时间段的历史实测蒸散量；

根据历史气象数据和天气预报数据，采用H-S模型计算基于温度预报信息的参考作物蒸散量预报值ET′_o；

根据天气预报数据，计算作物系数预报值：

其中，K′_c为第i天作物系数预报值；K₀为理论上作物可达到的最大值；

为温度对作物生长的抑制程度；T′_i为第i天的预报平均温度；T₀为适合作物生理生长最适宜温度；β为待估参数；e为自然对数；

根据参考作物蒸散量预报值ET′_o和作物系数预报值，计算基于温度效应的作物蒸散量预报值ET′_c：

ET′_c＝ET′_o×K′_c；

根据历史实测蒸散量，对作物蒸散量预报值ET′_c进行修正，得到修正后的作物蒸散量预报值。

进一步地，所述H-S模型为：

ET′_o＝0.408K(T′_max-T′_min)ⁿ(T′_mean+T_off)R_a

其中，T′_max为预报最高气温；T′_min为预报最低气温；K为转换系数；n为指数系数；T′_mean为预报平均气温；T_off为温度偏移量；R_a为大气顶层辐射。

进一步地，所述转换系数K、指数系数n和温度偏移量T_off的获取方法为：

基于研究区域在历史时间段内的逐日历史气象数据，并采用PM模型计算蒸散量ET_o；

获取转换系数K、指数系数n和温度偏移量T_off的初始值；

根据初始值、蒸散量ET_o和逐日历史气象数据，对H-S模型进行非线性回归分析，并运用EXCEL软件规划求解法与搜索法交替迭代获得最优的转换系数K、指数系数n和温度偏移量T_off。

进一步地，对作物蒸散量预报值ET＇_c进行修正的计算公式为：

其中，ET_c(max)和ET_c(min)分别为历史实测蒸散量的上限和下限；ET_c″为修正后的作物蒸散量预报值。

进一步地，所述作物各生长阶段最优的理论上作物可达到的最大值K₀、适合作物生理生长最适宜温度T₀和待估参数β均采用SPSS软件，结合最小二乘法和序列二次规划法率定获得。

进一步地，所述历史实测蒸散量的计算公式为：

其中，ρ为空气密度，kg/m³；w′为垂直风速脉动量，m/s；q′为水汽密度脉动值，g/m³。

本发明的有益效果为：本方案在进行作物蒸散量预报值获取时，首先基于作物生命周期的历史气象数据和天气预报数据进行参考作物蒸散量预报值ET＇_o求解，之后再结合考虑了温度效应的作物系数预报值(K＇_c)，能够计算出反映作物实际生长信息的蒸散量预报值，并以涡度相关系统实测值为依据，对蒸散量预报值进行了修正，进一步保证了最终得到的作物蒸散量预报值的准确性。

本方案通过提高作物蒸散量预报值的预测精度，可以便于管理部门制定合理的灌溉制度与水资源调度、监测农田旱情，最终达到精确指导农作物灌溉，保证作物正常生长的同时还能达到节水的目的。

采用本方案获得的作物蒸散量预报值，经验证在1～15d预见期内，K_c预报值与实测值拟合效果较好，具有较好的适用性，预报精度随着预见期的增加而减小。作物蒸散量预报值进行修正后，在1～15d的预报效果有明显提升，1～7d预见期的预报准确率提高了3％以上，预报准确率均在86％以上；在8～15d预见期，预报准确率提高了8～14％，预报精度均在80％以上。

附图说明

图1为基于温度效应和历史阈值的蒸散量预测方法的流程图。

图2为最高温度、最低温度不同预见期预报精度指标趋势变化。

图3为冬小麦和夏玉米主要生长季不同预见期的(1d、15d)预报温度变化过程线。

图4为不同预见期基于温度效应的作物系数预报值与实测值对比。

图5为冬小麦和夏玉米基于温度效应的作物系数预报值与实测值相关性分析((a)、(b)为冬小麦，(c)、(d)为夏玉米)。

图6为不同预见期ET_o预报值与实测值对比。

图7为基于温度效应模型的ET_c预报值与实测值对比((a)为1d和7d，(b)为10d。

图8为冬小麦和夏玉米生长季涡度相关实测ET_c上下阈值变化规律。

图9为模型修正前后与涡度相关系统实测值对比。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

参考图1，图1示出了基于温度效应和历史阈值的蒸散量预测方法的流程图；如图1所示，该方法S包括步骤S1至步骤S6。

在步骤S1中，获取研究区域的作物在其生命周期内的历史气象数据和天气预报数据；其中历史气象数据包括气压P_a、风速U、最高气温T_max、最低气温T_min、平均相对湿度RH、日照时数n、降雨量P等；天气预报信息包括T＇_max、T＇_min及天气类型。

在中国气象科学共享服务网(http://cdc.cma.gov.cn)收集2000～2017年的历史气象数据，在天气网(http://www.tianqi.com/)收集2018～2019年作物生命周期内1～15d逐日天气预报数据。

在步骤S2中，采用涡度相关系统测定的下垫面水热通量获得历史时间段的历史实测蒸散量：

其中，ρ为空气密度，kg/m³；w′为垂直风速脉动量，m/s；q′为水汽密度脉动值，g/m³。

本方案采用的涡度相关系统由CR5000型数据采集器、CSAT3型三维超声风速仪、LI7500红外分析仪、HMP45C型温湿探头、净辐射计和土壤热通量板等组成。所有观测项目的时段计算步长均为30min，以该时段的观测均值为最终输出值，并对原始数据进行修正。

在步骤S3中，根据历史气象数据和天气预报数据，采用H-S模型计算基于温度预报信息的参考作物蒸散量预报值ET′_o；其中，H-S模型为：

ET′_o＝0.408K(T′_max-T′_min)ⁿ(T′_mean+T_off)R_a

其中，ET′_o为基于温度预报信息的参考作物蒸散量预报值；T′_max为预报最高气温；T′_min为预报最低气温；K为转换系数；n为指数系数；T′_mean为预报平均气温；T_off为温度偏移量；R_a为大气顶层辐射。

在本发明的一个实施例中，所述转换系数K、指数系数n和温度偏移量T_off的获取方法为：

基于研究区域在历史时间段内的逐日历史气象数据，并采用PM模型计算蒸散量ET_o；

获取转换系数K、指数系数n和温度偏移量T_off的初始值，初始值优选为K＝0.0023，n＝0.5，T_off＝17.8℃；

根据初始值、蒸散量ET_o和逐日历史气象数据，对H-S模型进行非线性回归分析，并运用EXCEL软件规划求解法与搜索法交替迭代获得最优的转换系数K、指数系数n和温度偏移量T_off；最优值K＝0.001138，n＝0.4925，T_off＝43.33。

在步骤S4中，根据天气预报数据，计算作物系数预报值：

其中，K′_c为第i天作物系数预报值；K₀为理论上作物可达到的最大值；

为温度对作物生长的抑制程度；T′_i为第i天的预报平均温度；T₀为适合作物生理生长最适宜温度；β为待估参数；e为自然对数。

实施时，本方案优选所述作物各生长阶段最优的理论上作物可达到的最大值K₀、适合作物生理生长最适宜温度T₀和待估参数β均采用SPSS软件，结合最小二乘法和序列二次规划法率定获得。研究发现，当温度达到最适温度时，作物生长发育最快，K_c达到最大值；当温度低(高)于最适温度时，对作物生长起到抑制作用，K_c减小。此外，作物生长还受三基点温度影响(上限温度、下限温度和最适温度)，温度高于上限温度或低于下限温度时不利于作物生长，被称为无效温度，因此需在计算日均温度时剔除无效温度。本方案构建的计算K＇_c的模型考虑三基点温度对作物生长状态的影响，可实现逐日K_c预报。

在步骤S5中，根据参考作物蒸散量预报值ET′_o和作物系数预报值，计算基于温度效应的作物蒸散量预报值ET′_c：

ET_c′＝ET_o′×K_c′；

在步骤S6中，根据历史实测蒸散量，对作物蒸散量预报值ET′_c进行修正，得到修正后的作物蒸散量预报值；修正的计算公式为：

其中，ET_c(max)和ET_c(min)分别为历史实测蒸散量的上限和下限；ET_c″为修正后的作物蒸散量预报值。

下面选取作物为冬小麦和夏玉米为具体实例，对本方案的蒸散量预测方法中的三个预测量计算模型的预报效果进行说明：

为了评价预报效果，本方案选取6种常用的统计参数进行计算，分别为决定系数(R²)、均方根误差(RMSE)、平均绝对误差(MAE)、相对误差(RE)、一致性指数(d)和预报准确率(ACC)，计算公式如下：

式中，x_i为ET_o预报值或ET_c预报值；y_i为计算值或涡度相关系统的ET_c实测值；i为预报样本序列，i＝1，2，…，n；

和

分别为预报值和实测值序列的均值；n为预报值的样本数。

预报准确率(ACC)为预报值与实测值的绝对误差在1mm/d以内的天数占总天数的百分比。

1、不同预见期作物系数预报值(K＇_c)的效果说明：

图2为不同预见期T＇_max和T＇_min预报准确率评价指标变化趋势。总体上，T＇_min预报准确率高于T＇_max的预报准确率，且随着预见期的增加准确率逐渐减小，T＇_max和T＇_min的均方根误差RMSE和MAE均随着预见期的增加呈递增的趋势，该结果与国内外许多学者得到的结论基本一致。1d、7d、10d和15d预见期T＇_max和T＇_min预报相对误差RE和预报准确率ACC变化范围分别为0.24％～11.71％、0.99％～3.93％和57.19％～88.59％、56.67％～89.89％。

选取3℃和30℃为研究区域冬小麦生长季下限温度(T_lower)和上限温度(T_upper)，10℃和40℃为夏玉米生长季T_lower和T_upper。图3为2018～2019年(3～9月)冬小麦和夏玉米主要生长季不同预见期温度预报信息变化过程线(以1d和15d为例)。

从图3可以看出，天气预报T＇_max、T＇_min和T＇_mean变化趋势基本一致，冬小麦主要生长季内三种温度均随着播种后日序数的增大而增大，夏玉米生长季内温度均随着播种后日序数呈减小的趋势。1～15d预见期内，2018～2019年冬小麦和夏玉米生长季T＇_mean均在有效温度范围内，T＇_max和T＇_min有小部分数据不在有效范围内。

冬小麦的拔节期T＇_min无效温度较多，T＇_mean更能反映前期作物生长状况，拔节期到成熟期无效温度较少。因此在进行冬小麦K_c预报时，冬小麦不同生长期预报精度存在一定的差异。夏玉米生长季内，相关规律与冬小麦生长季基本一致，T＇_mean、T＇_min均在有效温度范围内，T＇_max大部分都在有效温度范围内，并且在夏玉米快速生长期无效温度占比较小，因此在进行夏玉米K_c预报时，不同生长期的预报精度同样会存在一定的差异。

图4为2018～2019年冬小麦和夏玉米生长季不同预见期基于温度效应的作物系数预报值(K＇_c)与实测值(K_c，ET_c/ET_o)对比图(以1d和15d为例)。不同预见期的预报值与实测值呈现相似的规律，K_c在0.076～1.541范围内波动。冬小麦生长早期田间植被覆盖稀疏，小麦需水少，K_c较小；冬小麦快速生长季需水逐渐增加，K_c达到峰值；后期小麦基本成熟，需水减小，K_c降低。基于K＇_ci计算模型1d和15d预见期的K＇_c变化范围分别为0.127～1.430、0.199～1.200。夏玉米生长季K_c变化规律与冬小麦相似，K_c变化范围为0.126～1.430，1d和15d预见期的K＇_c变化范围分别为0.284～1.093、0.204～1.075。

图5为基于温度效应的K＇_c与K_c之间的相关性分析。从图中可以看出，1～15d预见期K＇_c与K_c接近，但是存在低估的现象，这可能是因为该研究区预报温度偏高，造成了一定的系统误差。在冬小麦生长季，不同预见期的K＇_c(1d、15d)与K_c的回归方程斜率分别为0.977、0.877，决定系数R²分别为0.736、0.554，均方根误差RMSE分别为0.215、0.216，绝对误差MAE分别为0.227、0.231，预报误差随着预见期的增加而增加。

在夏玉米生长季，不同预见期K＇_c(1d、15d)与K_c的回归方程斜率分别为0.949、0.901，决定系数R²分别为0.710、0.520，RMSE分别为0.290、0.295，MAE分别为0.251、0.279，K_c预报误差随着预见期的增加而增加。

综上所述，温度是影响作物生长的关键气象因素之一，基于温度效应构建的作物系数模型具有明显的对称性，基于温度效应构建的K_c预报法在15d预见期内有较好的适用性。

2、不同预见期参考作物蒸散量预报的效果说明

由图6可知，随着作物的生长ET_o呈先增加后降低的趋势，作物生长早期和晚期ET_o较小，ET_o出现最小值，分别为1.488mm(冬小麦)、2.972mm(夏玉米)；冬小麦播种后220天左右达到最大值，夏玉米播种后20天左右达到最大值。

基于2018～2019年历史逐日温度预报数据，以PM模型计算值(ET_o,PM)为对照，对率定后的H-S模型的ET_o预报值(ET＇_o,HS)进行评价。冬小麦和夏玉米不同预见期H-S模型和PM模型计算的ET_o统计结果参考表1。

表1

由表2和图6可知，ET＇_o,HS与ET_o,PM变化趋势基本一致，且1～10d预报值普遍大于实测值，1d预见期拟合度最佳，预报效果最好，冬小麦和夏玉米季预报值与实测值的决定系数R²分别为0.961和0.831。

在冬小麦生长季，1～15d预报值与实测值的均方根误差RMSE(1.594～1.758mm/d)和平均绝对误差MAE(0.220～1.912mm/d)随着预见期的增加而增加，预报准确率ACC随着预见期的增加呈递减趋势，由98.91％减小至78.14％；相比于冬小麦生长季，夏玉米生长季1d、7d、10d、15d预见期的预报准确率分别减小了2％、0.73％、3.82％、5.46％。

综上所述，本方案的作物蒸散量预测时，不管是冬小麦还是夏玉米在10d预见期内，预测的准确率至少大于82％，可见本方案的蒸散量在短期内的预测精度高。

3、基于温度效应的ET_c预报模型(M_T模型)的效果说明

图7为基于M_T模型不同预见期ET_c预报值与涡度相关系统实测值对比，冬小麦和夏玉米生长季的ET_c呈现出明显的季节性变化，ET_c最小值出现在作物生长早期(0.254(冬小麦)，0.315(夏玉米))，此时作物矮小，大部分土地裸露，农田蒸散主要来源于土壤蒸发。从作物拔节期开始作物ET_c不断增大，抽穗(雄)期～灌浆期ET_c达到最大值(7.778(冬小麦)，6.456(夏玉米))，灌浆期～成熟期又有所降低。

在冬小麦生长季，拔节期后太阳辐射、大气温度升高，小麦叶面积增加，地面覆盖增大，抽穗～灌浆期叶面积达到最大，地面完全覆盖，ET_c一直处于增加的趋势。在夏玉米生长季ET_c变化规律与冬小麦相似，由于受到天气与环境条件的影响，夏玉米在生长季内变化幅度也较大，且呈脉冲式变动，由于夏玉米生长季较短，又处在多雨期，降雨后ET_c增大，使得夏玉米的ET_c变化趋势没有冬小麦明显。

1d、7d、10d和15d预见期ET_c预报值(ET＇_c)与实测值(ET_c-EC)变化趋势基本一致(图7)，ET＇_c与ET_c-EC的一致性和预测精度ACC随着预见期的增加而减小，1d预见期拟合度最佳，15d预见期拟合度最差。表2给出了冬小麦和夏玉米不同预见期H-S模型和PM模型计算的ET_o统计结果。

表2

由表2可知，在7d预见期内的ET_c预报精度均维持在较高的水平，各项误差均较小。冬小麦生长季ET＇_c与ET_c-EC均方根误差RMSE和平均绝对误差MAE的变化范围分别为2.295～3.951mm/d和1.493～1.680mm/d，1d和7d预见期的预报准确率分别为86.57％和84.16％；夏玉米生长季ET＇_c与ET_c-EC均方根误差RMSE和平均绝对误差MAE的变化范围分别为1.365～2.056mm/d和1.049～1.136mm/d，1d和7d的预见期的预报准确率分别为85.03％和83.96％。

在8～15d预见期内，冬小麦生长季ET＇_c与ET_c-EC均方根误差RMSE和平均绝对误差MAE的变化范围分别为5.210～7.199mm/d和1.713～1.871mm/d，10d和15d的预见期的预报准确率分别为74.90％和72.86％；夏玉米生长季ET＇_c与ET_c-EC均方根误差RMSE和平均绝对误差MAE的变化范围分别为3.821～4.672mm/d和1.573～1.749mm/d，10d和15d的预见期的预报准确率分别为71.66％和66.31％。

综合M_T模型的预报精度评价指标可知，M_T在1～7d预见期的预报准确率较高，冬小麦和夏玉米生长季预报准确率均在83％以上，均方根误差RMSE和平均绝对误差MAE均较小，而在8～15d预见期内，模型适用性较弱，预报准确率低于80％。在冬小麦和夏玉米快速生长季，农田下垫面较为复杂，这也降低了模型在作物快速生长季的预报效果。

综上所述，M_T模型在进行短期(7d预见期内)的ET_c预报时，不管是冬小麦还是夏玉米预报准确率均在83％以上，可见本方案采用M_T模型进行蒸散量的预测，能够大幅度提高其预测精度。

4、考虑历史阈值的ET_c预报模型修正(M_T-threshold)的效果说明

图8为研究区2014～2018年冬小麦和夏玉米生长季ET_c上下阈值变化规律，图9(a)～(d)为M_T模型修正前(ET＇_c)、后(ET＂_c)与涡度相关系统实测值(ET_c)对比变化规律。综合各模型的预报精度评价指标(表2)，可以发现模型修正后预报准确率有不同程度的提高。

1～7d预见期内，冬小麦和夏玉米季ET＂_c与ET_c的RMSE和MAE变化范围分别为1.163～1.817mm/d和0.822～1.041mm/d，一致性指数均在0.7以上，预报精度ACC在86.10～90.80％之间，相比于修正前，预报准确率提高了3％以上。

其中，在冬小麦生长季，1d预见期预报精度达到了90％以上。在8d～15d预见期，冬小麦和夏玉米生长季ET＂_c与ET_c的RMSE和MAE的变化范围分别为1.857～2.594mm/d和1.026～1.219mm/d，一致性指数均在0.67以上，预报精度ACC在80.10～83.67％之间。相比于修正前，预报准确率提高了8～14％，夏玉米生长季预报精度均在80％以上。

修正模型将作物生长历史经验规律考虑到M_T预报模型中，降低了作物生长过程中极端天气情况可能引起的ET_c预报误差，进而提高了其预报精度和适用性。本方案结合未来温度信息和作物生长历史阈值，其预报精度可达到90％以上。

Claims (6)

1.基于温度效应和历史阈值的蒸散量预测方法，其特征在于，包括：

获取研究区域的作物在其生命周期内的历史气象数据和天气预报数据；

采用涡度相关系统测定的下垫面水热通量获得历史时间段的历史实测蒸散量；

根据历史气象数据和天气预报数据，采用H-S模型计算基于温度预报信息的参考作物蒸散量预报值ET′_o；

根据天气预报数据，计算作物系数预报值：

其中，K′_c为第i天作物系数预报值；K₀为理论上作物可达到的最大值；

为温度对作物生长的抑制程度；T′_i为第i天的预报平均温度；T₀为适合作物生理生长最适宜温度；β为待估参数；e为自然对数；

根据参考作物蒸散量预报值ET′_o和作物系数预报值，计算基于温度效应的作物蒸散量预报值ET′_c：

ET′_c＝ET′_o×K′_c；

根据历史实测蒸散量，对作物蒸散量预报值ET′_c进行修正，得到修正后的作物蒸散量预报值。

2.根据权利要求1所述的蒸散量预测方法，其特征在于，所述H-S模型为：

ET′_o＝0.408K(T′_max-T′_min)n(T′_mean+T_off)R_a

其中，T′_max为预报最高气温；T′_min为预报最低气温；K为转换系数；n为指数系数；T′_mean为预报平均气温；T_off为温度偏移量；R_a为大气顶层辐射。

3.根据权利要求2所述的蒸散量预测方法，其特征在于，所述转换系数K、指数系数n和温度偏移量T_off的获取方法为：

基于研究区域在历史时间段内的逐日历史气象数据，并采用PM模型计算蒸散量ET_o；

获取转换系数K、指数系数n和温度偏移量T_off的初始值；

根据参数初始值、蒸散量ET_o和逐日历史气象数据，对H-S模型进行非线性回归分析，并运用EXCEL软件规划求解法与搜索法交替迭代获得最优的转换系数K、指数系数n和温度偏移量T_off。

4.根据权利要求1所述的蒸散量预测方法，其特征在于，对作物蒸散量预报值ET_c＇进行修正的计算公式为：

其中，ET_c(max)和ET_c(min)分别为历史实测蒸散量的上限和下限；ET_c″为修正后的作物蒸散量预报值。

5.根据权利要求1所述的蒸散量预测方法，其特征在于，所述作物各生长阶段最优的理论上作物可达到的最大值K₀、适合作物生理生长最适宜温度T₀和待估参数β均采用SPSS软件，结合最小二乘法和序列二次规划法率定获得。

6.根据权利要求1-5任一所述的蒸散量预测方法，其特征在于，所述历史实测蒸散量的计算公式为：

其中，ρ为空气密度，kg/m³；w′为垂直风速脉动量，m/s；q′为水汽密度脉动值，g/m³。

Images