《参照作物蒸散量计算模型在新疆干旱地区适用性研究》-农学论文，农业论文-论文范文参考-科学狗论文网

标题

参照作物蒸散量计算模型在新疆干旱地区适用性研究

范文

樊湘鹏许燕周建平

摘要：对作物需水信息实时、准确地获取是实现智能灌溉发展精准农业的关键技术和必要条件。参照作物蒸散量（ET0）是获取需水信息的重要依据和需水决策系统的核心，ET0计算模型的精确与否将直接影响作物的长势以及智能灌溉的效果。选取基于温度的Hargreaves-Samani法（H-S法）、基于辐射的Priestley-Taylor以及经验公式法Irmark-Allen进行比较，选择不同的气象条件下最佳的ET0计算模型。选择新疆地区的昭苏、乌鲁木齐、麦盖提、吐鲁番4个站点的气象数据，分别利用H-S法、经验公式法Irmark-Allen（I-A法）、Priestley-Taylor辐射公式（P-T法）、以及Penman-Monteith公式（PM-56）4种方法计算不同站点的ET0值，以PM-56为标准对其他方法计算结果进行评价并修正。结果表明，在4个站点中Irmark-Allen的计算结果与PM-56最为接近，标准误差分别为1.215、1.020、1.311、1.065。经过回归分析得，昭蘇站拟合优度最佳的是Allen，r2为0.917，麦盖提站和吐鲁番站拟合优度最佳的是P-T法，r2值分别为0.862和0.889，乌鲁木齐站拟合优度最佳的是H-S法，r2值为0.926。对模型进行修正之后，昭苏站和乌鲁木齐站的最佳模型是H-S法，标准误差分别减小到了0.419和0.607，标准误差分别减少了90.6%和85.7%。麦盖提站和吐鲁番站的最佳模型是修正P-T法，标准误差分别减少到了0.670和0.439，标准误差减少了87.4%和89.8%。因此，可以在有限气象条件下将修正后的模型用于新疆地区相应站点ET0的计算中，为农业灌溉提供便利。

关键词：参照作物蒸散量;Penman-Monteith公式;Hargreaves-Samani法;辐射法Priestley-Taylor;经验公式Irmark-Allen;ET0计算;模型修正

中图分类号： S161.4 文献标志码： A

文章编号：1002-1302（2019）20-0273-08

对作物需水信息实时、准确地获取是实现智能灌溉发展精准农业的关键技术和必要条件[1]。参照作物蒸散量（ET0）既是植物生长过程中一个非常重要的参数，又能为计算作物需水量提供重要依据。参照作物蒸散量反映的是大气蒸发能力与作物需水信息的关系，预测结果的精确与否将直接影响作物的长势以及智能灌溉的效果。ET0的计算具有地域性、时域性，常见的计算方法有模型法、温度法、经验公式法和综合法等[2]。当前受国内外学者推崇的是FAO-56 Penman-Monteith方法，该方法以水汽扩散和能量平衡方程为基础，将作物的生理特征和空气动力学参数同时考虑在内，计算结果较为准确，国内外院校和研究机构都以此为标准来评价其他方法及模型的准确性，并对其他模型进行修正[3-4]。但该方法需要用到日最低气温（Tmin）、日最高气温（Tmax）、地理纬度、海拔、日平均相对湿度、实际日照时长（h）、风标高度及风速（m/s）等8个参数，在面积广阔和资料缺失的地区尤其是新疆地形复杂地区同时测量这些气象数据的站点是严重受限的[5]。国内外有很多学者针对不同的区域对作物参考蒸发量的计算及模型预测方法作了研究。付强等建立了新疆富锦市参考作物蒸发量的多变量自回归模型[6-8];彭世彰等用Hargreaves-Samani温度法、经验公式Irmark-Allen拟合法、辐射法Priestley-Taylor以及Penman-Monteith公式对江苏省南京站的参考作物蒸发量进行了研究[9-12];迟道才等对辽宁省锦州市的ET0计算预测模型进行了研究[13-15];Valipour等运用多元多项式、贝叶斯回归等方法对干旱环境下的参考作物蒸散量进行研究[16-17];伊斯兰自由大学水利工程部的Ali-Akbar Sabziparvar[18-19]用多元非线性回归（MNLR）方法研究了当地马铃薯的参考作物蒸发量。针对所需气象参数很多地区难以获取的问题，国内外学者将人工智能神经网络算法和数据挖掘引入到ET0的预测中，从最初的神经网络预测模型到支持向量机、极限学习机、遗传算法等以及相应的算法优化模型[20]，相对缺乏物理基础。

国内外学者的研究大多是利用旬气象资料或者月气象资料针对特定的站点进行模型研究及修正的。鉴于新疆地区面积广大和极端干旱易突变的气象特点，利用不同站点的日气象数据作为数据材料进行逐日分析可有效降低数据计算过程中的时滞性。本研究选取温度法Hargreaves-Samani（H-S法）、经验公式法Irmark-Allen（I-A法）、辐射法Priestley-Taylor（P-T法）分别对新疆地区的不同站点的ET0计算方法进行研究分析，并以PM-56公式计算的结果为标准对不同方法进行校正拟合。

1 材料与方法

1.1 研究区域概况

新疆维吾尔自治区（34°25′～48°10′N、73°40′～96°18′E）远离海洋，深居内陆，四周有高山阻隔，海洋气流不易到达，形成了明显的温带大陆性气候，日照时间充足（年日照时间达 2 500～3 500 h，降水量少，冬季干燥，夏季炎热，全年温差大。

新疆农林牧可直接利用土地面积0.69亿hm2，占全国农林牧宜用土地面积的1/10以上。根据新疆农业发展概况和各地种植结构分布详情，北疆的昭苏县是优质小麦重点发展县之一，也是油料重要基地建设县。南疆的麦盖提县是优质小麦重点发展县和夏季玉米种植区，也是南疆优质陆地棉区、长绒棉区、中长绒棉区优先建设县，吐鲁番地区是典型的绿洲农业带和国内重要的葡萄产区，乌鲁木齐市则是保障区内产品供应的设施农业生产基地。所以本研究以昭苏县、麦盖提县、乌鲁木齐市、吐鲁番为代表站点来研究新疆地区的参照作物蒸发量ET0。

本研究气象资料来自于中国气象数据网，选取新疆地区4个气象站点2004—2015年逐日的气象资料进行研究，下载的气象因素包括平均气温（Tmin）、日最高气温（Tmax）、日最低气温（Tmean）、日照时间（n）、风标高度处的实际风速（m/s）、日平均相对湿度（RHmean，把每天02：00、08：00、14：00、20：00这4次测量的相对湿度求平均值）、日最小相对湿度（RHmin）、计算地点海拔高度（Z）、风标高度（h）、20：00至次日20：00降水量。研究区域各气象站点气候基本特征见表1。

1.2 ET0计算模型的选取

本研究选取的参照作物蒸发量计算方法见表2。

1.3 模型评价标准

1.3.1 模型拟合效果的评价

式中：n为样本数;m为变量数;t为变量;yt表示第t个拟合的量;yt[TX-*5]表示拟合量的平均值;ETxt为第t个拟合的ET0值;b为拟合函数常数;a为拟合函数斜率;ET0PMt为通过P-M公式得出的值并作为标准值，即ET0。s值是回归结果的标准误差，反映了模型修正前与修正后的偏差和回归后的拟合效果，值越大拟合效果越差。经公式（1）推导可以得到s值反映了其他模型计算得到的ET0值与PM-56公式得到的标准ET0的偏差，其值越小说明该模型与PM-56结果越接近。

1.3.2 模型修正效果的评价

用修正后模型计算ET0值与PM-56计算结果差值的均方根与修正前计算ET0值与PM计算结果差值的均方根比较，来衡量修正后模型的精度。

所以，修正后模型的预测精度与该模型的修正系数有关。

2 结果与分析

2.1 不同模型的比较

从中国气象数据网下载4个站点2004年1月1日到2015年6月30日的日值气象数据。下载到的气象因子包括平均风速、最大风速、最大风速的风向、极大风速、极大风速的风向、日照时数、平均本站气压、日最高本站气压、日最低本站气压、平均气温、日最高气温、日最低气温、平均水汽压、平均相对湿度、最小相对湿度、20：00至次日20：00降水量。从中提取PM56公式计算ET0所需的要素包括平均气温T（℃）、日最高气温Tmax、日最低气温Tmin、平均相对湿度RHmean、最小相对湿度RHmin、日照时间n、计算地点海拔高度Z、风标实际风速、风标高度h、地理纬度。昭苏、乌鲁木齐和吐鲁番从2004年1月1日至2015年6月30日的日气象数据库每隔1周取1次数据，将599组数据用4种模型分别计算得到ET0值。麦盖提县站点从2009年1月1日至2015年6月30日每隔1周取1次数据，将337组数据用4种模型分别得到ET0值。可以得到不同模型的ET0日变化曲线见图1。

从图1不同站点的4条曲线的变化趋势可知，在昭苏、乌鲁木齐、吐鲁番和麦盖提4个站点计算得到的ET0值的变化趋势与PM-56计算得到的ET0值的变化趋势一致，所以这3种方法都可用来反映不同时间的作物参照蒸发量的变化趋势，可以用来计算新疆地区不同站点的ET0值。从图1中可以看出I-A的计算结果与PM-56的结果基本相近，偏差最小。其中，昭苏站和乌鲁木齐站I-A法计算的ET0变化曲线与标准ET0曲线基本重合。麦盖提站和吐鲁番站I-A法计算的ET0变化幅度比标准ET0曲线幅度略小。在所选的4个站点中，H-S和P-T法计算的结果基本一致，均比PM-56计算的标准ET0值明显偏大。在吐鲁番站点和麦盖提站点中，温度法的结果比辐射法的结果偏大。以上是从曲线定性分析，为了定量计算不同模型与PM-56公式的偏差，由式（1）可以求得不同模型计算得到的ET0值与PM-56计算结果的标准误差，结果见表3。表3从数值上反映了在所选的4个站点，I-A法比H-S法和P-T法计算结果更接近PM-56公式的计算值。I-A法在4個站点的计算结果与PM-56偏差均处于1.0～1.4之间，而H-S法和Priestley-Taylor法与PM-56的偏差则处于4.0～6.0之间。

2.2 不同模型与PM法的相关性分析

上述不同模型之间的比较，定性得到不同模型计算结果与PM-56计算结果存在关系，定量地得到不同模型与PM-56计算结果的偏差。为了能直观地得到3种方法与PM-56公式的关系，以PM-56公式计算得到的ET0值为横坐标，分别以温度法H-S、辐射法P-T、经验公式法I-A计算得到的ET0值为纵坐标，作散点图以直观定性地寻求这些方法与PM-56计算结果的相关性。温度法H-S与ET0（PM-56）的相关性见图2，辐射法Priestley-Taylor与ET0（PM-56）的相关性见图3，经验公式法Irmark-Allen与ET0（PM-56）的相关性见图4。

不同方法的计算结果与PM-56的结果存在线性正相关关系，相比I-A法，H-S法和P-T法的线性相关更密切。为了定量地找到3种方法与PM-56计算值之间的规律，可以用SPSS对其进行相关性分析，进而确定能否对温度法、辐射法、经验公式法与PM-56进行直线回归拟合以及定量地找到线性相关的程度。分析结果见表4。

由表4可知，这3种方法与PM-56法均存在显著的相关性，其中在昭苏站与PM-56法直线相关性密切的H-S和P-T方法与PM的相关系数分别达到了0.956和0.958;在乌鲁木齐站H-S和P-T方法与PM-56的相关系数分别达到了0.963和0.951;在麦盖提站H-S和P-T方法与PM-56的相关系数分别达到了0.919和0.929;在吐鲁番站H-S和P-T方法与PM-56的相关系数分别达到了0.930和 0.943。对于相关性较大的关系，所以可以对其进行直线回归。H-S、P-T、I-A的直线回归结果分别见图5、图6、图7。

当PM-56公式值较小时，有较多H-S公式的计算值偏大。这说明对于ET0值过大或过小的情况，H-S公式计算ET0值的结果较差，其原因是H-S公式没有考虑湿度、风速和天气情况。在一定气温条件下，湿度较小和（或）风速较大时，PM-56公式计算出的ET0值偏小;而H-S公式计算值基本和平均湿度和风速条件下的ET0一致。Priestley-Taylor的计算结果比PM-56公式的结果偏小，其原因在于辐射法在计算时，只考虑了辐射原因而没有考虑空气动力原因。而Irmark-Allen的计算结果在参考作物蒸发量比较小时比 PM-56 的结果偏大，但是当ET0值达到一定的值时Irmark-Allen的计算结果比PM-56的结果偏小。Irmark-Allen公式计算值与PM-56公式计算值存在的误差是由于I-A法只进行了简单的线性拟合过程。在图7中的R2反映的是各公式法与PM-56公式值线性拟合的优度。其中乌鲁木齐站点的H-S法拟合优度均高于其他方法和其他站点的线性拟合优度。

2.3 模型校正

每个地区ET0的研究方法有很多，但是这些研究模型在不同的地区须要进行校正后才可用于当地气象条件下ET0的计算。国内外研究学者大多采用PM-56法对其他模型进行校正，建立如下关系方程：

利用线性回归关系，得出不同站点3种方法的校正方程校正系数以及不同校正方程的拟合优度，即可以拟合成直线的程度。由表5可知，在昭苏站经验公式I-A的拟合优度最高，即I-A法与PM-56的关系更接近于直线;在麦盖提站辐射法与PM-56的拟合优度最好;在昭苏站和乌鲁木齐站温度法与PM-56的拟合优度最好。根据表5的修正系数和公式（3）可以求得模型修正后计算得到的ET0与PM-56公式计算ET0所得结果的标准误差见表6。

比较表3和表6得，在4个站点中，温度法和辐射法修正后的模型计算ET0与PM-56公式计算ET0结果的标准误差较修正前得到了减小，模型精度得到了提高，只有经验公式法在修正后标准误差变大。修正后，昭苏站的最佳模型为温度法 H-S，标准误差为0.419，精度提高了90.6%;麦盖提站最佳模型为辐射法，标准误差是0.670，精度提高了87.4%;乌鲁木齐站点最佳模型是温度法，标准误差是0.607，精度提高了85.7%;吐鲁番站最佳模型是辐射法，标准误差是0.439，精度提高了89.8%。修正后各站点的最佳模型公式见表7。

3 结论

本研究以新疆地区的昭苏、麦盖提、乌鲁木齐和吐鲁番4个地区气象站点为例，对参照作物蒸发量的常用计算方法进行了对比分析，通过分析各方法与PM-56公式值的相关性和拟合分析，最终确定不同站点的最佳适用模型。在模型修正前温度法H-S在不同站点的计算结果均与PM-56公式的差值最小，而经验公式Irmark-Allen和辐射法Priestley-Taylor的计算结果相近且均与PM-56计算的结果差值偏大。H-S公式没有考虑湿度、风速和天气情况;Priestley-Taylor在计算时，只考虑了辐射原因而没有考虑空气动力原因;Irmark-Allen公式计算过程进行了简单的线性拟合过程。模型修正后，温度法和辐射法计算的ET0的精度均提高了，其中昭苏和乌鲁木齐站点的最佳适用模型是温度法H-S的修正模型，麦盖提站和吐鲁番站的最佳适用模型是辐射法Priestley-Taylor的修正模型。2017年6—10月，在喀什麦盖提县库木库萨尔乡12大队的棉花示范田中安装了户外小型气象站，对模型进行了相关的试验验证，取得了良好的节水效果（图8）。在有限气象条件下，新疆地区其他站点的ET0计算模型也可用此方法进行研究和推广，结合作物生长系数可直接对作物需水量进行计算，进而能够简化计算过程，为农业灌溉提供指导和便利。

参考文献：

[1]张伟，何勇，裘正军，等. 基于无线传感网络与模糊控制的精细灌溉系统设计[J]. 农业工程学报，2009，25（增刊2）：7-12.

[2]罗金耀. 节水灌溉理论与技术[M]. 武汉：武汉大学出版社，2003.

[3]Valiantzas J D. Simplified forms for the standardized FAO-56 Penman-Monteith reference evapotranspiration using limited weather data[J]. Journal of Hydrology，2013，505：13-23.

[4]胡庆芳. 参考腾发量的计算和预测方法研究[D]. 北京：清华大学，2005.

[5]张育斌，魏正英，马胜利，等. 极端天气下作物参照蒸散量计算方法研究[J]. 中国农村水利水电，2014（12）：64-68，71.

[6]付强，梁川，杨广林. 基于时间序列分析的井灌水稻需水量预测[J]. 农业系统科学与综合研究，2002（2）：81-83.

[7]付強，王志良，梁川. 多变量自回归模型在三江平原井灌水稻需水量预测中的应用[J]. 水利学报，2002（8）：107-112.

[8]王立坤，刘庆华，付强. 时间序列分析法在水稻需水量预测中的应用[J]. 东北农业大学学报，2004，35（2）：176-180.

[9]彭世彰，魏征，徐俊增，等. 参考作物腾发量主成分神经网络预测模型[J]. 农业工程学报，2008，24（9）：161-164.

[10]彭世彰，魏征，徐俊增，等. 参考作物腾发量支持向量回归机实时预报模型[J]. 农业工程学报，2009，25（10）：45-49.

[11]罗玉峰，李思，彭世彰，等. 基于气温预报和HS公式的参考作物腾发量预报[J]. 排灌机械工程学报，2013，31（11）：987-992.

[12]付浩龙，罗玉峰，李亚龙. 基于气温预报的HS公式短期逐日参考作物腾发量预报评价与分析[J]. 长江科学院院报，2018，35（2）：51-56.

[13]迟道才，曲霞，刘婷婷，等. 基于偏最小二乘回归的投影寻踪耦合模型在参考作物腾发量预测中的应用[J]. 中国农村水利水电，2011（2）：76-78.

[14]迟道才，曲霞，崔磊，等. 基于遗传算法的投影寻踪回归模型在参考作物滕发量预测中的应用[J]. 节水灌溉，2011（2）：5-7.

[15]迟道才，王海南，李雪，等. 灰色新陈代谢GM（1，1）模型在参考作物腾发量预测中的应用研究[J]. 节水灌溉，2011（8）：32-35.

[16]Valipour M. Evaluation of radiation methods to studypotential evapotranspiration of 31 provinces[J]. Meteorology and Atmospheric Physics，2014，127（3）：289-303.

[17]Valipour M. Investigation of valiantzas' evapotranspiration equation in Iran[J]. Theoretical and Applied Climatology，2015，121（1/2）：267-278.

[18]Sabziparvar A A，Mousavi R，Marofi S A，et al. An improved estimation of the Angstrom-Prescott radiation coefficients for the FAO56 penman-monteith evapotranspiration method[J]. Water Resources Management，2013，27（8）：2839-2854.

[19]Aghajanloo M B，Sabziparvar A A，Talaee P H. Artificial neural network-genetic algorithm for estimation of crop evapotranspiration in a semi-arid region of Iran[J]. Neural Computing and Applications，2013，23（5）：1387-1393.

[20]王振午. 基于数据挖掘和人工智能的参考作物腾发量预测[D]. 杭州：浙江大学，2016.

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。