基于气温预报的江西省参考作物腾发量预报方法比较与分析

2022-04-12罗童元谢亨旺邓海龙刘方平崔远来罗玉峰

中国农村水利水电 2022年4期

谭鑫，罗童元，谢亨旺，邓海龙，刘方平，崔远来，董斌，罗玉峰

（1.武汉大学水资源与水电工程科学国家重点实验室，武汉430072；2.浙江省水利河口研究院农村水利研究所，杭州310020；3.江西省灌溉试验中心站，江西南昌330200）

0 引言

参考作物腾发量ET0是灌溉预报和灌溉决策的基础，精确估算ET0可以有效地提高灌溉预报的精度，改善灌溉用水管理［1-3］。在参考作物腾发量的实时预报研究中，国内外多基于历史时间序列分析［4］。如Tracy 等和Marino 等各自提出一种时间序列分析模型［5，6］；刘梦等分析站点历史气象数据提出一种改进的逐日均值修正法［7，8］。随着天气预报精度的提高，将天气预报数据使用到ET0预报的研究也越来越多。如谢梅香等提出一种基于气象预报和神经网络的参考作物腾发量预测模型［9］，任亚飞等进而提出了两种基于BP 神经网络的改进方法［10］，赵琪等基于天气预报，采用Penman-Monteith 公式进行短期逐日参考作物腾发量预报［11］，张展羽等基于天气预报，利用最小二乘支持向量机（LS-SVM）方法进行参考作物腾发量预报［12］。考虑到目前我国气象部门发布的天气预报数据除了温度之外，其他参数预报多为定性预报，其实用性仍有待提高，而对于温度的预报，无论是最高温度还是最低温度均有具体的数值，且基于温度的ET0方法由于对数据需求低，温度测量精度较高，实际中仍有较多应用［13］。如罗玉峰等基于气温预报采用HS 公式进行参考作物腾发量预报［14］。但过往研究主要采用某一种模型在单个（或多个）地区预报，或是某几种模型在少数站点开展预报，如罗玉峰等在林芝站对4 种ET0预报方法比较［15］，晏成明等运用三种模型对青年运河灌区进行ET0预报模型的比较［16］，然而不同模型对于大尺度范围内的地区的适用性规律尚不清晰。本文则根据江西省各个气象站点的历史实测气象数据和天气预报数据，对3 种基于温度的ET0估算方法进行预报评价，优选出最适合江西省26个站点的基于温度的ET0预报模型。

1 数据和方法

1.1 研究区概况

江西省位于中国东南部，长江中下游南岸，属亚热带温暖湿润季风气候，年均气温约为16.3～19.5 ℃，呈自北向南递增趋势，年降水量1 341～1 943 mm。省内主要粮食作物为双季稻，其水稻生产在全国占有突出地位，产量和种植面积分别居全国第3 位和第2 位。因此，研究江西省水稻参考作物腾发量变化规律，对江西省水稻腾发量进行准确预报，有利于缓解江西省水资源供需矛盾，保障粮食安全生产。研究所采用气象站点的分布如图1所示。

图1 江西省气象站点分布图Fig.1 Distribution map of meteorological stations in Jiangxi Province

1.2 数据来源及用途

从中国气象数据网（http：//data.cma.cn/）收集了江西省26个站点2000年1月1日-2015年12月31日的历史实测气象信息，包括最低气温、最高气温、平均气温、平均风速、日照时数、平均相对湿度。从中国天气网（http：//www.weather.com.cn/）收集了26 个站点2013年1月1日-2015年12月31日未来1～7 d的天气预报信息，包括最高气温、最低气温，天气情况、风力预报信息。具体实测数据与预报数据用途见表1。

1.3 ET0预报方法

1.3.1 Hargreaves-Samani模型

Hargreaves-Samani（HS）模型是Hargreaves 和Samani 两人利用Tmax-Tmin可以作为表明天顶辐射能达到地球表面程度的一个指标这一原则，只需代入最低气温和最高气温数据即可，Hargreaves-Samani 公式是一种基于日最高和最低温度计算参考作物腾发量的气候学公式，具体公式如下［17］：

式中：ET0，HS为HS 公式计算的参考作物腾发量，mm/d；λ 为蒸发潜热，取2.45 MJ/kg；Ra为天顶辐射，MJ/（m2·d）；Tmax为日最高气温，℃；Tmin为日最低气温，℃；C，E分别为公式对应的2 个参数，不同地域取值则不同。

1.3.2 Blaney-Criddle模型

Blaney-Criddle（BC）公式采用了基于该日的白昼小时数在一年总的白昼小时数中所占的百分比和平均气温计算ET0，具体公式如下［18］：

式中：ET0，BC为BC 公式计算的参考作物腾发量，mm/d；T为日平均温度，℃；P为该日白昼小时数在一年总的白昼小时数中所占的百分数，%。Ni为该天的最大可能日照时数，h；NYEAR为该年总的白昼小时数，h。

1.3.3 McCloud模型

McCloud（MC）公式是日平均气温的指数函数，由于需要的气象资料较少，适用于气象资料缺少的气象站点，具体公式如下［19］：

财务管理的更新与发展能够有效提高企业的内部管理能力，同时为企业创造更大的价值，企业应当重视财务管理的管理职能和价值创造作用。企业的财务管理应该符合现有的时代背景和企业运营管理的特点，以扩大企业价值为目标来不断优化管理工作的细节，提高企业的运营水平和成本效益并优化企业的资源分布情况，最终使企业的价值总量得到持续提升并使企业实现更健康长远的发展。

式中：ET0，MC为MC 公式计算的参考作物腾发量，mm/d；K、W均为常数，K=0.254，W=1.07；T为日平均气温，℃。

1.3.4 模型参数率定及系数计算

FAO-56 Penman-Monteith（PM）公式为联合国粮农组织于1988年出版的ET0计算指南中提出，该公式计算精度高，故以采用该公式利用历史实测气象数据算得的ET0为基准值，其基本公式如下［20］：

式中：ET0，PM为用FAO-56 Penman-Monteith 公式计算的参考作物腾发量，mm/d；Rn为作物表面上的净辐射，MJ/（m2·d）；G为土壤热通量，取值为0，MJ/（m2·d）；U2为距地面2 m高处风速，m/s；es为饱和水汽压，kPa；ea为实际水汽压，kPa；Δ为温度与饱和水汽压关系曲线上的切线斜率，kPa/℃；γ为湿度计常数，kPa/℃。

考虑到HS 模型中的C、E参数在不同地域取值不同的缘故，本文采用PM 公式和历史实测气象资料算得的ET0值来对HS 模型中的参数C、E率定。BC 模型、HS 模型ET0计算值则与PM 公式算得的ET0基准值建立线性回归关系，求得MC 模型、BC模型的校正系数a和b值。具体关系如下：

式中：ET0为BC 模型或MC 模型ET0计算值，mm/d；ET0，PM为PM公式计算值，mm/d。

1.3.5 准确度评价指标

采用准确率Acc、平均绝对误差MAE、均方根误差RMSE和相关系数R四个统计指标对ET0预报值进行预报精度评价。具体计算公式可参考文献［21］。

2 结果与讨论

2.1 模型参数率定结果

经过率定，可得到HS 公式的26 个站点的参数C、E值，C值的取值范围为0.001 4～0.002 5，E值的取值范围为0.41～0.64。其中除了赣州，其他所有的站点的C值都是接近或者等于给出的建议值0.002 3，这与胡庆芳等（2011）［22］给出的C参数值分布规律大致一样。MC 模型、BC 模型经过线性拟合，MC 模型a值的取值范围为0.965 3～1.275 9，b值的取值范围为0.378 5～0.698 8，BC 模型的a值取值范围为-1.825 7～-0.513 0，b值的取值范围为0.721 1～1.016 2。

2.2 率定后模型精度评价

江西省26 个气象站点率定前、率定期、验证期统计指标的平均值，如表2所示。可以看出，经过参数率定，HS模型、MC 模型和BC 模型准确率都达到了90%以上，平均绝对误差和均方根误差减小，相关系数都达到了0.8以上，具有较高的精确度。

表2 26个气象站率定前、率定期、验证期统计指标平均值Tab.2 Average value of statistical indexes of 26 meteorological stations before calibration period，at calibration period and during verification period

为了形象的对比模型率定前和率定后ET0计算值的精度，以南昌站为例，图2 是以PM 公式的计算值为x轴，以HS 模型，BC 模型，MC 模型的计算值为y轴，以率定前、率定后，验证期各模型计算值画的散点图。可以看出，HS模型在率定前、率定期、验证期，点都比较均匀的分布在y=x的两侧，可见HS 模型率定前的计算精度也比较高。BC 模型率定前点大都分布在y=x的左侧，通过参数率定后，模型的计算值较为均匀的分布在y=x的两侧，可见率定前采用BC 模型计算值普遍高于PM 公式计算值，误差较大，而通过参数率定的BC 模型，模型的精度会大为提高。MC 模型率定前误差很大，散点的斜率为1.483 1，通过参数率定后斜率为0.943 8（率定期）和0.968 8（验证期），且率定后数据较为均匀的分布在y=x的两侧，故对MC模型参数率定效果较好。

图2 模型率定散点图Fig.2 Model calibration scatter plot

2.3 3种方法ET0预报评价

为了评价3 种ET0预报模型在不同预见期的预报精度，将2013年1月1日到2015年12月31日的天气预报数据代入3 种模型所得的计算值与代入PM 公式的计算值进行对比分析。表3 为江西省26 个气象站点3 种模型1～7 d 预报统计指标的平均值，可以看出，随着预报期天数的增加，模型表现出相同的统计规律，即相关系数R和准确率Acc随预报期增加而减小，均方根误差RMSE和平均绝对误差MAE随预报期增加而增加，预报精度逐渐减小。

表3 江西省气象站点预报精度统计指标平均值Tab.3 The average of Jiangxi meteorological site forecasting accuracy

为了更加形象的展示以上3 种ET0预报模型的准确度情况，绘制了3 种模型在南昌站点1 d 预见期、4 d 预见期及7 d 预见期预报值与PM 公式计算值的散点过程变化图，如图3所示。可以看出，虽然3种模型的预报值与PM计算值存在过高估计或者过低估计的情况，但绝大部分点都比较好的吻合了计算值的大致趋势。具体来看，HS 模型计算出的ET0值与实际值较为接近，计算值的误差较小。而BC 模型和MC 模型虽然统计指标较好，但其预报波形较为单薄，预报值集中，不能够同时较好的预报较大值和较小值，对特殊天气状况如大风、降雨等的响应程度不高。

图3 南昌站点模型预报过程图Fig.3 Nanchang site model forecasting process

2.4 ET0预报模型优选

计算分析江西省26 个气象站点在1～7 d 预报期内3 种模型ET0预报统计指标的均值，采用排队计分法选出各站点最优预报模型：首先，同一站点分别按照4 个统计指标的优劣程度将3种ET0模型进行排序，即将3 种模型按照同一站点Acc、R的值从大到小进行排序，MAE和RMSE从小到大进行排序；然后，计算各模型的单项得分，分别对按照4 个统计指标优劣程度排序后的ET0模型打分，排在第一位的模型得分为100，第二位得分为75，第三位为50；其次，将同一模型在同一站点所得单项得分进行加权算术平均，求出1～7 d 预见期各模型的综合评价总得分，将四个统计指标所占权重均定为0.25。可得出26 个站点3 种模型综合评价得分及推荐ET0模型，如表4所示。