準確預測作物蒸散量對制定精準的灌溉制度和提高水分利用率至關重要。為進一步研究識別氣象要素對作物蒸散的影響,本文采用五道溝水文實驗站大型稱重式蒸滲儀實測資料及氣象資料,利用灰色關聯(lián)法分析了玉米蒸散量與14個水文氣象要素間的關聯(lián)度,建立12個不同影響因素組合下的GM（1,n）逐日蒸散量預測模型。結(jié)果表明:淮北平原夏玉米蒸散量與各影響因素的灰色關聯(lián)度從大到小排序依次為:水汽壓力差>日最高氣溫>地溫100cm>地溫30cm>地溫10cm>地溫50cm>日平均氣溫>相對濕度>絕對濕度>葉面積指數(shù)>飽和差>日最低氣溫>日照時數(shù)>風速;不同影響因素組合下的建模結(jié)果表明輸入要素個數(shù)為4～8時,模型預測精度均合格,后驗差比值均小于0.45,小誤差概率均大于0.8,可用于蒸散預測。采用GM（1,7）模型時,模型精度最高。 

【文章來源】：水文. 2020,40(03)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

2018年夏玉米日蒸散量及降雨變化過程

根據(jù)灰色關聯(lián)法計算得出的結(jié)果可知，在玉米全生長期，各影響因素的關聯(lián)度按從大到小排序為：水汽壓力差（0.8229）>日最高氣溫（0.7812）>地溫100cm(0.7812）>地溫30cm(0.7774）>地溫10cm(0.7762）>地溫50cm(0.7760）>日平均氣溫（0.7716）>相對濕度（0.7684）>絕對濕度（0.7646）>葉面積指數(shù)（0.7626）>飽和差（0.7584）>日最低氣溫（0.7531）>日照時數(shù)（0.7398）>風速（0.7100）。日蒸散量與各要素的關聯(lián)度均大于0.6，關聯(lián)度較強。圖2為夏玉米日蒸散量與關聯(lián)度最高的前7個水文氣象要素變化過程�？梢钥闯�，水汽壓力差的變化趨勢與蒸散量變化趨勢有較高的一致性，符合灰色關聯(lián)分析結(jié)果，日最高氣溫和不同深度地溫變化趨勢與日蒸散量也基本一致，依此逐步建立灰色模型。3.3 灰色模型預測結(jié)果分析

為了檢驗模型的適用性，本文選取了同種土質(zhì)、同種口徑、同種作物及同種埋深的測筒數(shù)據(jù)進行驗證，兩個測筒蒸散趨勢出現(xiàn)差異可能是內(nèi)部環(huán)境有差別。采用蒸滲儀內(nèi)相應地溫及各水文氣象要素，將所得GM(1,7）模型用于驗證集，所得均方根誤差約為0.64，納什效率系數(shù)約為0.70，模型所得后驗差比值為0.3188，小誤差概率為1.1307，模型精度較高。從圖4可以看出，夏玉米全生長期實際蒸散值與預測值的變化趨勢基本一致，模型模擬效果較好。表明水汽壓力差、氣溫及地溫對蒸散的影響較大，在作物生育期內(nèi)可根據(jù)這些氣象數(shù)據(jù)建立GM(1,7）模型預測蒸散。4 結(jié)語與討論

【參考文獻】：
期刊論文
[1]高級計算器在灰色預測GM（1,1）模型精度檢驗中的使用[J]. 畢永.  世界最新醫(yī)學信息文摘. 2019(30)
[2]基于灰色關聯(lián)與預測模型分析陜西省交通運輸碳排放[J]. 欒紫清.  汽車實用技術. 2019(03)
[3]基于灰色關聯(lián)法的涉水邊坡穩(wěn)定性影響因素敏感性分析[J]. 聶兵其,湯明高,邵山,馬新建,李云杰,楊何.  長江科學院院報. 2019(01)
[4]河套灌區(qū)玉米農(nóng)田蒸散動態(tài)變化及其影響因子的通徑分析[J]. 劉美含,史海濱,李仙岳,閆建文,孫偉,竇旭.  排灌機械工程學報. 2018(11)
[5]機器學習模型在河北省參考作物蒸散量計算中的比較[J]. 張薇,霍樹義,賈悅.  節(jié)水灌溉. 2018(04)
[6]東北地區(qū)春玉米生長季農(nóng)田蒸散量動態(tài)變化及其影響因子[J]. 郭春明,任景全,張鐵林,于海.  中國農(nóng)業(yè)氣象. 2016(04)
[7]水稻蒸散特征及日尺度作物系數(shù)估算[J]. 高磊,申雙和,邵立瑛,褚榮浩,譚詩琪.  中國農(nóng)業(yè)氣象. 2016(02)
[8]基于大型稱重式蒸滲儀研究北疆滴灌麥田蒸散量[J]. 李杰,吳楊煥,陳銳,楊平,柴順喜,崔靜,馬富裕.  作物學報. 2016(07)
[9]基于氣象因子敏感性的參照蒸散發(fā)簡化計算模型[J]. 李玫,邱誠,周洋,趙偉.  人民長江. 2015(11)
[10]大型稱重式蒸滲儀測定的冬小麥農(nóng)田的蒸散規(guī)律研究[J]. 汪秀敏,申雙和,韓曉梅,徐延紅.  氣象與環(huán)境科學. 2011(04)



本文編號：3049168