河北省各市平均降水量（河北省典型作物要多少水）
河北省各市平均降水量（河北省典型作物要多少水）悦，王凤春，高 悦，等． 河北省典型区域典型作物 ET 估算方法研究［J］. 水利水电技术，2020，51( 11) : 68-77.引用：作者简介： 贾悦(1992—) 男 硕士 主要从事水利工程与节水灌溉理论相关工作。E-mail:jiayuescu@163.com; *王凤春(1981—) 女 副教授 博士 主要从事水资源管理、水生态系统优化评价等相关工作。E-mail:wangfengchun813@163.com;
摘 要：
为研究河北省典型作物需水量(Evapotranspiration ET)估算方法 以河北省邢台市和石家庄市作为典型区域 选择夏玉米和棉花作为典型作物 以作物系数法为基础 构建典型作物ET估算方法。以分段单值平均作物系数法计算作物不同生育期作物系数 以Penman-Monteith模型(PM)计算结果作为标准值 分别估算Hargreaves-Samani模型(HS)、Irmark-Allen模型(IA)、HS改进模型、Trajkovic模型(Tra)、Droogres-Allen模型(DA)5种经验模型和极限学习机(ELM)、广义回归神经网络(GRNN)、随机森林(RF)、M5树模型(M5T)共4种人工智能模型的参考作物蒸散量数值(Reference crop evapotranspiration ET0) 求得不同尺度ET数值 得出最优模型。结果表明:在ET日值模拟中 ELM模型在夏玉米和棉花ET估算中的精度最高 拟合方程斜率更接近标准值“1” 经验模型中的IA模型精度相对较高;ET月值模拟中 ELM模型最高 经验模型中的Tra模型精度相对较高;不同生育期内 夏玉米全生育期、初始生长期、快速发育期、生育中期和成熟期的最优模型依次为ELM模型、ELM模型、GRNN模型、GRNN模型、GRNN模型 棉花5个生育期尺度的最优模型依次为ELM模型、ELM模型、ELM模型、GRNN模型、GRNN模型;同时 辐射项的输入可进一步提高人工智能模型的精度 可为以后的研究提供思路。研究成果可为河北省节水型农业和节水型社会建设提供依据。
关键词：
典型作物; 作物需水量; 作物系数法; 极限学习机; 节水型社会建设;
作者简介：
贾悦(1992—) 男 硕士 主要从事水利工程与节水灌溉理论相关工作。E-mail:jiayuescu@163.com;
*王凤春(1981—) 女 副教授 博士 主要从事水资源管理、水生态系统优化评价等相关工作。E-mail:wangfengchun813@163.com;
引用：
悦，王凤春，高 悦，等． 河北省典型区域典型作物 ET 估算方法研究［J］. 水利水电技术，2020，51( 11) : 68-77.
JIA Yue，WANG Fengchun，GAO Yue，et al． Study on ET estimation method of typical crops in typical regions of Hebei province［J］. Water Resources and Hydropower Engineering，2020，51( 11) : 68-77.
基金：
河北省社会科学基金项目(HB19GL023);
0 引 言
水资源是人类社会赖以生存的物质基础和基本保障 及时的水资源供给不但可维系社会正常发展 同时直接关系到居民的生命安全。我国水资源丰富 全国水资源总量高居世界第6位 但由于高数量的人口基数使得国内人均水资源占有量仅占世界平均水平的25%。为有效缓解用水压力 构建节水型社会的理念已逐渐深入社会的各个行业 河北、北京等12个省份颁布了节约用水管理办法 涉及社会各个领域 力求从社会各角度出发缓解水资源供需压力。河北省率先落实《国家节水行动方案》要求 制定出台《河北省节水行动实施方案》。我国是农业大国 每年虽有接近60%的水用于农业生产 但仍未彻底解决农业干旱问题 据统计 国内农业每年受旱面积仍达2千万-2千7百万hm2 农业用水只占世界平均水平的80% 对于河北省亦是如此。因此 发展节水型农业对河北省构建节水型社会十分关键。
作物需水量(Evapotranspiration ET)是区域制定灌溉制度的重要参数之一 精确获取ET数据对发展节水型农业十分关键。目前ET数据获取的方法主要包括直接测量法和间接计算法两大类 其中直接测量法虽获取数据精度较高 但需耗费大量的时间和经费 在一定程度上限制了应用。以作物系数法为基础的间接计算法成为了现如今ET获取的主要方法之一。该方法主要通过作物系数与区域参考作物蒸散量(Reference crop evapotranspiration ET0)的乘积来获取ET数据 计算方法和基础数据较简单 且精度较高 应用较广泛。
ET0是计算ET数据的重要参数之一 目前FAO-56分册规定的Penman-Monteith模型(PM)为计算的ET0标准模型 但该模型由于考虑的因素过多 在气象数据缺失的地区难以应用 因此关于简化算法的研究已成为了发展节水型农业、确定作物ET的研究重点[8 9]。Pristley-Taylor模型、Irmark-Allen模型和 HARGREAVES等ET0简化经验计算模型的提出 在一定程度上推动了ET0最优估算模型研究的进程。同时 随着人工智能模型的发展 已有研究表明 相同数据输入情况下的人工智能模型精度要高于经验模型精度。ABDULLAH 等和WEN 等分别在意大利和额济纳盆地的研究均验证了这一结论。
河北省是国内主要的旱作物生产基地 也是全国最缺水的省份之一 据统计 2018年河北省人均水资源仅为184m3 占全国人均水资源量的8.9% 而全省年农业用水量高达109.87亿m3。为了解不同作物需水量及变化 精细化河北省农业用水结构管理 本文以邢台市夏玉米和石家庄市棉花为典型区域典型作物 以作物系数法为主要研究方法 计算夏玉米和棉花不同生育期作物系数Kc的同时 仅以温度数据为基础气象资料 以5种经验模型和4种人工智能模型为基础 确定适用于河北省邢台市和石家庄市ET0估算的主要模型 求得2个典型区域典型作物ET的数值。该估算方法的提出 可为河北省实施区域节水灌溉精准政策提供理论依据 推动全省节水型农业、节水型社会建设与发展。
1 研究方法1.1 数据来源
本文分别选择河北省邢台市和石家庄市1991—2018年的实测气象数据 数据均来自国家气象中心 且质量控制良好 缺测数据采用线性内插法补齐。气象数据主要包括日最高气温(Tmax)、最低气温(Tmin)、日照时数(n)、相对湿度(RH)和10 m处风速(U10)。作物生育期数据主要来自当地农业气象试验站 经过整理可得2种典型作物的生育期划分情况 结果如表1所列。
表1 河北省典型区域典型作物生育期划分情况
1.2 作物系数法计算ET
作物需水量ET主要采用作物系数法进行计算 其中作物系数Kc采用分段单值平均作物系数法计算 ET0分别采用不同简化模型进行估算 并以PM模型为标准值 找出ET最优计算模型 具体公式为
式中 ET为作物需水量计算值(mm/d);Kc为作物系数;ET0为不同模型计算的参考作物蒸散量的值(mm/d)。
1.3 分段单值平均作物系数法
本文拟采用分段单值平均作物系数法计算河北省夏玉米和棉花不同生育期的作物系数。该方法可在较少数据输入的情况下 较高精度地估算作物系数。该方法将作物系数计算过程分为几个步骤:
(1)FAO-56分册中规定的夏玉米和棉花标准条件下的作物系数分别为:夏玉米Kcini(Tab)=0.3 Kcmid(Tab)=1.2 Kcend(Tab)=0.6;棉花Kcini(Tab)=0.35 Kcmid(Tab)=1.2 Kcend(Tab)=0.7。其中 Kcini(Tab)、Kcmid(Tab)、Kcend(Tab)分别代表标准条件下作物初始生长期、生育中期和成熟期的作物系数。
(2)根据区域实测气象数据 校正Kcmid(Tab)和 Kcend(Tab) 具体公式为
式中 Kcmid和Kcend分别代表校正后的生育中期和成熟期的作物系数;U2表示生育期内2 m处的风速 (m/s);h为作物在生育期内的平均高度 夏玉米取2 m 棉花取1.5 m;RHmin为区域最小相对湿度 计算公式为
式中 Tmax和Tmin为最高、最低温度(℃)。
(3)计算初始生长的作物系数Kcini 该时期土壤蒸发所占比例较大 因此在校正时需考虑土壤的影响 具体公式为
式中 REW为大气蒸发力控制时期的蒸发量(mm);TEW为一次降雨后的总蒸发量(mm);Eso为潜在蒸发率 ET0为参考作物蒸散量(mm/d);tw为降雨或灌溉的平均间隔天数(d);t1为大气蒸发力控制下的总历时(d);Ze为土壤蒸发层深度(mm);θFC为土壤田间持水量;θWP为土壤凋萎系数;Sa为蒸发层土壤中砂粒比例;C1为黏粒比例。
1.4 ET0计算模型
为找出河北省夏玉米和棉花ET估算的最优模型 本文分别以不同ET0估算模型为基础 以PM模型与作物系数Kc的计算数值为标准值 找到最优模型 模型主要型式和参数取值可见下文。
1.4.1 ET0计算经验模型
以PM模型为标准 在仅输入温度资料条件下 选择5种温度法经验模型进行ET0估算 分别找出适用于河北省邢台地区和石家庄地区的最优模型 具体公式及参数意义如表2所列。
表2 温度法经验模型基本型式及参数
1.4.2 ET0计算人工智能模型
所选择的4种人工智能模型 均仅以温度资料为输入项 以1991—2000年的数据训练模型 以2001—2018年的数据验证模型精度 得出河北省邢台市和石家庄市2个区域的最优模型。
1.4.2.1 极限学习机模型
极限学习机模型(Extreme learning machine ELM)是单隐层前馈神经网络学习算法 其学习速度比传统神经网络算法更快 主要包括输入层、隐含层和输出层3个部分 具体步骤可见文献[19]。
[19] 冯禹 崔宁博 龚道枝 等.基于极限学习机的参考作物蒸散量预测模型[J].农业工程学报 2015 31(S1):153- 160.
1.4.2.2 随机森林模型
随机森林(Random forest RF)模型由Breiman提出。该模型基于随机性和差异提取数据 可以大大提高决策的准确性 具体步骤可见文献[20]。
[20] BUJA A SWAYNE D LITTMAN M et al.Data visualization with multidimensional scaling[J].Journal of Computational and Graphical Statistics 2008 17(2):444-472.
1.4.2.3 广义回归神经网络模型
广义回归神经网络模型(Generalized regression neural network GRNN)由输入层、模式层、求和层和输出层等4层神经元组成 利用GRNN输入参数为Tmax、Tmin 以1991—2000年的数据训练模型 以2001—2018年的数据验证模型精度 在Matlab 2016a中直接调用GRNN函数 调用格式及模型参数见参考文献[21]。
[21] 王小川 史峰 郁磊 等.MATLAB神经网络43个案例分析[M].北京:北京航空航天大学出版社 2013.
1.4.2.4 M5树模型
M5树模型(M5T)可在扫描所有可能的分裂后选择预期的标准偏差 保证模型精度。 组成模型的过程分为两部分。首先 将数据分成若干子集以创建决策树。 然后通过模型计算子集的预期误差 精度计算公式为
式中 SD和SDR是标准偏差;Q是一组目标样本;Qi是Q的一个子集。
1.5 模型精度评价指标
以均方根误差(RMSE)、确定系数(R2)和平均绝对误差(MAE)3种指标形成评价指标体系 用于评判不同模型的精度 具体公式为
式中 SD和SDR是标准偏差;Q是一组目标样本;Qi是Q的一个子集。
式中 Xi 和 Yi分别为模型模拟值及实测值;X¯X¯为Xi的平均值。
GPI指数可综合考虑不同指标对模型精度的影响 统一评价模型精度 具体公式如下
式中 αj为常数 对于MAE和RMSE αj取1 对于R2 αj 取-1;gj为不同指标的缩放值的中位数;yij为不同指标的尺度值。
2 结果与分析2.1 ET日值拟合结果分析
图1为邢台市夏玉米不同模型ET日值与标准模型的拟合结果对比。由图1可以看出 人工智能模型算法精度普遍高于经验模型。经验模型ET日值的拟合方程斜率均在0.5～0.7之间 与标准值“1”之间的差距较大 HS模型拟合方程斜率在经验模型中最接近“1” 但仅为0.697 同时经验模型的决定系数R2的值较小 仅有IA模型R2达到了0.804 其余模型均在0.675～0.693之间 表明经验模型计算结果与标准值的一致性较差。人工智能模型拟合方程斜率较接近于标准值“1” 其中ELM模型和RF模型拟合方程斜率分别为0.883和0.889 同时ELM模型和GRNN模型的决定系数R2较高 分别为0.859和0.858 表明仅考虑温度资料条件下 ELM模型在邢台市夏玉米ET日值估算中表现出了最高的精度。
图1 邢台夏玉米不同模型ET模拟值拟合结果分析
由于篇幅限制 石家庄棉花ET日值拟合结果如表3所列。由表3中可以看出 在估算石家庄棉花ET时 人工智能模型精度普遍高于经验模型。经验模型中 HS改进模型的拟合方程斜率最接近“1” 但决定系数R2较低 仅为0.843 IA模型拟合方程斜率较高 达到了0.791 同时决定系数R2在经验模型的取值最高 因此在模拟石家庄棉花ET时 经验模型中的IA模型表现出了较高的精度。在人工智能模型中 ELM模型可在保证拟合方程斜率较好的同时 获取较高的决定系数R2值 2者取值分别为0.879和0.927 表现出的精度较高。GRNN模型虽R2取值最高 但拟合方程斜率较低 其整体计算精度较低。而RF模型的R2值较低 M5T模型的拟合方程斜率较差 均无法满足精度要求 因此表明ELM模型在模拟棉花ET日值时表现出了较高的精度。
表3 石家庄棉花不同模型ET模拟值拟合结果分析
2.2 ET月值拟合结果对比
图2为邢台市夏玉米ET月值计算结果与相对误差分布。由图2可以看出 不同模型虽计算的ET数值有所差异 但趋势基本相同 ET在6—9月均呈现逐月降低趋势。其中 经验模型在ET月值计算中的精度较低 均普遍高估了ET数值 HS模型和DA模型精算精度最低 相对误差分别达到了16.45%～32.42%和27.61%～42.52% Tra模型模型精度相对较高 相对误差为-1.83%～10.59%。人工智能模型精度普遍高于经验模5型 ELM模型、RF模型、GRNN模型和M5T模型的相对误差分别为-3.51%～1.69%、-3.0%～4.06%、-3.78%～5.75%和-3.59%～3.30% 因此 ELM模型在夏玉米ET月值计算中表现出的精度最高。
图2 玉米不同模型ET月值计算结果及相对误差分布
图3为石家庄棉花ET月值计算结果与相对误差分布。由图3可以看出 不同模型虽计算的ET数值有所差异 但趋势基本相同 ET在4—9月均呈现先升高后降低的二次抛物线型式。经验模型精度普遍偏低 其估算值普遍高估了棉花ET数值 其中Tra模型在计算棉花ET月值时的精度相对较高 相对误差为4.67%～17.23%。人工智能模型精度普遍高于经验模5型 ELM模型、RF模型、GRNN模型和M5T模型的相对误差分别为-3.67%～13.25%、-2.85%～13.50%、-4.62%～13.50%和-4.17%～13.20% ELM模型相对误差较低 因此 ELM模型在棉花ET月值计算中表现出的精度最高。
图3 石家庄棉花不同模型ET月值计算结果及相对误差分布
2.3 典型作物不同生育期最优ET估算模型确定
图4为邢台市夏玉米不同生育期不同模型的计算精度对比。由图中可以看出 不同生育期人工智能模型精度均高于经验模型。在全生育期内 ELM模型精度最高 其次为GRNN模型 2种模型RMSE、R2、MAE分别为0.525和0.526 mm/d、0.859和0.858、0.383和0.386 mm/d 2种模型GPI分别为0.846和0.838 在9种模型中排名前2位。经验模型中 IA模型精度最高 其RMSE、R2、MAE分别为0.839 mm/d、0.804和0.715 mm/d GPI为-0.058 在9种模型中排第5位。在初始生长期 同样表现为ELM模型精度最高 GRNN模型精度次之 经验模型中的IA模型精度最高。在快速发育期 GRNN模型精度最高 ELM模型精度次之 2种模型RMSE、R2、MAE分别为0.466和0.495 mm/d、0.887和0.875、0.306和0.339 mm/d GPI分别为0.806和0.720 在经验模型中同样表现为IA模型精度最高。在生育中期和成熟期 9种模型中均表现为GRNN模型精度最高 其RMSE、R2、MAE分别为0.401和0.547 mm/d、0.912和0.901、0.319和0.463 mm/d 而在经验模型中IA模型精度较高。
图4 邢台夏玉米不同生育期不同模型计算精度对比
图5为石家庄棉花不同生育期不同模型的计算精度对比。由图中可以看出 不同生育期人工智能模型精度均高于经验模型。在全生育期内 ELM模型精度最高 其RMSE、R2、MAE分别为0.629 mm/d、0.927、0.423 mm/d GPI为0.991。在初始生长期 ELM模型精度最高 GRNN模型精度次之 其RMSE、R2、MAE分别为0.349和0.360 mm/d、0.775和0.801、0.252和0.259 mm/d GPI分别为1.335和1.291。在快速发育期 ELM模型精度最高 GPI达到了0.745 在9种模型中排名第1位。在生育中期和成熟期均表现为GRNN模型精度最高 其RMSE、R2、MAE分别为0.516和0.318 mm/d、0.915和0.919、0.346和0.254 mm/d。对比不同生育期经验模型精度 均表现为IA模型精度最高 与邢台市夏玉米研究结论基本一致。
图5 石家庄棉花不同生育期不同模型计算精度对比
2.4 辐射对人工智能模型模拟精度的影响
由于辐射是影响作物ET形成的主要原因之一 为进一步说明辐射对河北省典型作物ET模拟精度的影响 更形象解释辐射的重要性 本文计算了在输入变量Tmax、Tmin和Rs和仅输入变量Tmax、Tmin时的4种人工智能计算精度 结果如表4所列。表4显示 在输入辐射项Rs后 模型的计算精度明显提高 输入Rs后 不同区域ELM模型RMSE降低了26.4%～33.7% R2提高了5.5%～8.0% MAE降低了28.2%～30.9% RF模型RMSE降低了15.5%～18.2% R2提高了3.7 %～5.3% MAE降低了9.8%～16.4% GRNN模型RMSE降低了23.7%～25.9% R2提高了5.6%～6.9% MAE降低了23.3%～24.8% M5T模型RMSE降低了13.8%～17.2% R2提高了4.2%～5.6% MAE降低了7.5%～14.6% 表明输入Rs可明显降低误差同时提高计算结果一致性 同时ELM模型在输入Rs后计算精度提高更显著 且输入Rs后的ELM模型精度最高。
表4 输入辐射前后人工智能模型精度对比
ELM模型和GRNN模型在不同作物不同生育期均表现出了较高的精度 2种模型方法具有简单的网络结构和非调优机制 这一优势可将该模型用于解决诸如干旱、降雨和径流预测等实时预报问题中。经验模型中 IA模型在不同生育期不同作物均表现出了较高的精度 而其余模型精度普遍较低。这可能是由于IA模型考虑了温度项和辐射项的综合影响 而HS模型、HS改进模型、Tra模型和DA模型仅考虑了温度项 导致了模型精度较低。同时由于夏玉米和棉花的生育期均在4—9月之间 空气较湿润且降雨量偏多 已有研究表明 IA模型更适用于湿润地区 HS改进模型、Tra模型和DA模型均由HS模型修正得来 与HS模型相同 更适用于干燥区域 这同样是经验模型中IA模型精度较高的重要原因之一。
不同生育期不同作物的最优ET估算模型有所差异 表明模型精度与植物生理指标的动态变化有关。同时由图5可以看出 随着作物生育期的进行 不同模型精度随之升高 这可能是由于影响作物ET的主要因素随着生育期的进行由作物本身因素逐渐转向了气象因素 初始生长期的作物ET主要由于作物本身生长关系有关 而到了后期作物生长速率变缓 气象因素成为了影响作物ET变化的主导因素 导致模型精度随之提高。
图5 石家庄棉花不同生育期不同模型计算精度对比
4 结 论本文基于5种经验模型和4种人工智能模型 仅以温度资料为输入条件 以作物系数法为基础估算了河北省邢台市夏玉米和石家庄市棉花的ET数值 并从不同尺度出发 分别计算不同模型精度 得出适用于不同尺度不同作物ET计算的最优模型 得出以下结论:
(1)在ET日值的模拟中 人工智能模型精度明显高于经验模型 拟合方程斜率更接近标准值“1” 夏玉米和棉花的ET日值估算中均表现为ELM模型精度最高。在经验模型中 IA模型在估算夏玉米和棉花ET时表现出了较高的精度。
(2)模拟ET月值时 人工智能模型精度明显高于经验模型 人工智能模型估算值与标准值的拟合程度较高 ELM模型在夏玉米和棉花ET月值计算中表现出的精度最高 相对误差分别为-3.51%～1.69%和-3.67%～13.25% 经验模型中 Tra模型精度较高 相对误差分别为-1.83%～10.59%和4.67%～17.23%。
(3)对不同生育期夏玉米和棉花ET估算时 针对夏玉米 全生育期、初始生长期、快速发育期、生育中期和成熟期的最优模型依次为ELM模型、ELM模型、GRNN模型、GRNN模型、GRNN模型 针对棉花 全生育期、初始生长期、快速发育期、生育中期和成熟期的最优模型依次为ELM模型、ELM模型、ELM模型、GRNN模型、GRNN模型 经验模型中不同生育期IA模型精度较高。
(4)辐射项的输入可显著提高人工智能模型精度 表明辐射是影响区域ET变化的主要因素之一。本文仅通过温度项输入的人工智能模型与温度法经验模型进行对比 验证了人工智能模型的精度 在今后的研究中 可针对辐射项、温度项共同输入情况下的人工智能模型与辐射法经验模型进行精度对比 进一步得出适用于河北省典型作物ET估算的最优模型。
水利水电技术
水利部《水利水电技术》杂志是中国水利水电行业的综合性技术期刊（月刊），为全国中文核心期刊，面向国内外公开发行。本刊以介绍我国水资源的开发、利用、治理、配置、节约和保护，以及水利水电工程的勘测、设计、施工、运行管理和科学研究等方面的技术经验为主，同时也报道国外的先进技术。期刊主要栏目有:水文水资源、水工建筑、工程施工、工程基础、水力学、机电技术、泥沙研究、水环境与水生态、运行管理、试验研究、工程地质、金属结构、水利经济、水利规划、防汛抗旱、建设管理、新能源、城市水利、农村水利、水土保持、水库移民、水利现代化、国际水利等。
