共查询到20条相似文献，搜索用时 177 毫秒
1.
《内蒙古气象》2018,(3)
在内蒙古东南部地区引入成熟的作物模型并进行适应性验证,可为模型区域化应用提供研究依据。文章基于内蒙古东南部地区田间试验数据、农业气象观测数据结合同期气象数据和土壤数据,利用"试错法"对WOFOST模型参数进行了调试,对WOFOST模型发育期、叶面积指数及各器官生物量、产量等的模拟能力进行了验证。结果表明,模型对玉米发育期模拟较好,抽雄期和成熟期的模拟误差在6d以内,其中对抽雄期的模拟效果更好,在3d左右;模型对生育期内叶面积指数和各器官模拟良好,实测值和模型值的决定系数R2较高,均通过显著性检验,模拟各器官生物量和产量的均方根误差(RMSE)在641～1414kg·hm-2,其中模拟LAI的均方根误差(RMSE)为1.22。通过校准模型参数值,WOFOST模型能够较好地模拟内蒙古东南部地区春玉米生长发育及其生物量的动态积累过程,能够应用于内蒙古东南部地区春玉米生产。 相似文献
2.
基于气候适宜度的夏玉米发育期模拟模型 总被引：3，自引：0，他引：3
结合前人气候适宜度的研究成果,以作物生理生态发育过程为基础,构建了夏玉米发育期预报模型。模型中分别建立了夏玉米温度、降水、日照时数适宜度函数,并结合河南省19个农业气象试验站的夏玉米发育期资料,运用通径分析法确定各个生育期温度、降水和日照的影响权重系数,计算出综合适宜度,用来预测夏玉米生育期。结果表明,模型能够较好地预测各个发育期(出苗、七叶、拔节、抽雄、乳熟和成熟)。建模资料的模拟值与观测值比较的均方根误差分别为1.5、3.1、3.4、2.9、4.0、4.5 d。运用独立资料对模型所作预测值的均方根误差在1.0~4.6 d之间。 相似文献
3.
以陕西苹果花期为研究对象,针对4个机理性物候模型——顺序模型（SM）、平行模型（PM）、深度休息模型（DRM）和热时模型（TTM）,基于各果区代表站的花期数据及同期气象数据订正模型参数,利用内部检验和交叉验证（留一验证）方法,评价模型在模拟花期上的适用性。结果表明:内部检验时各站点的最适模型不同,总体上,SM和TTM均方根误差略低（3.30 d）;交叉验证时模型表现相当,各模型平均的均方根误差为4.52 d,略优于内部检验。使用单站外推和求平均后外推将TTM参数应用至果区内其他站,这两种方法的均方根误差均优于国外同类研究（10.0 d）,其中单站外推的均方根误差（5.90 d）又高于求平均后外推（7.21 d）。综合考虑模型的复杂性与模拟精度,推荐使用TTM并分果区模拟陕西苹果花期。 相似文献
4.
利用云南省普洱市2015—2017年多普勒天气雷达资料、探空资料和气象观测站5 min雨量观测资料,分析了普洱地区研究期间41次短时强降水的环境场和雷达回波演变特征。结果表明:中尺度辐合线、中气旋、逆风区是强降水触发和维持的重要成因。短时强降水发生前,整层大气水汽充沛,静力不稳定层结,大气可降水量(PW)≥35 mm、SI≤-0. 23、K> 35,可作为环境场对流潜势的判定因子;短时强降水发生时,雷达回波最强反射率因子≥40 d Bz,35 d Bz回波顶高> 5 km,径向速度的辐合切变量> 5 m·s-1。通过多元线性回归分析,选取4个相关性显著的影响因子,建立普洱市短时强降水预报模型。所选预报因子包括:35 d Bz回波顶高、30 d Bz垂直剖面中心高度、30 d Bz以上雷达回波面积和SI。预报模型的回报检验表明,普洱短时强降水平均雨强相对均方根误差为17. 0%,局地降水持续时间相对均方根误差为33. 9%,局地过程降水相对均方根误差为25. 6%,回报效果较好。4次短时强降水预报检验中,平均雨强的预报误差每5 min小于1. 2 mm,局地强降水持续时间的预报误差小于10 min,局地过程降水的预报误差小于4 mm,模型均预报出局地连续性降水超过50 mm。预报模型有较好的预报能力,可应用于普洱短时强降水的临近预报预警。 相似文献
5.
棉花发育期是反映棉花个体与群体生育状况的重要标志, 正确预报棉花发育期对于开展棉花气象灾害预警防御和生产管理措施建议至关重要。为此, 针对全国农业气象业务服务中尚未开展棉花发育期预报的状况, 通过对全国农业气象观测网50个站棉花发育期的变异性和影响棉花生长发育速率因子的分析, 根据实际业务资料现状和业务运行特点, 结合天气预报, 提出了以棉花发育阶段有效积温和间隔日数为指标建立棉花发育期业务预报模式的思路, 实现了可实时动态预报棉花发育期的业务运行方法。模式历史拟合、外推和试预报与实际对比的结果表明:全国50个站棉花第五真叶和开花发育期误差在5 d以内出现的频次达80%以上, 出苗、第三真叶、现蕾等发育期在70%以上, 平均绝对误差小于4 d; 裂铃期误差在6 d以内出现的频次接近70%, 平均绝对误差小于6 d, 效果较好。对棉花停止生长发育期综合考虑积温和初霜日期两个因素, 其历史拟合、外推和试预报误差在10 d以内出现的频次接近70%, 平均绝对误差接近10 d, 基本可以满足全国农业气象业务以旬为服务时效的要求。 相似文献
6.
利用中国752个基本、基准地面气象观测站2000—2010年地面温度日值数据,采用具有自适应特征的Kalman滤波类型的递减平均统计降尺度技术,对中国地面温度进行精细化预报研究。分析该方案的降尺度效果,并与常用插值降尺度方法进行比较。结果表明:1)递减平均统计降尺度技术相比插值方法有较大的提高,显著减小东西部预报效果差异,1~3 d预报的均方根误差减小了1.4℃;2)该方案1~3 d预报的均方根误差为1.5℃,预报误差从东南地区(均方根误差为1.4℃)向西北地区(均方根误差为1.8℃)逐渐增大,并且预报效果夏季优于冬季。因此,递减平均统计降尺度技术对中国地面温度进行精细化预报是可行的。 相似文献
7.
8.
《干旱气象》2017,(4)
为评价ORYZA(V3)模型在海南岛双季稻发育期模拟的适应性,利用2005—2014年海南岛双季稻区4个站点(海口、儋州、乐东、琼海)的逐日气象数据、气象灾害资料、土壤、水稻发育期等观测资料,对模型进行调参与验证,本地化不同品种水稻发育期参数;统计双季稻各个发育期出现的气象灾害及其次数,筛选出各个发育期内出现次数较多的气象灾害。以单独的气象灾害为背景,对各个发育期的模拟与实测结果进行对比验证。结果表明:ORYZA(V3)模型对海南岛双季稻发育期的模拟精度较高,决定系数R20.90,归一化均方根误差NRMSE为3.97%~9.80%;双季稻发育期内出现的气象灾害次数由多到少依次为:高温、台风、干旱;ORYZA(V3)模型对气象灾害的敏感性从大到小依次为:台风、高温、干旱。在台风背景下,仅晚稻开花期的R2为0.90,NRMSE为3.90%,其他发育期的模拟均在误差范围外;在高温背景下,早稻的R2为0.87~0.89,晚稻的R2为0.18~0.61,双季稻的NRMSE为3.49%~5.71%;在干旱背景下,R20.87,NRMSE为3.11%~9.73%。评价结果在模型应用和优化方面具有一定的参考价值。 相似文献
9.
土壤中水热运动耦合方程预报模型研究 总被引：2，自引：0，他引：2
在土壤中热运动耦合方程模拟模型的基础上，对作物根系吸水函数进行改进，提出一个仅与降水、作物发育期和叶面积有关的新的根吸水函数表达式，从而建立土壤水分的预报模型。模型只需输入气象变量、土壤温度、土壤水文学参量及作物发育期等常规资料，即可对冬小麦田土壤水分状况进行预报，预报值与实测值的平均最大相对误差在8％以内。 相似文献
10.
利用1981—2020年5—9月气象数据与玉米产量数据,通过改进逐日降水适宜度并构建逐日气候适宜度模型,建立基于相似年逐日气象要素的作物生育期气候适宜度序列,利用气象产量与气候适宜指数建立模型,设计逐日作物产量气象影响指数以表征气象条件对作物的影响程度,基于该指数构建东北地区玉米逐日产量预报模型并分析其逐日预报准确率,用以表明该指数的准确性。结果表明:利用3个相似年预报结果加权集成综合相似年逐日作物产量气象影响指数可提高逐日预报准确率,黑龙江年尺度逐日预报准确率年际间波动小于东北其他地区。综合相似年月尺度下,随着玉米发育期的推进和实时气象数据的引入,月尺度平均预报准确率逐渐提高。东北地区玉米产量8月31日的日尺度预报准确率普遍高于7月31日;辽宁日尺度预报差异较大,但随着玉米发育期推进逐日预报产量和实际产量接近,准确率也提高。基于气象要素构建的逐日作物产量影响指数和同期气象影响指数可以定量评估不同时段气象条件对作物产量的影响程度,在一定程度上可提高农业气象业务定量化评价水平。 相似文献
11.
以北京地区玉渊潭公园杭州早樱 (1998—2012年)、密云农业气象试验站白玉兰 (1996—2012年) 及颐和园公园山桃 (1981—2012年) 物候观测资料和海淀、密云气象站的1981—2012年逐日平均气温观测资料为基础,分别应用国际通用的3种物候模型 (SW模型、UniChill模型和统计模型) 对以上植物的始花期和盛花期建模,并评估模型适用性。结果表明:SW模型在北京地区3种观赏植物开花期预测中适用性最高,其交叉检验的均方根误差仅为1.93~3.58 d, 其次为UniChill模型 (均方根误差为2.49~3.79 d),统计模型效果最差 (均方根误差为2.36~4.24 d)。因此,推荐在观赏植物开花期预测业务中采用SW模型。 相似文献
12.
模式预报的订正是决定局地天气预报结果的一个重要步骤,基于机器学习的后处理模型近年来开始崭露头角。本文发展了基于岭回归（Ridge）、随机森林（Random Forest,RF）和深度学习（Deep Learning,DL）的3种后处理模型,基于中国气象局（CMA）的BABJ模式、欧洲中期天气预报中心（ECMWF）的ECMF模式、日本气象厅（JMA）的RJTD模式和NCEP的KWBC模式这4个数值天气预报模式2014年2月至2016年9月（训练期）近地面2 m气温预报和实况资料确定各模型参数,进而对2016年10月至2017年9月（预报期）华北地区（38°N~43°N,113°E~119°E）的逐日地面2 m气温预报进行了多模式集合预报分析。采用均方根误差对预报效果进行评估,这3种后处理模型的预报效果和4个数值天气预报模式以及通常的多模式集合平均（Ensemble Mean,EMN）的预报效果的对比表明:1）随着预报时长增加,4个数值预报模式及各种后处理模型的均方根误差均呈上升趋势;但区域平均而言,Ridge、RF和DL的预报效果在任何预报时长上都明显优于EMN和单个天气预报模式;特别是前几天的短期预报DL的预报效果更好,中后期预报Ridge的预报效果略好。2）华北地区的东南部均方根误差较小,其余格点上均方根误差较高,从空间分布而言,DL的订正预报效果最好,3种机器学习模型的误差在1.24~1.26℃之间,而EMN的误差达1.69℃。3）夏季各种方法的预报效果都较好,冬季预报效果都较差;但是Ridge、RF和DL的预报效果明显优于EMN,这3种模型预报的平均均方根误差在2.15~2.18℃之间,而EMN的平均均方根误差达2.45℃。 相似文献
13.
Min-Gyu Seong Myoung-Seok Suh Chansoo Kim 《Asia-Pacific Journal of Atmospheric Sciences》2017,53(3):339-351
This study focuses on an objective comparison of eight ensemble methods using the same data, training period, training method, and validation period. The eight ensemble methods are: BMA (Bayesian Model Averaging), HMR (Homogeneous Multiple Regression), EMOS (Ensemble Model Output Statistics), HMR+ with positive coefficients, EMOS+ with positive coefficients, PEA_ROC (Performance-based Ensemble Averaging using ROot mean square error and temporal Correlation coefficient), WEA_Tay (Weighted Ensemble Averaging based on Taylor’s skill score), and MME (Multi-Model Ensemble). Forty-five years (1961-2005) of data from 14 CMIP5 models and APHRODITE (Asian Precipitation- Highly-Resolved Observational Data Integration Towards Evaluation of Water Resources) data were used to compare the performance of the eight ensemble methods. Although some models underestimated the variability of monthly mean temperature (MMT), most of the models effectively simulated the spatial distribution of MMT. Regardless of training periods and the number of ensemble members, the prediction skills of BMA and the four multiple linear regressions (MLR) were superior to the other ensemble methods (PEA_ROC, WEA_Tay, MME) in terms of deterministic prediction. In terms of probabilistic prediction, the four MLRs showed better prediction skills than BMA. However, the differences among the four MLRs and BMA were not significant. This resulted from the similarity of BMA weights and regression coefficients. Furthermore, prediction skills of the four MLRs were very similar. Overall, the four MLRs showed the best prediction skills among the eight ensemble methods. However, more comprehensive work is needed to select the best ensemble method among the numerous ensemble methods. 相似文献
14.
采用EFAST方法和SCE-UA算法优化WheatSM模型参数,采用区域模拟和单站插值的方法对2013—2017年鹤壁市冬小麦各发育期日数和产量进行模拟修订,为WheatSM作物模型在豫北地区的业务应用提供参考。研究发现:区域模拟方法对鹤壁地区冬小麦生育期开始日期的模拟效果除出苗期、越冬期的外,其他均好于单点插值方法的。单点插值方法对越冬期的模拟效果明显好于区域模拟方法的。冬小麦产量的模拟效果区域模拟方法也比单点插值方法好,但两种结果的相对误差均较大。通过对WheatSM模型得到的冬小麦气象产量模拟结果进行修订,可以明显提高模型产量模拟结果。2013—2017年鹤壁地区模拟产量的误差为-17. 92%～-2. 98%,RMSE为1114. 9 kg/hm~2,NMSE为12. 59,模拟效果较好。利用区域模拟方法可以对区域内单个站点的冬小麦生长发育和产量进行模拟,但对越冬期开始时间的模拟需要参考单点插值方法的相应结果。 相似文献
15.
气候模型与作物模型耦合是评价未来气候变化对作物生产影响的常用方法之一, 但当两者结合时, 存在着空间和时间尺度差异问题, 将作物模型升尺度到区域是解决该差异的一种方法。将CERES-Wheat模型升尺度进行区域模拟, 利用区域校准后的CERES-Wheat模型, 模拟了1981—2000年全国各网格小麦产量, 与同期农调队调查产量相比较, 以探讨CERES-Wheat模型在我国小麦区的模拟效果及误差来源。结果表明:全国小麦产量的区域模拟值与农调队调查产量的相对均方根误差为27.9%, 符合度为0.75, 全国59.2%的模拟网格相对均方根误差在30%以内, 其中相对均方根误差小于15%的占26.3%;各区的效果不同, 种植面积最大的小麦种植生态2区, 模拟效果最好。总体来说, CERES-Wheat的区域模拟, 可以反映产量变化规律, 能为宏观决策提供相应信息, 尤其是在主产区; 但区域模拟中还存在一系列误差, 今后还需进一步研究。 相似文献
16.
温室黄瓜生育期模拟模型的研究 总被引：7，自引：0，他引：7
根据黄瓜（Cucumis sativus）发育的光温反应过程,建立了基于生理发育时间的黄瓜生育期模拟模型,并利用不同品种的试验资料对模型进行了检验。结果表明,黄瓜从播种到第一批瓜成熟需积累生理发育时间30d,播种—幼苗、幼苗—伸蔓、伸蔓—开花、开花—结瓜、结瓜—成熟所需的生理发育时间分别为3、11、9、5、2d。发芽期、幼苗期、伸蔓期、开花期、结瓜期等各生育期持续时间的模拟值与实际观测值的回归估计标准误差（root mean squared error;RMSE）分别为0、2．6、1．7、0．8、2．1d,从播种到第一次采收的模拟值与观测值的RMSE为1．4d。而用有效积温法对发芽期、幼苗期、伸蔓期、开花期、结瓜期等各生育期持续时间的模拟值与实际观测值的RMSE分别为0．7、10．0、5．7、2．4、2．5d,从播种到第一次采收的模拟值与观测值的RMSE为22．0d。本模型比用有效积温法能更准确地预测黄瓜各个生育期的起止日期和黄瓜的收获期。 相似文献
17.
在WRF模拟中,默认的土地利用数据与实际土地利用情况差异较大,因此会影响模式的模拟效果。为此,许多学者提出了更新城市土地利用数据的方案。最简单的方法是仅就城市建成区面积进行修正。但因城市地表具有非均匀性,进而又提出了将建成区进一步精细化分类。然而,在研究土地利用资料对WRF模式影响的文献中,绝大多数研究仅是就某种资料更新前后的模拟效果进行比较,并未将城市面积改变、城市非均匀性这两个因子进行区分。本文综合考虑了面积修正与精细化分类这两个因子,根据面积修正方案和两种精细化方案生成了3种土地利用的优化数据,并结合默认土地数据共设置了4个算例对上海市2018年8月和2019年8月两次高温天气过程进行了模拟,通过对结果进行比较分析发现:1）对WRF土地利用数据进行优化后,改善了温度、相对湿度和风速的模拟效果。2）城市建成区面积是影响温度最关键的因子,面积修正使温度的平均均方根误差（RMSE）降低了0.86°C,在此基础上的精细化分类使平均RMSE最多降低了0.04°C。3）城市的精细化分类是影响风速和相对湿度的主要因子,面积修正使风速的平均RMSE仅降低0.04 m/s,而精细化分类可使其RMSE再进一步降低最多0.19 m/s;面积修正使相对湿度的平均RMSE仅降低0.23%,而精细化分类可使其RMSE再进一步降低最多2.25%。4）总体说来,精细化分类方案在一定程度上考虑了城市的非均匀性,因此对于温度、相对湿度和风速模拟结果的改善程度更大,且分类越细致,效果越好。 相似文献
18.
针对动力气候模式对区域或更小空间尺度内的日降水预测技巧偏低的问题,应用最优子集回归 (OSR) 方法对国家气候中心业务化的月动力气候模式 (DERF) 输出的高度场、风场和海平面气压场进行降尺度处理用于降水预测,旨在提高预测准确率。1982—2006年交叉检验结果表明:OSR方法能显著提高降水预测技巧,其中11~40 d改善效果最为显著。在此基础上,应用一步法和两步法两种统计降尺度方法预测极端降水日数,交叉检验结果表明:两种方法均优于随机预测,冬季两步法预测技巧略高于一步法,夏季一步法略优于两步法。综合认为OSR,OSR结合随机天气发生器 (WG) 两种统计降尺度方法对月尺度降水或极端降水日数的预测均具有较高的技巧,可作为短期气候预测的重要参考信息。 相似文献
19.
在田间试验资料基础上，采用改进的发育模型和分区作物参数，结合前人有关研究成果建立了东北玉米区域动力模型，并利用模型模拟了12站40年 (1961~2000年) 玉米生长发育过程。确定抽雄期延迟天数为低温冷害指标，分析了历史低温冷害年及减产情况。模拟了典型冷害年和40年气候平均的0.25°×0.25°网格点玉米生长发育过程, 探讨了与区域气候模式结合进行低温冷害预报的方法。主要结论有:①玉米发育模型能够较好地模拟玉米发育期和发育期对低温冷害的响应，以抽雄期延迟天数为冷害指标评估的历史冷害发生状况基本符合历史实况。②模型有一定的模拟玉米生长量对低温冷害响应的能力，但还需要更多的试验数据校正品种参数，完善模型。③利用GIS技术，结合区域化的作物参数运行区域作物模型，是作物模型区域化应用的一种解决方案。④东北玉米区域动力模型解释性好，根据确定的害指标，以区域气候模式输出结果驱动玉米模型可以模拟和预测低温冷害，是农业气象灾害预测预报的一个有益的尝试。 相似文献
20.
Weather forecasts by any forecast system are verified using either distributions-oriented or measures-oriented forecast verification measures. Both the forecast verification schemes represent different aspects of the forecast quality, and advantages of them can be utilized to get better insight and to identify particular strengths (deficiencies) in the forecast performance of any forecast system. Keeping this in view, multi-faced verification (binary and continuous) of quantitative precipitation forecasts for consecutive 3 days by a Regional Meso-scale Weather Simulation Model (MM5 Model) has been carried out to get complete insight into its performance. The MM5 model forecasts at 10-km resolution for 792 days of six winters (winter 2003/2004 to winter 2008/2009) are compared with the observational data of six stations in the complex topography of Northwest Himalaya (NWH) in India. The model forecasts are verified using binary categorical forecast verification measures such as Probability of Detection, False Alarm Rate, Miss Rate, Correct Non-occurrence, Critical Success Index and Percent correct, and continuous forecast verification measures such as Mean Absolute Error (MAE) and Root Mean Square Error (RMSE). BIAS is computed to know over-forecast/under-forecast tendency of a precipitation day (PT day) by the MM5 model. MAE (RMSE) of the MM5 model is computed separately for all days, PT days and no precipitation days (NPT days). MAE (RMSE) of PT days is found to be relatively larger as compared to NPT days and all days. These findings indicate that MAE (RMSE) computed separately for all days, PT days and NPT days provides better insight into the performance of the MM5 model. Results also suggest that the MM5 model shows reasonably good performance for binary forecasts (PT days/NPT days) for day 1 (0–24 h), day 2 (24–48 h) and day 3 (48–72 h). However, large errors are seen in predicting the observed precipitation amount of PT days over NWH. 相似文献