技术领域
本发明涉及一种参照作物腾发量预测方法，尤其涉及一种基于主控因子修正的参照作物腾发量预测方法。
背景技术
我国属于农业大国，农业灌溉用水量占比大，当下水资源短缺已成为制约农业发展的瓶颈，要实现灌溉农业的可持续发展，需要对农业需水量进行精准计算以及预报。现有两类作物需水量的计算方法，一是直接计算出作物需水量，二是通过计算参照作物腾发量(ET
现有技术目前普遍采用Penman-Monteith(P-M)公式计算的ET
发明内容
针对现有技术中的上述不足，本发明提供了一种基于主控因子修正的参照作物腾发量预测方法。
为了达到上述发明目的，本发明采用的技术方案为：
一种基于主控因子修正的参照作物腾发量预测方法，包括以下步骤：
S1、收集预测地PMT模型计算所需历史实测气象数据；
S2、将步骤S1收集的预测地历史实测气象数据代入PMT模型中计算出历年参照作物腾发量；
S3、根据步骤S2得到的历年参照作物腾发量采用基于多参数法确定PMT模型中的主控因子；
S4、收集预测地PMT模型计算所需天气预报值；
S5、采用基于贡献率的卡尔曼滤波法对步骤S4中收集的天气预报值中的PMT模型主控因子预报值进行修正；
S6、将步骤S5中修正完成的PMT模型主控因子预报值和步骤S4收集的其它预测地天气预报值代入PMT模型中进行计算，得到基于主控因子修正的参照作物腾发量预测结果。
本发明具有以下有益效果：利用各主控因子月贡献量差异，采用按照月份划分修正气象预报值中的PMT模型主控因子的方法，提高了参照作物腾发量的预测精度，具有实用性。
优选地，步骤S1具体包括收集过去30年以上的长系列预测地日最高气温、日最低气温和风速的实测值。
该优选方案具有以下有益效果：收集过去30年以上的长系列气象信息保证了本发明后续确定主控因子和对主控因子进行修正的过程有足够的基数进行运算，确保了确定和修正主控因子结果的准确性。
优选地，步骤S2包括以下分步骤：
S21、根据日最高气温和日最低气温计算出平均温度T，计算公式为：
T＝(T
其中，T
S22、根据日最高气温和日最低气温计算出饱和水汽压e
S23、根据平均温度T计算出饱和水汽压曲线斜率Δ，计算公式为：
S24、根据日最低气温计算出实际水汽压e
S25、根据待测地纬度值
其中，G
根据日最高气温，日最低气温和天文辐射R
R
其中，K
根据日最高气温，日最低气温、天文辐射R
其中，Z为预测地高程；
S26、根据不同高程的风速值计算出2m高处风速值u
其中，u
S27、根据步骤S21到S26的计算结果通过PMT模型计算历年参照作物腾发量，计算公式为：
其中，ET
该优选方案具有以下有益效果：Penman-Monteith(P-M)模型计算的ET
优选地，步骤S3包括以下分步骤：
S31、将日最高温度，日最低温度和风速及对应ET
其中，x
S32、将日最高温度，日最低温度和风速及对应ET
其中，ΔET
S33、根据步骤S32计算的各控制因子的敏感系数，计算出各控制因子对ET
其中，Trend
S34、根据步骤S31、步骤S32和步骤S33的结果，按照筛选规则确定PMT模型中的主控因子，筛选规则为：
Main＝Max[abs(r)or abs(S
其中，Main为主控因子，Max[]为取最大值对应的气象因子，abs()为取绝对值。
该优选方案具有以下有益效果：采用筛选规则，通过相关性分析、敏感性分析、贡献量分析和贡献率分析来共同确定PMT模型的主控因子，确保了主控因子确定结果的准确性。
优选地，步骤S4具体包括收集预测地中长期天气预报风速等级，并解析获得PMT模型计算所需预报风速值，收集预测地中长期天气预报日最高温度预报值，日最低温度预报值。
该优选方案具有以下有益效果：获取的值为天气预报中易于获取的值，预测所需数据获取方法简单方便。
优选地，步骤S5包括以下分步骤：
S51、对步骤S34确定的主控因子进行1至30d预报结果精度计算，确定预报精度明显下降时段；
S52、对步骤S51确定的预报精度明显下降时段的主控因子预报值进行修正，依据主控因子在该时段各个月份的贡献率取值范围分成4组，表示为：
其中ω
以步长0.1在各分组0到1范围内进行权重系数试算，并计算相应的订正结果，通过各分组比较不同权重系数下订正后的预报值精度来确定该分组的最佳权重系数，分组规则为对该时段每个月份在0到1范围内以步长0.1来调整权重系数进行计算，确定各月最佳权重系数，计算公式为：
其中，t为当前预报时间，P(t)为订正误差值，b(t-1)为前一日主控因子预报值和实测值误差，P(t-1)为前一日订正误差值；
S53、根据步骤S52确定的最佳权重系数对PMT计算模型中的主控因子进行修正，修正公式为：
F(t)＝f(t)-P(t)
其中，F(t)为修正预报值；f(t)为预报值。
该优选方案具有以下有益效果：通过逐月对权重系数进行调整的方式提高了主控因子预报值的精度，进而提高了通过PMT模型预测参照作物腾发量的预测精度。
优选地，步骤S51包括以下分步骤：
S511、计算回归系数b，计算公式为：
其中，o
S512、计算决定系数R
其中，
S513、计算均方根误差RMSE，计算公式为：
S514、计算相对误差RE，计算公式为：
S515、计算平均绝对误差MAE，计算公式为：
S516、计算一致性指数d，计算公式为：
S517、根据步骤S511到步骤S516的计算结果，确定预报精度明显下降时段。
该优选方案具有以下有益效果：通过回归系数b、决定系数R
附图说明
图1是本发明一种基于主控因子修正的参照作物腾发量预测方法流程示意图；
图2是本发明实施例中控制因子与参照作物腾发量的相关系数示意图；
图3是本发明实施例中控制因子与参照作物腾发量的敏感系数示意图；
图4是本发明实施例中控制因子与参照作物腾发量的贡献率示意图；
图5是本发明实施例中控制因子与参照作物腾发量的贡献量示意图；
图6是本发明实施例中修正前PMT模型预报精度计算结果示意图；
图7是本发明实施例中主控因子与参照作物腾发量的贡献率箱型示意图；
图8是本发明实施例中修正后的PMT模型及修正前的PMT模型预测ET
图9是本发明实施例中修正后的PMT模型及修正前的PMT模型预测ET
图10是本发明实施例中修正后的PMT模型及修正前的PMT模型预测ET
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
请参照图1，本发明提供了一种基于主控因子修正的参照作物腾发量预测方法，包括以下步骤：
S1、收集预测地PMT模型计算所需历史实测气象数据；
本发明实施例中，步骤S1具体包括收集过去30年以上的长系列预测地日最高气温、日最低气温和风速的实测值。
实测最高气温、最低气温和风速资料来源于国家气象信息中心地面气候资料日值数据集。
S2、将步骤S1收集的预测地历史实测气象数据代入PMT模型中计算出历年参照作物腾发量；
本发明实施例中，步骤S2包括以下分步骤：
S21、根据日最高气温和日最低气温计算出平均温度T，计算公式为：
T＝(T
其中，T
S22、根据日最高气温和日最低气温计算出饱和水汽压e
S23、根据平均温度T计算出饱和水汽压曲线斜率Δ，计算公式为：
S24、根据日最低气温计算出实际水汽压e
S25、根据待测地纬度值
其中，G
然后根据日最高气温，日最低气温和天文辐射R
R
其中，Kr为地区调整系数，内陆地区和沿海地区分别取0.16和0.19；
最后根据日最高气温，日最低气温、天文辐射R
S26、根据不同高程的风速值计算出2m高处风速值u
其中，u
根据天气预报中风力等级的预报信息，参照GB/T 35227-2017《地面气象观测规范风向和风速》，可将风力等级转化为一个具体的范围值，将其中不同高程处所测风速转化为2m处数值用以代入PMT模型。
S27、根据所述步骤S21到S26的计算结果通过PMT模型计算历年参照作物腾发量，计算公式为：
其中，ET
S3、根据步骤S2得到的历年参照作物腾发量采用基于多参数法确定PMT模型中的主控因子；
本发明实施例中，步骤S3包括以下分步骤：
S31、将日最高温度，日最低温度和风速及对应ET
其中，x
皮尔逊相关系数r是最常用的相关系数，本文用于衡量各气象要素与ET
S32、将日最高温度，日最低温度和风速及对应ET
其中，ΔET
采用敏感系数描述各气象要素对ET
S33、根据步骤S32计算的各控制因子的敏感系数，计算出各控制因子对ET
其中，Trend
S34、根据步骤S31、步骤S32和步骤S33的结果，按照筛选规则确定PMT模型中的主控因子，筛选规则为：
Main＝Max[abs(r)or abs(S
其中，Main为主控因子，Max[]为取最大值对应的气象因子，abs()为取绝对值。
S4、收集预测地PMT模型计算所需天气预报值；
本发明实施例中，步骤S4具体包括收集预测地中长期天气预报风速等级，并解析获得PMT模型计算所需预报风速值，收集预测地中长期天气预报日最高温度预报值，日最低温度预报值。
预报周期为1～30d的日最高气温、日最低气温、风力等级等公共天气预报数据来源于中国天气网。
S5、采用基于贡献率的卡尔曼滤波法对步骤S4中收集的天气预报值中的PMT模型主控因子预报值进行修正；
本发明实施例中，步骤S5包括以下分步骤：
步骤S5包括以下分步骤：
S51、对步骤S34确定的主控因子进行1至30d预报结果精度计算，确定预报精度明显下降时段；
本发明实施例中，步骤S51包括以下分步骤：
S511、计算回归系数b，计算公式为：
其中，o
S512、计算决定系数R
其中，
S513、计算均方根误差RMSE，计算公式为：
S514、计算相对误差RE，计算公式为：
S515、计算平均绝对误差MAE，计算公式为：
S516、计算一致性指数d，计算公式为：
S517、根据步骤S511到步骤S516的计算结果，确定预报精度明显下降时段。
S52、对步骤S51确定的预报精度明显下降时段的主控因子预报值进行修正，依据主控因子在该时段各个月份的贡献率取值范围分成4组，表示为：
其中ω
以步长0.1在各分组0到1范围内进行权重系数试算，并计算相应的订正结果，通过各分组比较不同权重系数下订正后的预报值精度来确定该分组的最佳权重系数，分组规则为对该时段每个月份在0到1范围内以步长0.1来调整权重系数进行计算，确定各月最佳权重系数，计算公式为：
其中，t为当前预报时间，P(t)为订正误差值，b(t-1)为前一日主控因子预报值和实测值误差，P(t-1)为前一日订正误差值；
S53、根据步骤S52确定的最佳权重系数对PMT计算模型中的主控因子进行修正，修正公式为：
F(t)＝f(t)-P(t)
其中，F(t)为修正预报值；f(t)为预报值。
S6、将步骤S5中修正完成的PMT模型主控因子预报值和步骤S4收集的其它预测地天气预报值代入PMT模型中进行计算，得到基于主控因子修正的参照作物腾发量预测结果。
接下来以北京大兴为实例来对本发明进行详细说明。
大兴区在北京市南部、华北平原东北部，东临通州区，南临河北省固安县、霸州市等，西与房山区隔永定河为邻，北接丰台、朝阳区。东经116°13′-116°43′，北纬39°26′-39°51′。全境属永定河冲积平原，地势自西向东南缓倾，大部分地区海拔14～52m之间，总面积约1030.57km2。
根据本发明步骤S1到S2进行处理过后，步骤S31相关性分析的结果如图2所示，由图可知，最高温度与ET
步骤S32敏感性分析结果如图3所示，由图可知，自第37-341d，最高温度敏感系数的绝对值均大于最低温度和风速，表明在此期间最高温度对ET
由各气象因子的相关系数以及敏感系数可知，冬季各气象因素对ET
步骤S33贡献率分析结果如图4所示，贡献量分析结果如图5所示，由图可知，各气象因素的贡献率主要集中在-1.5mm～1.5mm之间变化，贡献率主要集中在-30％～30％之间变化，最高温度在年内变幅比最低温度和风速大。最高温度贡献率最大为52.5％，贡献量最大为2.47mm，日均贡献量为0.46mm；最低温度贡献率最大为34.2％，贡献量最大为0.31mm，日均贡献量为-0.37mm；风速贡献率最大为13.07％，贡献量最大为0.18mm，日均贡献量为-0.10mm。由此可知最高温度对ET0的贡献最大其次是最低温度和风速，需要指出的是各气象因素的贡献量在夏季较大冬季较小，且冬季各因素贡献量相近。
依据各参数绝对值最大为选择依据，确定最高温度为PMT模型的主控因子。
接下来对修正前PMT模型的预报进行精度评价，图6为修正前PMT预报模型不同预见期的回归系数b、决定系数R
然后参照图7的贡献率箱线图，将各个月份贡献率均值按照分类规则进行分类，贡献率在0～10％之间的月份为1、10、11、12月份，贡献率为10％～15％之间的月份为4、6、9月份，贡献率为15％～25％之间的月份为2、5、7、8月份，贡献率大于25％的月份为3月份。将16-30d最高温预报结果按上述分类结果分别代入0～1区间内以0.1为步长的权重系数，将计算结果进行精度评价，找出不同月份的权重系数ω
按月份进行分组后各预见期权重系数选择结果见表1。根据表1给出的权重系数选择结果代入基于贡献率的卡尔曼滤波法修正公式得到修正后的预报最高温度并代入PMT模型得到修正后的ET
表1基于贡献率的卡尔曼滤波法权重系数选择结果
对修正后的ET
综上所述，本发明提供了一种基于主控因子修正的参照作物腾发量预测方法，该方法获取数据方法简单方便，中长期预测结果的精确性相较于现有技术有了明显提升，具有实用性。
本领域的普通技术人员将会意识到，这里所描述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
机译： 作物生长预测计划，作物生长预测方法和作物生长预测因子
机译： 基于月校正因子的ra年暴露量预测方法
机译： 一种用于田间切碎机收割农作物的异物检测装置，具有基于修正信号和振动传感器之间产生的相关值来容纳异物信号的分析装置。
