基于西北区甘肃省监测数据的土壤墒情综合诊断模型验证

本文应用甘肃省2个市区的13个墒情监测点的数据验证土壤墒情综合诊断模型在西北区半湿润和半干旱地区的适应性,建模使用2012—2014年的数据,模型验证使用2015年的数据。结果表明:模型在西北区甘肃省半湿润和半干旱地区具有较好的适应性,验证合格率分别为半湿润地区80%以上和半干旱地区90%以上;不同降水量区域模型参数不同;降水越少的地区模型预测合格率越高。本研究表明,墒情综合诊断模型可以应用于西北半湿润和半干旱地区。     

基于华北区河北省监测数据的土壤墒情综合诊断模型验证

本文应用河北省3个市县的14个墒情监测点的数据验证土壤墒情综合诊断模型在华北半湿润地区的适应性,建模使用2011—2014年的数据,模型验证使用2015年的数据。结果表明:模型在河北省半湿润地区具有较好的适应性,验证合格率为76.92%~100%;不同降水量区域模型参数不同;降水越少的地区模型预测合格率越高;唐山市滦南县和唐山市乐亭县属于沿海地区,降水分布与另外2个内陆县不同,因此合格率偏低;墒情综合诊断模型可以应用于华北半湿润地区。     

基于华北区山西省监测数据的土壤墒情综合诊断模型验证

本文应用山西省2个市县的16个墒情监测点的数据验证土壤墒情综合诊断模型在华北区半湿润地区的适应性,建模使用2012—2014年的数据,模型验证使用2015年的数据。结果表明:模型在山西省半湿润地区具有较好的适应性,验证合格率为90%以上;由于2个监测县降水量接近,模型预测合格率与纬度、经度之间没有明显的规律。本研究表明,墒情综合诊断模型建模数据量大,数据范围涵盖了作物整个生长季的数据,相对于其他模型有一定的优势,可以应用于华北半湿润地区。     

基于东北区吉林省监测数据的土壤墒情综合诊断模型验证

综合诊断模型是土壤墒情监测、诊断与预报的新方法,它包括6个独立模型和基于水分来源数量对土壤含水量判断的一些逻辑关系,6个独立模型分别基于墒情监测数据与邻近气象站降水量之间的定量关系诊断或预报土壤含水量。本文应用吉林省4个县/市的6个墒情监测点的数据验证综合诊断模型在东北半干旱和半湿润地区的应用精度和适应性,建模使用2013—2014年的数据,模型验证使用2015年的数据。为了模型更好地应用于实际,本文对每个监测点的模型参数均进行了校正。结果表明:按监测点建模情况下,不同气候和下垫面条件下的模型和参数不同;模型在东北区吉林省半干旱和半湿润地区具有较好的适应性,验证合格率为88%以上;降水量少的监测点的模型预测合格率高。墒情综合诊断模型在吉林省半干旱和半湿润地区应用精度较高,为模型在该地区应用提供了研究案例。     

基于内蒙古自治区监测数据的土壤墒情综合诊断模型验证

本文应用内蒙古自治区5个旗/县的19个墒情监测点的数据验证土壤墒情综合诊断模型在内蒙古区半干旱地区的适用性,建模使用2012—2014年的数据,模型验证使用2015年的数据。结果表明:模型在内蒙古自治区半干旱地区具有较好的适应性,验证合格率为94%以上;模型预测合格率与纬度、经度之间没有显著的相关关系,这是因为所有监测点都位于半干旱地区,降水量差异较小。墒情综合诊断模型可以应用于内蒙古境内半干旱地区。     

基于华中区湖南省监测数据的土壤墒情综合诊断模型验证

本文应用湖南省4个市县的12个墒情监测点的数据验证土壤墒情综合诊断模型在华中湿润地区的适应性,建模使用2012—2014年的数据,模型验证使用2015年的数据。结果表明:模型在湖南省湿润地区具有较好的适应性,验证合格率平均为85%以上,模型合格率呈现随多年平均降水量减少而提高的趋势。     

移动统计法土壤墒情诊断模型

本文介绍了基于土壤初始含水量和时段每日平均降水量所建立的移动统计法土壤墒情诊断模型的原理和建模方法,并应用7个省23个县87个监测点2012—2014年的数据建模,应用2015年的数据进行了验证。移动统计法墒情诊断模型分为时段模型和逐日模型。结果表明:时段模型预测的合格率为90%左右,逐日模型预测的合格率为70%左右;时段模型优于逐日模型。移动统计法模型单独作为墒情诊断模型,使用时需要进一步完善,可以在土壤初始含水量分段的基础上应用其他5个独立模型进行尝试。     

统计法土壤墒情诊断模型

本文介绍了统计法土壤墒情诊断模型的原理和建模方法,该模型是基于时段降水量和土壤初始含水量以及二者的交互作用项建立的,并应用7个省23个县87个监测点2012—2014年的数据建模,以及2015年的数据进行验证。结果表明:统计法模型诊断和预测合格率较高,合格率达到85%以上;相邻墒情监测日的时间间隔有时不固定将导致异常值的出现,这是影响模型预测合格率的主要原因;逐日模型法可以实现逐日土壤墒情的预测。本研究表明,统计法模型可以单独作为墒情诊断模型使用。     

比值统计法土壤墒情诊断模型

本文介绍了研发的基于时段降水量和土壤初始含水量的比值统计法土壤墒情诊断模型的原理和建模方法,并应用7个省23个县87个监测点2012—2014年的数据建模,应用2015年的数据进行了验证。结果表明:比值统计法诊断模型的预测精度较高,达到80%以上;比值统计法诊断和预测合格率较高的主要原因是模型参数都是数据挖掘的结果而非人为确定;逐日模型法可以实现逐日土壤墒情的预测。研究表明,比值统计法模型可以单独作为墒情诊断模型使用。     

间隔天数统计法土壤墒情诊断模型

本文介绍所建立的基于时段降水量、土壤初始含水量和两次监测时段天数的间隔天数统计法土壤墒情诊断模型的原理和建模方法,并应用7个省23个县87个监测点2012—2014年的数据建模,应用2015年的数据进行了验证。结果表明:间隔天数统计法模型诊断和预测精度高达到90%以上;间隔天数统计法模型诊断和预测合格率高,其原因是增加了间隔天数变量,有效地解决了测定间隔天数不固定的问题;逐日模型法可以实现逐日土壤墒情的预测。初步结论是:间隔天数统计法模型可以单独作为墒情诊断模型使用。     

平衡法土壤墒情诊断模型

本文首先介绍传统水量平衡法利弊,重点介绍了所建立的基于土壤初始含水量、时段降水量和时段"蒸渗流项"的平衡法土壤墒情诊断模型的原理和建模方法,并应用7个省23个县87个监测点2012—2014年的数据建模,应用2015年的数据进行了验证。结果表明:平衡法模型诊断和预测合格率只有50%左右;模型合格率不高的主要原因是基于降水量和土壤含水量之和的分段预测时数据量少,导致参数确定依据不足。所建立的平衡法模型作为墒情诊断模型使用还需进一步研究。     

墒情诊断模型的应用条件

对墒情诊断模型应用的下垫面条件进行了综合分析,这些条件包括气候区、监测点距气象站距离、土壤质地、监测时间、熟制、作物种类和模型参数。结果表明:平衡法、统计法、差减统计法、比值统计法、间隔天数统计法、移动统计法6个独立诊断模型和综合模型具有普遍适应性;模型普遍适应性的外在原因是建模时只考虑3个独立的具有普遍性的变量(土壤含水量、时段降水量、2次土壤含水量测定的间隔天数),模型普遍适应性的内在原因是按监测点建模和确定参数;多年平均降水量是影响模型预测合格率的主要因素之一,其值越小模型预测合格率越高。6个独立诊断模型和综合模型的应用不受下垫面因素影响,模型通用变量为3个独立变量。     

土壤墒情诊断理论和方法

本文对土壤墒情诊断理论和方法进行了简述,并介绍了国内墒情监测、诊断和预报现状。重点介绍了所建立的平衡法、统计法、差减统计法、比值统计法、间隔天数统计法、移动统计法6个独立的墒情诊断模型及其联合应用的综合诊断模型。应用2012—2014年7省23个县87个监测点的数据建模,并应用2015年的数据进行了验证。结果表明:所有模型构建简单,参数获得容易;综合模型优于6个独立模型。所建立的6个独立模型和综合模型适用于基于降水量的土壤墒情诊断和预测。     

综合模型法土壤墒情诊断模型

本文介绍了将平衡法、统计法、差减统计法、比值统计法、间隔天数统计法、移动统计法6个独立模型综合应用的墒情综合模型法的原理和方法,并应用7个省23个县87个监测点2012—2014年的数据建模,应用2015年的数据进行了验证。结果表明:综合模型诊断和预测合格率高,为97%以上。综合模型的优点:6个独立模型的参数在不同气候、下垫面和管理措施下的取值不同,因此,6个独立模型即使按点统计也不通用;而在同一次预测时,6个模型预测结果中总有一个预测精度较高的结果,这个结果与时段降水量和初始土壤含水量之和高度相关;通过对6个模型的适应性优选后,从概率上选择水分来源数量对应的预测结果。     

墒情诊断模型的理论分析、综合评价和展望

本文基于专栏论文的全部研究结果,对墒情诊断模型进行了理论分析、综合评价和展望,目的是建立更实用的墒情诊断模型。研究结果如下:(1)87个墒情监测点的降水量数据可以用就近气象站的降水量代替;(2)分别就87个墒情监测点所建立的6个独立模型和1个综合模型(分时段诊断和逐日诊断2类)的诊断合格率都达到75%以上;(3)综合模型优于6个独立模型的单独使用;(4)所有模型和参数都是按监测点建立和确定的,不存在下垫面因素的影响;(5)所有模型简单、使用3个独立变量(前期土壤含水量、时段降水量之和和2次监测之间的天数)、参数容易获得,只要有系列性的土壤含水量监测数据和对应的降水量(监测点降水量或就近气象站降水量)数据就可建模。     

差减统计法土壤墒情诊断模型

迄今为止,墒情诊断与预测模型由于缺乏通用性难以应用。本文介绍专栏6个独立模型中的差减统计法模型。差减统计法模型中2次监测的土壤含水量变化量为因变量,土壤初始含水量和时段降水量(含灌溉量)为自变量。应用7个省23个县87个监测点2012—2014年的数据建模,应用2015年的数据进行验证。结果表明:差减统计法模型诊断和预测合格率达90%左右,表明该模型适用性好;合格率高的主要原因是该模型遵循质量守恒定律和统计学规律;差减统计法预测误差主要来源于异地降水量数据和缺少灌溉记录数据。与传统模型相比,差减统计法具有以下特点:参数少、参数容易获得,参数具有统计意义、模型覆盖全部降水量范围、模型按点建模不受下垫面因素影响等。因此,差减统计法模型作为墒情诊断和预报模型是科学和实用的,可以单独使用。     

墒情诊断模型的评价

对6个模型进行系统评价的目的是为模型优选提供理论、方法和参数依据。采用优选模型比例、验证方法指标、验证方式指标和异常值指标4项指标对6个独立墒情诊断模型进行了综合评价。结果是:模型优先顺序为差减统计模型、间隔天数统计模型移动统计模型比值统计模型统计模型平衡模型;逐日模型好于时段模型。合格率高的模型包括4个特征,即自变量数量不超过3个、自变量相对独立、模型能处理不固定监测天数、人为不决定参数。按监测点建模的6个独立模型都可以单独使用,解决了模型不通用的问题;可以实现逐日诊断和预测,方便与遥感信息、作物长势信息等实时匹配;差减统计模型和间隔天数统计模型精度最高,前者是基于质量守恒定律的统计模型,后者有效地解决了间隔天数不固定所带来的预测误差。     

气候变化背景下中国南方地区季节性干旱特征与适应Ⅴ.南方地区季节性干旱特征分区和评述

在干旱特征研究的基础上开展季节性干旱分类分区,可为不同干旱区域应对全球气候变化、制定抗旱减灾对策和防控技术提供理论依据.以国家标准中的气象干旱、农业干旱指标为主要依据,利用南方地区268个气象台站1959-2008年的气候资料,在分析南方地区季节性干旱的气候背景和分布特征的基础上,采用综合因子与主导因子相结合方法、逐级指标筛选法,综合灾害分析和聚类分析方法,对季节性干旱进行3级分区.一级分区以年干燥度和季干燥度为主要指标,以年尺度和主要作物生长季的降水量为辅助指标,将南方区域分为半干旱区、半湿润区、湿润区和极湿润区4个一级区;在此基础上再划分为川滇高原山地温凉半干旱区,江北温暖半湿润区、华南暖热半湿润区和西南高原温凉半湿润区3个半湿润区,长江流域温热湿润区、华南暖热湿润区和西南山地温暖湿润区3个湿润区,以及华南暖热极湿润区和江南西南山区温凉极湿润区2个极湿润区,共9个二级干旱分区.最后基于多个干旱指标的干旱频率和干旱强度,将南方区域分成29个三级干旱区.在分区基础上对不同季节性干旱特征分区分布情况、干旱特点及对农业生产影响进行评述,并提出了防旱避灾措施.     

基于五味子甲素与乙素的秦岭地区野生华中五味子的潜在空间分布

华中五味子(Schisandra sphenanthera)为我国三级保护野生药材物种, 在秦岭地区分布较广。采集秦岭地区19个样地307个采样点的华中五味子样本, 使用HPLC方法检测果实中五味子甲素和乙素含量, 基于模糊数学原理建立其与气候、土壤和地形三大类15个评价因子之间的隶属函数, 利用最大信息熵模型确定各评价指标权重, 使用加权平均法并参照GIS空间分析确定基于五味子甲素和乙素的秦岭地区野生华中五味子的潜在空间分布。研究结果显示, 秦岭地区华中五味子不适宜生境面积占研究区总面积的11.40%; 适宜生境面积占50.63%; 高适宜生境面积占37.97%, 主要集中在陕西南部、甘肃东部、河南西部、湖北神农架林区及其周边海拔800–2 000 m的山区。研究结果表明, 基于GIS与模糊数学构建的生境适宜性评价模型可以准确地对秦岭地区华中五味子生境适宜性作出科学且综合性评价, 并可量化适宜生境面积和空间分布, 为华中五味子野生抚育GAP基地选址和建设提供数据支撑, 为保护和可持续利用华中五味子野生资源提供参考。     

蒙古黄芪潜在分布区预测的多模型比较

根据蒙古黄芪（Astragalus membranaceus（Fisch.）Bge.var.mongholicus（Bge.）Hsiao）123个样本点数据和19个环境数据,采用4种生态位模型对蒙古黄芪在中国的潜在适生区进行综合分析,并采用受试者工作特征曲线ROC和Kappa统计量,比较不同模型的预测效果。结果显示：4个模型预测精度良好,一致性显著。AUC值均达到0.8以上,Kappa值均达到0.6以上;其中DOMAIN模型的AUC值和Kappa值均最大,说明该模型的预测精度最佳,预测结果最稳定。潜在适生区的预测结果发现,GARP模型预测的最适宜区范围最广;MAXENT和BIOCLIM模型预测结果较为相似;DOMAIN模型预测结果比较分散。4个模型预测结果均表明西北一带可以作为蒙古黄芪栽培引种的主要产区。蒙古黄芪潜在适生区主要分布于中国北纬33°以北地区;最适宜区主要分布于甘肃、宁夏、陕西、山西、河北和内蒙古等地区。