范文一:北京年蒸发量 蒸发量的计算
蒸发量的计算
蒸发量用重量M(Kg)来标度
供热量Q(J)由温升热与气化潜热两部分组成。
1.温升热量Q1(J):
温升热与蒸发介质的热容和蒸发介质的温升成正比,即:
Q=C×M×ΔT;ΔT=T2-T1 热容C:J/Kg.?
这是个非常简单的公式,用于计算温升热量,液体的饱和压力随温度的提高而上升至液体表面上方压力时开始蒸发。
2.蒸发潜热Q2(J)为:
Q2=M×ΔH
ΔH:液体的蒸发焓(汽化热)J/Kg
3.总供热量Q=Q1+Q2
蒸发的速度主要决定于蒸发物体表面空气的水蒸气饱和度。饱和度越低则蒸发速度越快。饱和度达到100,时则停止蒸发。
1
风可将蒸发物表面饱和度较高的空气吹走,换为饱和度较低的空气,所以提高蒸发速度。
温度越高、湿度越小、风速越大、气压越低、蒸发量越大。
风速大时蒸发量也大
如何计算循环水的蒸发量
E=RR*Delta T*( 0.0013-0.0015)
RR循环水系统的循环水量
delta T温差
( 0.0013-0.0015) 参数,可以根据季节在0.0013到0.0015之间选。
水的蒸发过程是一个动态过程:一方面,水表面处的水分子由于热运动,会飞离水面,而水面上方水蒸气中的水分子,也要飞回水面。
如果飞出去的水分子数大于飞回来的水分子数,宏观上表现为水在蒸发,如果单位时间内飞出去的水分子数小于飞回来的水分子数,宏观上表现为水蒸气在液化。
单位时间内飞回来的水分子数量决定于水面上方水蒸汽的压强--蒸汽压。蒸汽压越大,单位时间内飞回来的水分子数越多。
水蒸气的饱和度越大,蒸汽压就越大,所以,水就越不容易蒸发。
2
百度搜索“就爱阅读”,专业资料,生活学习,尽在就爱阅读网
92to.com,您的在线图书馆
3
范文二:异质景观年平均蒸发量空间状况模拟(可编辑)
异质景观年平均蒸发量空间状况模拟
生 态 学 报 V o l. 24,N o. 11
第 24 卷第 11 期
2004 年 11 月 N ov. , 2004
A CTA ECOLO G ICA S IN ICA
异质景观年平均蒸发量空间格局模拟
1 2 33
张 娜 , 于贵瑞 , 于振良
1. 中国科学院研究生院资源与环境学院, 北京 100049; 2. 中国科学院地理科学与资源研究所, 北京 100101;
3. 国家自然科学基金委员会, 北京 100085
摘要: 理解景观格局如何影响生态过程是景观生态学的核心问题。建立了一个多尺度的空间显式景观过程模型 EPPM L
Eco system P roductivity P rocess2based M odel at L andscape Scale ,
对中国东北长白山自然保护区生态系统碳2水循环变量和
生产力的时空格局进行了模拟, 其中年平均蒸发量和蒸散量的空间格局是模型的主要输出结果之一。模拟值与实测值的数量级
一致, 这表明 EPPM L 可以比较合理而准确地模拟该保护区主要生态系统的年平均蒸发量和蒸散量, 但仍需进一步的模型验证
和不确定性分析。年平均蒸发量的模拟值平均为 01198?01093m a, 空间
格局随海拔变化的趋势不明显, 其中最高为云冷杉林
01276?01081m a , 最低为阔叶林 01094?01030m a 。环境因子 气象因
子和土壤含水量 和植被因子 植被类型和叶面积指
数L A I 等景观要素在空间格局上的变化会直接或间接地影响蒸发过程,
进而调控整个景观的水平衡。环境因子对蒸发的影响
比对蒸腾的影响要复杂得多。相对湿度对蒸发的影响最大 R 0140 , 其它
依次为气温、总辐射、降水量、风速和土壤含水量。年
平均蒸发量与L A I 负相关 R - 0139 , 但两者并不呈简单的反比关系:
当L A I 较小时, 蒸发量随L A I 的增加迅速地降低; 当
L A I 进一步增加时, 蒸发量随L A I 的变化很小, 逐渐趋于平稳。不同
植被的L A I 及其对环境因子的响应有很大差异。
关键词: 年平均蒸发量; 蒸散量; 空间格局; 叶面积指数; 环境因子
Sim ula ting the spa tia l pa ttern of annua l m ean evapotran sp ira tion of a
heterogeneous landscape
1 2 33
ZHAN G N a , YU Gu i2R u i , YU Zhen2 L iang 1. Colleg e of R esou rces and E nv ironm ent, G rad uate S chool of Ch inese
A cad emy of S ciences, B eij ing 100049, Ch ina; 2. Institu te of Geog rap h ic S ciences and N atu ral R esou rces R esearch, Ch inese A cad emy of S ciences,
100101, ; 3. , 100085, . , 2004, 24 11 : 2524~
B eij ing Ch ina N ational N atu ral S cience F ound ation of Ch ina B eij ing Ch ina A cta Ecolog ica S in ica
2534.
Abstract: U nderstanding how landscape pattern affects eco system p rocesses is a central issue in landscape eco logy. In th is
study, w e exam ined the effects of landscape heterogeneity on eco system evapo transp iration in the ChangbaiM ountain N ature
R eserve in no rtheastern Ch ina, using a p rocess2based, spatially exp licit model, EPPM L Eco system P roductivity P rocess2
based M odel at L andscape ScaleW e developed EPPM L to investigate the spatio tempo ral patterns of carbon and w ater cycling
and eco system p roductivity, and the spatial pattern of annual m ean evapo ration is one of the model outputs. D ata on
vegetation, so ils, elevation, slope, and aspect w ere derived from digitalized m ap s. T he spatial pattern of daily L A I at the
landscape scale w as estim ated from NDV I N o rm alized D ifference V egetation Index , w h ich w as derived from TM remo te
sensing im agery and field m easurem ents and surveys. T he daily m eteo ro logical variables w ere sim ulated based on related
topograph ic and clim ato logic p rincip les and daily m eteo ro logical po int data in the ChangbaiM ountain Fo rest Station fo r the year
基金项目: 中国科学院研究生院院长基金资助项目 yzjj200205 ; 国家自
然科学基金资助项目 39970613 ; 国家杰出青年科学基金资助项目
30225012 ; 中国科学院知识创新工程重要方向资助项目 KZCX32SW 2218
3 通讯作者 A utho r fo r co rrespondence
收稿日期: 2004203227; 修订日期: 2004209220
作者简介: 张娜1973~ , 女, 新疆伊犁人, 博士, 副教授。主要从事景观
生态学、全球变化和定量遥感应用研究。
: 200205 ;
Foundation item T he P resident Foundation of Graduate Schoo l of Ch inese A cadem y of Sciences Grant N o yzjj the N ational N atural
39970613 ; 30225012 ;
Science Foundation of Ch ina N o the N ational N atural Science Foundation fo r D istingguished Grant N o and the
32 2218
Know ledge Innovation P rogram s of Ch inese A cadem y of Sciences N o KZCX SW
: 2004203227; : 2004209220
Rece ived date Accepted date
: ,. , , ,Biography ZHAN G N a Ph D A ssociate p refesso r m ainly engaged in land scapeeco logy global change and quantitative remo te sensing1995-2004 Tsinghua Tongfang Optical Disc Co., Ltd All rights reserved.11 期 张 娜等: 异质景观年平均蒸发量空间格局模拟 2525
1995. ,
of T he daily so il w ater content w as an impo rtant output of the daily w ater cycle and the daily spatial patterns of all the
30variables of interest w ere sto red in grid fo rm at in A rc Info w ith a spatial reso lution of m and A lberts p ro jection EPPM L
2 ,
integrated these local scale outputs to sim ulate the daily spatial patterns of carbon and w ater cycling variables including tho se,
of evapo ration and transp iration Evapo ration from canopy surface w as m ainly dependent on canopy intercep tion w h ich w as
, , , ,2
related to vegetation type cover canopy structure L A I and p recip itation So il evapo ration w as sim ulated by Penm an
M onteith equation. T hus, using the G IS2based p rocess model, w e scaled up the biophysical variables from the local site to the
entire landscape using the scaling m ethod, direct extrapo lation. F inally w e computed annual m ean evapo ration, to tal
p recip itation, m ean air temperature, to tal so lar radiation, m ean relative mo isture, m ean w ind speed, and m ean L A I in each
p ixel, and analyzed how evapo ration w as related to environm ental variables and L A I.
T he estim ated m ean evapo ration fo r all the vegetation types in the reserve w as 01198m a, ranging from 010 to 01740m a.
T he spatial pattern of evapo ration did no t seem co rrelated w ith elevation. Evapo ration rates w ere ranked from h igh to low as
fo llow s: sp ruce2fir fo rests 01276?01081m a , Changbai larch fo rests, alp ine grasses, m ixed broad2leaved and Ko rean p ine
fo rests, sh rubs, alp ine tundra, m eadow s, B etu la erm anii fo rests, and broad2leaved fo rests 01094? 01030m aT he
estim ated m ean evapo transp iration fo r all the vegetation types in the reserve w as 01836m a, ranging from 010 to 11188m a.
T he spatial pattern of evapo transp iration obviously co rrelated w ith elevation. Among different vegetation types, the m ixed
2 11057?01173 .
broad leaved and Ko rean p ine fo rests had the h ighest evapo transp iration m a
,
T he spatial patterns of environm ental facto rs and L A I directly o r indirectly influenced evapo ration p rocesses and furthercontro lled the w ater balance at the landscape scale T he effects of spatial heterogeneity of environm ental facto rs on evapo ration 0140
w ere m uch mo re comp licated than on transp iration Evapo ration w as lim ited mo stly by relative mo isture R and
, , , ,secondarily by air temperature to tal radiation p recip itation w ind speed and so il w ater content M ean evapo ration w as
negatively co rrelated w ith m ean L A I R - 0139 , but they w ere no t related as a simp le inverse ratio. W hen L A I w as low ,
evapo ration rap idly decreased w ith the increase of L A I; but w hen L A I further increased, evapo ration varied little w ith L A I.
D ifferent vegetation types responded to L A I and environm ental facto rs quite differently.
M o st of the sim ulated values fellw ith in the sam e o rder of m agnitude as field observations. T h is suggests that EPPM L w as
able to sim ulate, w ith reasonable accuracy, the annual m ean evapo ration and evapo transp iration of various vegetation types in
ChangbaiM ountain N ature R eserve. But further model validation and uncertainty analysis are needed future studies.
Key words: annual m ean evapo ration; evapo transp iration; spatial pattern; leaf area index L A I ; environm ental facto rs
文章编号: 100020933 2004 1122524211 中图分类号: Q 149 文献标识码: A
区域水循环和水平衡是当今生态学的热点问题之一, 越来越多地受到研究
者的重视。区域的水循环功能主要体现在植被对
降水的调蓄、消耗与转化上, 包括冠层截留、蒸散、水分入渗和径流等几个
方面。其中, 蒸散过程是联系土壤2植物2大气连续体
中不同功能作用层水分上行运动的重要纽带, 是整个系统中水分输出最重
要的过程, 既成为现代水文学理论中一个崭
SPA C
新的前沿课题, 也成为当前水循环和水平衡研究的必需内容。准确测定、估算或模拟区域蒸散的时空变化对于评价生态系统影
响区域水循环和水平衡的功能, 揭示其影响机理, 制定合理的系统经营管理方案, 提高生态系统的生产力, 创建持续发展的生态
[1~ 3 ]
系统, 具有十分重要的意义 。
生态学中对蒸散的研究往往是在较小尺度上, 通过野外实测完成的。即使是在集水区或流域范围内的研究, 也以局部取样
[3 ]
实测为主。受测定方法和实际操作困难的限制, 国内对蒸散的测定和研究不很深入和广泛 , 更多地局限于一类或两类主要植
被, 所测样地和时间十分有限。野外实测在时间和空间上的限制使其难以反映全年各个时期整个景观中各类植被蒸散量的总体
状况和空间格局, 难以预测较大时空尺度上蒸散过程的变化。而将这些小时空尺度上的样地实测数据直接外推到较大时空尺度
上也会产生很大的误差。本研究试图通过建模手段及适当的尺度推绎方法来理解和预测较大尺度上蒸散过程时空变化的原因
和结果。
最近几年, 结合生态系统生态学和景观生态学的理论和方法, 综合地面观测、地理信息系统 G IS 、遥感技术和模拟模型,
初步建立了一个多尺度的空间显式景观过程模型 EPPM L 即 Eco system P
roductivity P rocess2based M odel at L andscape
Scale , 首次模拟了长白山自然保护区主要植被碳循环和水循环变量的时空格局, 并对模拟结果进行了初步验证。EPPM L 对蒸
发和蒸腾这两个过程分别进行模拟。本文着重对模拟的年平均蒸发量的景观空间格局进行分析。关于蒸腾过程的模拟已有报道
[4 ]
论述 。基于 G IS 和遥感技术的空间显式景观过程模型是研究景观空间格局与生态过程之间相互作用的重要途径, 也是目前区1995-2004 Tsinghua
Tongfang Optical Disc Co., Ltd All rights reserved. 2526 生 态 学 报 24 卷
[1 ]
域水循环和水平衡研究的重点和热点之一 。该类模型明确地考虑所研究对象和过程的空间位置及它们在空间上的相互作用
[5 ]
关系, 同时, 它们对空间格局的反映建立在对生态过程理解的基础上 。
[3 ]
植物、大气与土壤构成一个生态连续体, 因此, 需要应用系统的观点揭示蒸发过程的变化机制和调节控制原理 。环境因子
如气象因子和土壤水分状况和植被因子 如植被类型、植被覆盖度和叶面积指数 等景观要素在空间格局上的变化会通
L A I
过影响景观结构、水循环和能量代谢, 直接或间接地影响蒸发过程, 进而调控整个景观的水平衡。因此, 分析环境因子和植被因
子变量的空间格局可以帮助我们进一步认识景观格局对生态过程影响这一基本的景观生态学问题。
1 材料与方法
1. 1 研究区概况
[4 ]
本研究选取长白山自然保护区作为建立和验证 EPPM L 的第一个区域。研究区概况见文献 。彩图 显示了各类植被的分
布状况。
1. 2 研究方法
[6 ] [7 ] [8 ]
1. 2. 1 EPPM L 模型简介 EPPM L 是 一 个 在 Century 、Fo rest2 BGC 、 B IOM 2 BGC 和 BEPS Bo real Eco system
[9 ]
P roductivity Sim ulato r 等模型基础上建立的基于过程的生物地球化学循环模型, 模拟土壤2植物2大气系统中的碳循环和水
循环的机理过程。碳循环过程包括植物的光合、呼吸、碳在植物各组分 叶、干、枝和根 中的分配、净生产、土壤呼吸等; 水循环过
程包括大气降水、冠层截留、穿透降水、林下降水、融雪、雪的升华、土壤蒸发、冠层蒸腾、冠层蒸发、地表径流及土壤水分的变化
等。气孔导度将碳2水循环过程紧密地联系在一起。
EPPM L 的整个模拟过程是多个时间尺度模拟的组合, 具有混合时间分辨率, 其中生态系统水循环过程、光合和呼吸过程
以天为尺度来模拟, 生态系统生产力的动态过程以年为尺度来模拟。模型模拟的空间尺度为 30m , 与 TM 遥感图像的分辨率相
匹配。
EPPM L 结合遥感技术、 G IS 手段以及地面实测数据, 提供了一个空间耦合的理论框架, 包括景观空间数据的输入、景观空
间单元上的模型参数估计以及模型的运行和输出。 需要输入每日观测的气象数据, 及植被类型、立地条件、生物量、
EPPM L L A I
和土壤含水量初始值的景观空间异质信息。另外, 还根据地面观测站的纬度、海拔、坡向和坡度, 对气象观测数据进行内插, 以预
测各气象因子变量的景观空间异质信息。模拟过程不复杂, 容易理解和实现。模型在每个空间单元上运行, 并做时间上的累加,
可以输出碳循环和水循环变量的空间格局图, 包括从一天到一年的不同时间阶段的平均值或总量值。因此, 模拟系统
EPPM L
提供了一种将同质斑块模型扩展到异质景观模型的综合方法, 从而实现由斑块尺度到景观尺度上生态过程的时空转换, 实现净
[4, 10 ]
初级生产力 和蒸散量景观时空格局的模拟。张娜等 对 模型做了更详细的介绍。
N PP EPPM L
1. 2. 2 基础图件的获取及其处理 景观尺度上的研究往往需要借助 和遥感
技术, 通过一些 数字化图件和遥感图像
G IS G IS
获取相应变量的空间信息。因此, 这些图件的获取及质量是进行景观尺度上研究的重要前提。本研究获取了长白山自然保护区
的经纬度、植被类型、土壤类型和高程数字化图件, 及陆地卫星 7 遥感图像。通过适当的数据处理和质量控制, 强
L andSat TM
化数据的系统性和可比性, 初步建立了长白山自然保护区植被生产力研究的基础数据库。关于数据源和数据处理方法的详细论
[10 ]
述参见文献 。
1. 2. 3 叶面积指数的模拟 遥感图像是目前获取 L A I 空间格局的唯一途径。从遥感图像可以提取整个景观的NDV I图; 然
后, 根据该NDV I图及NDV I与L A I 之间的统计关系, 反演全年最大L A I 的空间分布格局, 这是目前用统计方法 相对于遥感
物理方法 反演L A I 的主要手段; 再次, 根据中国森林资源清查样地数据推算全年最大叶、枝、干和根生物量的空间分布格局;
最后, 根据文献实测数据和比叶面积推算全年不同时期叶生物量和L A I 的空间分布格局。关于L A I 模拟的更详细论述及模拟
[12 ]
结果的分析和验证见文献 。
1. 2. 4 环境因子的模拟 蒸发是陆地表面 主要包括土壤和冠层 的水向大
气运动的生物物理过程, 受多种因素控制。无论是
冠层蒸发, 还是土壤蒸发, 实质上均随着环境条件的变化而变化, 其中最重要而又很容易发生变化的是气象因子 主要有可获得
的能量、空气湿度、水汽压差、气温和近表层的空气流动 , 而土壤质地与结构、土壤水分的可获得性与补给特性则是蒸发的物质
[1 ]
基础 。鉴于此, 本研究模拟的环境因子包括年降水量、年总辐射、年平均气温、年平均相对湿度、年平均风速和年平均土壤含水
量。它们是通过模拟每日的环境因子变量, 然后逐日累加得到的。最后可以得到各环境因子变量的年总值 对降水量和总辐射
或年平均值 对其它因子 的空间格局模拟图。
每日降水量、总辐射、平均气温和平均风速这些气象因子变量随着海拔的升高, 呈现出明显的垂直带性分布。因此, 本研究
[10 ]
用与海拔有关的相应公式 , 以长白山森林生态系统地面观测站 海拔 73811m 1995 年的每日气象数据为基准, 结合高程栅格
图, 推算不同海拔每日气象因子变量值。每日平均相对湿度则通过实际水汽压与饱和水汽压之间的关系获得, 涉及到气候学原
[10 ]
理和规则。关于日气象因子变量的具体模拟方法及其模拟结果的验证, 已在相关文章中做过较详细论述 。1995-2004 Tsinghua Tongfang Optical Disc Co.,
Ltd All rights reserved.11 期 张 娜等: 异质景观年平均蒸发量空间格局模
拟 2527
土壤含水量是整个水循环模拟过程的一个重要输出结果, 其前提是假设土壤水分平衡。土壤水分平衡由土壤水分的输入和
[4 ]
输出这两部分决定。其中, 土壤水分的输入源于降雨和融解雪; 土壤水分的输出源于土壤蒸发、冠层蒸发、冠层蒸腾 和地表径
[11 ]
流 。在整个模型运行之前, 需要输入土壤含水量的初始值以驱动模型。本研究取上年 12 月份的土壤含水量作为其初始值。
以上对L A I 和各环境因子变量的所有模拟都基于A rc Info 中的空间分析模块 GR ID。通过对景观中的每个空间单元分别
进行模拟, 最后得到基于 GR ID 的相关变量的时空格局图, 其分辨率均为 30m , 投影方式均为A lbers。这些时空格局图将作为输
入变量, 用于模拟年平均蒸发量和蒸散量的时空格局。
1. 2. 5 蒸发量的模拟 陆地表面的生态系统蒸发不仅包括土壤 含枯枝落叶 表层的蒸发, 还包括冠层表面的蒸发。后者主要
通过冠层对降水的截留来实现。大气降水到达冠层作用层以后, 一部分通过冠层枝叶的间隙直接到达土壤表面, 形成穿透降水;
其余部分被冠层及林下植物截留。被冠层截留的降水绝大部分直接蒸发返回到大气中。当截留量达最大值后, 降水以树干径流
和枝叶滴流的形式从树体流入地面, 与穿透降水共同形成林下降水。林下降水先落到枯枝落叶上。枯枝落叶上的水分一部分被
蒸发消耗, 一部分到达土壤表层。当土壤含水量达到饱和状态时, 土壤表层有部分水以地表径流形式输出; 其余水一部分转化为
地下水和壤中流, 另一部分被土壤吸附, 变为土壤水。土壤水一部分为植物吸收利用, 或存在于植物体内, 或以蒸腾形式散失到
[13~ 15 ]
大气中; 其余土壤水则以物理蒸发形式散失到大气中 。
1. 2. 5. 1 冠层表面蒸发量的模拟 冠层截留及截留水量的蒸发在陆地生态系统水循环和水平衡中占有极其重要的地位。国内
[1 ]
外所研究的冠层截留模型很多 。但由于对截留过程本质缺乏统一的认识, 研究方法很不统一, 建立的模型各有侧重点, 导致可
比性很差。另外, 模型中要求的许多因子的测定容易产生误差, 这会降低模型精度, 因而在应用于定量评价冠层截留降水作用时
受到很大限制。
[1 ]
冠层截留过程不仅与植被类型、植被盖度、冠层结构和 L A I 等植被因子有关, 还与降水和冠层前期湿润状况有关 。大量
[1, 3, 16 ]
的研究证明, 冠层截留量与降水量之间存在着紧密的正相关关系, 或表现为直线相关, 或表现为幂函数关系 。本研究采用
一元经验模型来描述降水量与截留量的关系, 实为幂函数关系式的分段表示。
1 若日最低气温 0?, 则考虑的是冠层截留雨量:
[5 ]
根据BEPS 模型 , 冠层截留雨量中的实际蒸发量为截留雨量中的潜在蒸发量与受辐射限制的蒸发量中的较小值。
3
受辐射限制的蒸发量 每日平均太阳辐射 水的蒸发潜热 250010 1
M J m
截留雨量中的潜在蒸发量 2
rainint
一般地说, 降水量 很微小时 1 , 雨滴几乎全部被冠层截留; 当 继续增大时, 有可能随着 的增大而线性
P mm P rainint P
3 3
增大; 但不同结构的冠层对降水的截留量都有一个饱和值, 当 达到某个临界值 时, 也达到饱和值 , 之后
P P rainint rainint
[1, 13, 17 ] 3
不再随 的增大而增大, 而是逐渐趋于稳定 。根据物理意义分析, 临界降雨量 完全由植被类型和 确定,
rainint P P L A I
[18 ]
而不受植被覆盖度的影响 。据此, 有下式成立:
3
P A× L A I
3
[18, 19 ]
式中, A为叶面上平均最大持水深度 m , 变动范围约为 011~ 013mm 。 假设:
EPPM L
3 [18, 20 ]
?当 时, 若植被盖度、植被类型及其 不变, 则 与 呈线性关系 : P P L A I rainint P
ra inint R× P 4
式中, R为冠层截雨率 % , 即冠层截雨量与同期总降雨量的比例 表 1 。 3 3 3 3 3
?当 P P 时, rainint 达到最大值 rainint ; 当 P P 时, rainint 始
终保持最大值水平不变。同时假设 rainint 仅与 A、植
3
被盖度、植被类型和L A I 有关, 不考虑气象条件以及冠层本身湿润程度
的影响。根据降水量的涵义, 植被的 rainint 应该是指单
位面积上植被所能截留的最大降雨量, 即聚积在叶面 水平面上的水层深
度:
3 3
ra inint rain in t R× P 5
2 若日最低气温 0?, 则考虑的是冠层截留雪量 snow int :
[5 ]
根据BEPS 模型 , EPPM L 考虑两种截留雪量: 潜在截留雪量 canint 和升华截留雪量 rad int 。若 canint 小于 rad int, 则
snow int 取 canint; 反之, 则 snow int 取 rad int, 即假设 snow int 等于升华雪量, 其余雪均以穿透雪的形式落入地面。
snow in t m in canint, rad int 6
can in t E× P 7
式中, E为冠层截雪率 % , 即冠层截雪量与同期总降雪量的比例 表 1 。
3
每日平均太阳辐射 雪的升华潜热 284510 8
rad int M J m
[3, 5 ]
1121512 土壤蒸发量的模拟 本研究采用 2 方程 来模拟充分湿润的土壤蒸发面通量 包括枯枝落叶和土
Penm an M onteith1995-2004 Tsinghua Tongfang Optical Disc Co., Ltd
All rights reserved. 2528 生 态 学 报 24 卷
壤表层的蒸发量。该方程将土壤看成一层或二层系统的大叶, 并将冠层导度设为无穷大, 可用下式表示:
slop e × srad + cp × rho × vp d sra × x la t × 1000. 0
strans 9
p a × cp × srw
slop e +
x lat × E PS × sra
式中, strans 为土壤蒸发量 m s ; slop e 为环境温度2饱和水汽压关系曲线斜率 m bar K ; srad 为土壤吸收的净辐射
2 3 [7, 13 ] 3
; 为大气压 ; 为干空气定压比热 11008×10 ; 为环境温度下干空气密度 ;
W m p a m bar cp J kg K rho kg m vp d
为空气水汽压差 m bar ; x lat 为水的汽化潜热 J kg ; E PS 为水分子与空气分子质量之比 0162196351 ; srw 为土壤对水汽扩
散的阻力 s m ; sra 为空气动力学阻力 s m 。
9 式表明, 蒸发过程由两部分组成: 辐射项 slop e × srad 和空气动力学项 cp × rho × vp d sra。前者由 srad 决定, 由辐射
能提供蒸发所需的能量; 后者则主要由蒸发面上的空气水汽压差 vp d 和与风速联系的空气动力学阻力 sra 共同决定, 由显热交
[2 ]
换提供蒸发所需的能量 。该方程合并和定义了两个环境驱动变量 净辐射和空气水汽压差对蒸发的相对重要性。
slop e svp 1 - svp 2 T 1 - T 2 10
[21 ] [22 ]
式中, 1 和 2 为给定温度 和 下的饱和水汽压 , 参考 、 和 的计算式:
svp svp T 1 T 2 m bar M urray A bbo tt T abony
17. 38×T
1
239. 0+ T
svp 1 6. 1078× e 11
1
17. 38×T
2
239. 0+ T
svp 2 6. 1078× e 12
2
T T + 273. 15 + 0. 2 13 1
T 2 T + 273115 - 012 14
式中, T 为大气平均温度 ? 。
rho 11292 - 0100428× T 15
6
x lat 215023 × 10 - 2430154 × T 16
srad trad - carad 17 2 2
式中, 为冠层上平均太阳辐射 , 为冠层所吸收的平均光合有效辐
射 :
trad W m carad PA R W m
ca rad trad × F PA R 18
[9 ]
式中, F PA R 为冠层所吸收的 PA R 的比例 % , 其计算式参考L iu 等 。
srw 1 g srw 19
[9 ]
式中, g srw 为土壤导水力 m s , 由根区的平均含水量 rsw 决定。根据 BEPS , 若 rsw 60% , 则 g srw 010000001; 若
60% 70% , 则 0100001; 若 70% 80% , 则 0100006; 若 80% 90% , 则
rsw g srw rsw g srw rsw
01000125; 若 90% 95% ,则 0100025; 若 95 99,则 010005; 若 99% 9915% ,
g srw rsw g srw rsw g srw rsw
则g srw 01001; 若 rsw 9915% , 则 g srw 01002。
sra cra- sun + cra- shad e × L A I 20
式中, cra- sun 和 cra- shad e 分别为阳生叶和阴生叶边界层空气动力学阻力 s m :
对阳生叶 cra sun rh sun × rr rh sun + rr 21
- - -
对阴生叶 cra- shad e rh- shad e × rr rh - shad e + rr 22
式中, rr 为叶边界层对空气中辐射热传输的阻力 s m ; rh- sun 和 rh -
shad e 分别为阳生叶和阴生叶边界层对对流热传输的阻
力, 即阳生叶和阴生叶边界层阻力。土壤表面的蒸发强烈地决定于叶边界层阻力:
rr rho × cp 410 × SB C × tk × tk × tk 23
- 8 2 4
式中, SB C 为 Stefan2 Bo ltzm ann 常数 5167×10 W m ?K ; tk 为平均温度 K tk T + 273115 。
rh - sun 1 g ap 24
rh shad e 1 g 25
- an
式中, 和 分别为阳生叶和阴生叶边界层导度 :
g ap g np m s
g ap 1 rac L A I sun 26
g np 1 rac L A I shade 27
2 2 [23 ]
式中,L A I sun和L A I shade分别为阳生叶和阴生叶的L A I m m ;
rac 为冠层边界层阻力 s m 。EPPM L 参考 Chen 、 Chen
[24 ] [25 ] [26 ]
和 、 等 和 的方法计算 :
C ih lar Chen N o rm an L A I sun
L A I sun 2 co sH 1 - exp - 0148L A I co sH 281995-2004 Tsinghua
Tongfang Optical Disc Co., Ltd All rights reserved.11 期 张 娜等: 异质
景观年平均蒸发量空间格局模拟 2529
2 2
式中, 为平均太阳高度角 ? ; 为冠层总 。 为叶聚集指数 表 1 , 表示叶聚集对辐射传输的影响。由于
H L A I L A I m m 8
被用于冠层导度和辐射的计算, 在辐射和光合模拟中十分重要。为了精确模拟, 既需要 , 又需要 来反映冠层结构
L A I 8 L A I 8
对辐射机制的影响, 以此对冠层导度进行合乎实际的估计。如果忽略 的影响 即 1 , 那么当 4, 正午时的太阳高
8 8 L A I
[9 ]
度角 30? 时, 对 的估计将会产生 21%的误差 。
H n F PA R
L A I L A I - L A I
shade sun 29
lw
rac 30
alf c ×N u
[28 ]
式中, lw 为叶片特征宽度 设为 013m ; alf c 为空气分子热扩散系数 , 设为 0115; N u 为N usselt 数:
0147
N u 0162 × R e 31
[27, 28 ]
式中, 为 数 :
R e R eyno ld
ud × lw
R e 32
sigm a × nu low er
-
2
式中, ud 为零平面位移处的风速 m s ; sigm a 为冠层对光的遮蔽因子
设为 5 ; nu - low er 为粘度 设为 0115cm s , 由于 [13 ]
大气边界层内粘性效应显著, 处理这一层空气运动时必须考虑粘滞力, 将
其当作粘滞流体来处理 :
ud uh × exp - 013 × g am 33
式中, uh 为植被高度处的风速 m s ; g am 为植被高度处风速对零平面
位移处风速的影响因子:
1 3
g am 01167 + 01179 × uh ×L e 34
式中, 为冠层结构对风速的影响因子: L e
L e L A I × 8 35
uh 111 × usta r × k
36
[29~ 30 ] [31 ]
式中, k 为 von Karm an 常数, 在 0138~ 0142 之间, 平均取 0140 ; ustar 为动力磨擦速度 m s , 由 R aupach 给出的解
析表达式, 并假设大气为中性层结, 得:
u × k
usta r 37
z z - d
ln
z o
式中, z z 为冠层高度 参考层高度 40m ; u 为 z z 处的风速 m s ; d 和 Z o 为风温湿廓线中的重要冠层动力学参数。其中,
Z o 为冠层粗糙度, 即风速为零的高度 m 。d 为零平面位移 m , 也称抬高层高度, 即森林的存在使湍流交换开始的高度不是在
地表附近, 而是移到地表以上 高度了。 分别用 于 1975 年和 于 1969 年给出的经验公式估算 和
d EPPM L Szeicz Stanh ill Z o
[2, 13, 31 ]
d :
log Z o 019971log h - 01883 38
log d 019793log h - 011536 39
式中, h 为树木高度 m 。
表 1 中不同类型植被的模型参数
EPPML
1
Table Parameters in EPPML for differen t vegetation types 阔叶红松林 长白落
高山流砾 高山 岳桦林 云冷杉林 阔叶林
叶松林
M ixed
参数 滩草类 苔原 B etu la Sp ruce2 B road2 草甸 灌丛 参考文献
broad2leaved Changbai
Param eter A lp ine A lp ine erm anii fir leaved M eadow s Sh rubs
References
and Ko rean p ine larch
grasses tundra fo rests fo rests fo rests
fo rests fo rests
R % 2. 0 2. 0 15. 0 37. 0 31. 0 11. 7 20. 9 2. 0 2. 0 [ 3, 17, 32 ] E % 0. 67 0. 67 5. 0 18. 5 15. 0 3. 8 12. 6 1. 0 0. 67 [ 17 ] 8 0. 9 0. 9 0. 7 0. 5 0. 6 0. 7 0. 5 0. 9 0. 9 [ 9 ] 11216 尺度推绎的方法 本研究运用一种基于模型的尺度推绎方法??直接外
推法, 实现年平均蒸发量由斑块尺度向景观尺
度的推绎, 即已知模型输入变量的空间分布信息, 同时假设斑块尺度的模型适用于景观中的所有空间单元; 将输入变量直接输
[5, 33 ]
入该模型, 并运行模型, 得到每个空间单元的输出结果, 由此实现尺度的上推 。应用这种方法的一个重要假设是: 在目标空
间单元周围有三维的连接度, 即垂直向上与大气相连, 垂直向下与土壤相连, 以及时间维, 而忽略水平方向与邻近空间单元的相
[34 ]
连 。这种假设对于研究冠层和土壤表面的蒸发过程是合理的。
11217 年平均蒸发量与环境因子和叶面积指数关系的研究 在研究年平均蒸发量与各环境因子变量和L A I 之间的关系时,
需要对整个长白山自然保护区的主要植被进行系统取样。其方法是在植被栅格图上, 按照每行每列每间隔 20 个栅格取一个点1995-2004 Tsinghua
Tongfang Optical Disc Co., Ltd All rights reserved. 2530 生 态 学 报 24 卷
的规则机械布点, 所取样点均匀分布于整个保护区, 共 3928 个点。取样结果表明, 各类主要植被所取样点数分别为: 高山苔原
153 个点, 岳桦林 118 个点, 云冷杉林
范文三:基于BPNNSI的多年平均水面蒸发量插值方法
3
2012-07-19#############2012-07-19######2#0#12-07-19######## 基于BPNNSI的多年平均水面蒸发量插值方法
王兆礼 , 陈晓宏 , 李 艳
()中山大学水资源与环境研究中心 , 广东 广州 510275
摘 要 : 以广东省 117个蒸发站点为基础数据 , 分析了多年平均水面蒸发量的空间分布特征及其与经度 、纬
度 、海拔高度 、坡度 、坡向 、太阳天文辐射 、植被指数的内在关系 , 提出了一种基于 D EM 与 G IS技术并利用 B P() 神经网络模型进行插值的新方法 B PNN S I。用没有参与建模的 24 个站点进行验证 , 结果表明 , 该方法由于综 合考虑水面蒸发量的各种影响因素 , 明显的优于 IDW、 KR IG IN G方法 。因而该方法不仅能够用于水面蒸发量的 空间插值 , 而且依此获取的高精度 、高分辨率蒸发量 数据 , 对与其相关 领域的研究具有重要意 义 , 还对降雨 、 平均气温等的空间插值有借鉴意义 。
关键词 : 水面蒸发量 ; B P神经网络 ; D EM ; G IS; B PNN S I; 广东省
( ) 中图分类号 : P91文献标识码 : A文章编号 :0529 26579 20070120114205
水面蒸发量是水文 、气象台站的常规观测项目 1 数据来源与预处理 之一 , 是水资源评价 、水文研究 、水利工程设计和
[ 1 - 2 ] 111 D EM 数据 气候区划的重要参考指标 。但限于经济 、技术
本文研究使用的 D EM 数据空间分辨率为 1 km条件 , 只能布设有限的站点 , 站点外区域的水面蒸
[ 3 ] ×1 km , 来源于美国地质调查局的 GTO PO 30。使用 发信息由临近站点的 观 测值 来估 算 , 即 进行 空
的坐标系统是 GCS_ W GS_ 1984 坐标系统 。基于 间插值 。对于降雨 、温度 、蒸发量等气象数据 , 不
D EM 数据 , 应用 A rcG IS 的 Sp a tia l A na lyst模 块 可 同的学者用不同的方法进行了空间内插 , 如泰森多
[ 1 ] [ 4 - 7 ] 衍生得到广东省范围内每一个 1 km ×1 km 格网的经 ( ) ( ) 边形法 Th ie ssen、样条函数法 Sp line 、 [ 13 ] [ 1 - 2 ] 度 、纬度 、坡度 、坡 向 、太阳 天文 辐射 等空 间 ( ) 克 里 格 方 法 Kriging 、反 距 离 加 权 方 法
[ 8 ] [ 9 - 11 ] 分布数据 。( ) ( ) IDW 、梯 度 距 离 平 方 反 比 法 G ID S 、
[ 12 ] 112 水面蒸发量与其它相关数据() 多元回归分析法 M u ltiva ria te regre ssion等 。在
[ 10 ] ( 本文研究所用的蒸发基础数据 E601 型蒸发 这些方法中并不存在一种所谓的最佳插值方法 ,
) 皿 来源 于 广 东 省 水 文 局 , 时 间 序 列 为 1980 - 因而不同的空间插值方法引起的蒸发空间信息的不
2000年 。数据内容为 117 个蒸发站点的年 平均 水确定性长期以来一直存在 。我们认为 , 在特定的研
() 面蒸发量 , 以 及 各 站 点 的 经 纬 度 图 1 。同 时 , 究区域选用一种相对合适而又方便运用的方法 , 对
还用到国家基础地理信息数据库 , 包括广东省行政 蒸发量等气象要素的空间插值是非常重要的 , 对降
() 区划界线 、归一化植被指数 NDV I数据等 。 低插值方法所引起的不确定性具有重要意义 。
113 数据预处理目前 , 遥 感 与 G IS 技 术 的 进 步 使 得 从 D EM 2 广东省国土面积为 1718 万 km, 海拔高度介 ( ) d igita l e leva tion mode l提取海拔高程 、坡度 、坡 () 于 0 ,1723 m 之间 来源于 U SGS D EM 数据 , 平 向等地形要素并将其融入插值 模型 已变 得 十分 简 均海拔 234 m。其境内共有蒸发站点 200 多个 , 选
便 , 已成为降雨量 、气温等气象要素空间插值研究 用其中具有 21 a 连续序列的 117 个站点 , 平均约 [ 9 - 12 ] 2 的主导趋势 。本研究基于 D EM 与 G IS技术 , 1 500 km/个 。测站的海拔高度介于 0 ,804 m , 平
试图提出一种利用神经网络进行水面蒸发量空间插 均海拔 72 m , 基本覆盖了整个区域 。
值的新方法 。该方法的最大特点是可以综合考虑水 影响水面蒸发的因素主要包括太阳辐射与气
面蒸发量的影响因素 , 而且数据容易获取 。
3收稿日期: 2006- 03 - 15 2012-07-19#############2012-07-19######2#0#12-07-19########
) 温 、降水量 、风速 、气温 、相对湿度 、气压 、地形 B PNN S I。
等 。鉴于气象资料的空间分辨率较低 , 本文着重探 基于 B P神经网络的水面蒸发量插值模型分为
() 讨蒸发与地理位置 、海拔高度 、坡度 、坡向 、太阳 2个部分 : 网络训练 、空间插值 图 2 。该模型 天文辐射 、植被指数的关系 。在 ARC / IN FO GR ID 的原理较简单 : 它由输入 、隐藏和输出层组成 。输 模块支持下 , 计算得到广东省各蒸发站点多年平均 入层有 7个神经元对应 7个空间变量 , 即蒸发站的 水面蒸发量与经度 、纬度 、海拔高程 、坡度 、太阳 经度 、纬度 、海拔高度 、坡度 、坡向 、太阳天文辐
( 天文辐射 、NDV I的空间相关系数分别为 01002 P 射值及 NDV I值 。神经网络的输入层接收每个雨量
) ( ) ( 011 、 - 01550 P < 0101="" 、="" -="" 1211="" p="">< 站的空间变量="" ,="" 它们决定了该站点所在栅格单元的="" μ="">
) ( ) ( ) 011 、 - 01145 P > 011 、 01463P < 0101="" 、水面蒸发量="" 。输出层只有一个神经元="" ,="" 即水面蒸发="">
( ) 01225 P < 011="" 。由此可见="" ,="" 在这些影响因子中="" ,="" 量="" 。ann="" 中有许多参数需要确定="" ,="" 但通过对="" ann="">
相关性强弱不一 , 关系错综复杂 。训练可以很方便地确定这些参数值 。利用蒸发站点
的多年平均水面蒸发量数据及其属性对 ANN 进行
训练 。该 训 练 通 过 不 断 调 整 ANN 的 参 数 , 使 得
ANN 的计算值与实测值接近 。整个过程是由 B P神
经网络的后向传 递 程序 自动 完 成 。获 得模 型参 数
后 , 就可以利用 ANN 对区域内的任一地点的水面
蒸发量进行模拟与插值 。
图 1 广东省选用蒸发站点分布图
F ig11 Sp a tia l d istribu tion of p an evapo ra tion
sta tion s in Guangdong p rovince
2 基于 B P神经网络的水面蒸发量
插值方法 211 B P神经网络插值方法 图 2 基于 B P神经网络的水面蒸发量插值模型 ( )由 于 神 经 网 络 模 型 N eu ra l N e two rk Mode lF ig12 The mode l of B P N eu ra l N e two rk Sp a tia l 具有对复杂对象 、糊信息分析与建模的优势 , 特别 ()In te rpo la tion B PNN S I [ 14 ] 适合于 数 据 量 底 大 、结 构 复 杂 的 非 线 性 系 统 。
近年来对地理要素的空间分布 的模 拟得 到 诸多 应 212 应用 [ 15 - 16 ] ,在 A rcG IS的 Geo sta tistica l A na lyst模块支持下 , 用 取得了较好的效果 。而广东省多年平均
( ) 随机选取 117个蒸发站点中的 93 个 80 % 作为 水面蒸发量与各影响因子之间的关系错综复杂 , 又
( ) 训练数据 , 建立模型 , 另外 24 个 20 % 作为验 相互影响 , 是一种复杂的非线性关系 , 用传统的分
() 证站点 图 1 。利用 ARC / IN FO 的 samp le功能来 析方法难以进行模拟 。本研究试图利用 B P 神经网
读取这些雨量站点对应的经纬度 、高程 、坡度 、坡 络与 D EM、 G IS技术相结合来解决所遇到的这些问
向 、辐射与植被指数数据 。为了消除量纲的影响 , 题 。本文认为水面蒸发量的空间分布可以用复杂的
对这些输入 、输出变量进行了极差标准化处理 , 使 非线性函数模拟 , 该函数是由其多种影响因素综合
作用的结果 , 即水 面蒸 发量 的 值是 这些 因 素的 函 它们的值在 [ 0 , 1 ]之间 。
数 , 如果以各因素为输入 、对应的水面蒸发量的值 ( ) 利用专门的 神经 网络 软件 N eu roSo lu tion s 5 为期望输出 , 对网络进行训练可对水面蒸发量的空 对数据经过多次训练与预测精度分析后 , 采用神经 间 分 布 进 行 模 拟 , 即 人 工 神 经 网 络 插 值 模 型
元节 点 为 S 型 转 移 函 数 的 双 隐 层 网 络 设 计 方 案 ( (其中 , 第一隐含层节点数为 15 , 第二隐含层节点
数为 5 , 最小训练速率取 011 , 动量项系数取 016 , 213 误差分析
) (网络训练次数 3560 次 取得较好的模拟效果 表 21311 误差分析方法 根据站点均匀分布的原则 , ) 在广东全省范围内选择了另外 24 个蒸发站的数据 1 。该 B P神经网络模型经过训练与检验后 , 就可
用于模拟不同栅格单元的水面蒸发量 , 即对广东省 用作验证 , 它们不参与建模和运算 。插值精度验证
( ) 范围内的 226064 个栅格进行插值 , 得到广东省多 的指标主要包括计算值与实测值的相关系数 C 、
() () () 年平均水面蒸发量分布图 图 3 。 平均绝对误差 MA E、平均相对误差 MR E、最
() 大相对 误 差 MMR E、相 对 误 差 的 分 布 范 围 等 5
项 。
21312 B PNN S I精度验证 把 24 个验证站点的插
() 值结果与观测值进行比较 表 1、 2 , 结果显示 :
?插值结果与观测值的最大相对误差为 - 11161 % ,
平均 相 对 误 差 为 115 % ; ?从 绝 对 误 差 来 看 , 3
MA E为 3212 mm ,MMA E 为 - 14418 mm; ?它们
( ) 之间的相关系数达到 0193 P ν 0101 , 具有较好
的一致性 ; ?从相对误差分布范围来看 , 小于 5 %
的占 7912 % , 位于 5 % ,10 %之间的占 1617 % , 位
于 10 % ,15 %之间的仅占 411 % , 没有 大于 15 %
的 。这说明构建的 B P 网络模型能有效地反映水面 图 3 广东省多年平均水面蒸发量分布图 蒸发量与其相关空间变量之间的复杂关系 , 取得了 ( )1km ×1 km 网格 较好的模拟效果 , 能够满足地理 、水文与气候模型 Spatial distribution of the yearly mean pan evapo ration 13 F ig对蒸发精度的要求 。 ( )in Guangdong p rovince 1km ×1 km
表 1 B P神经网络模型插值结果与观测值的相对误差统计
Tab11 The d iffe rence be tween ob se rved va lue s and sim u la ted va lue s ba sed on B PNN S I
( )( )观测值 /mm 预测值 /mm 绝对误差 /mm 相对误差 / % 观测值 /mm 预测值 /mm 绝对误差 /mm 相对误差 / % 980. 5 991. 5 11. 0 1. 12 971. 9 1002. 2 30. 3 3. 11 1011. 1 1042. 2 31. 1 3. 08 1026. 1 1052. 1 26. 0 2. 54 930. 9 954. 3 23. 4 2. 51 1029. 4 1044. 5 15. 1 1. 46 937. 8 991. 6 53. 8 5. 74 1011. 6 994. 6 - 17. 0 - 1. 68 1194. 6 1198. 7 4. 1 0. 35 941. 2 944. 6 3. 4 0. 36 891. 0 969. 3 78. 3 8. 78 967. 5 933. 7 - 33. 8 - 3. 49 1084. 7 1057. 6 - 27. 1 - 2. 50 952. 4 1008. 7 56. 3 5. 92 1247. 6 1102. 8 - 144. 8 - 11. 61 1018. 0 1029. 6 11. 6 1. 14 1154. 3 1128. 6 - 25. 7 - 2. 23 1134. 3 1103. 6 - 30. 7 - 2. 71 1094. 0 1102. 8 8. 8 0. 80 1186. 8 1171. 6 - 15. 2 - 1. 28 983. 5 943. 5 - 40. 0 - 4. 07 899. 8 893. 1 - 6. 7 - 0. 74 1065. 1 1094. 1 29. 0 2. 72 829. 2 876. 0 46. 8 5. 65
江中下游 、粤东的兴梅盆地 、粤北的南雄盆地 、西 214 不同插值方法的比较
, B 江干流河谷的罗定盆地这些周围地形复杂的地区 据研究 , 对 于 与 降 雨 、蒸 发 量 有 关 的 插 值 , PNN S I方法都取得了较好的模拟效果 , 明显地优 于 Kriging与 IDW 方 法的 插 值 效 果 相 对 样 条 函 数 法 、 IDW、 KR IG IN G方法的插 值 结果 , 这主 要是 因 为 B [ 11 ] 趋势 面 等 方 法 比 较 理 想 。因 此 , 本 研 究 选 取 PNN S I方法综合考虑了坡度 、坡向与海拔高度 等影
Kriging、 IDW 方法与 B PNN S I方法的误差分析进行 (响因素的缘故 。 ?从插值精度验证的 5个指标 MR
) E 、MMR E、MA E、C、误差分布范围 来看 , IDW、 () 比较 , 结果表明 表 2 : ?3 种插 值方 法 的插 值
KR IG IN G插值结果精度都相对较低 。对于位 于上述结果精度不同 , 说明不同插值方法的插值结果具有 盆地地区的个别站点而言 , 由于缺少坡度 、 不同程度的不确定性 ; ?B PNN S I插值结果精度最
高 , 绝大部分的相 对 误差 小于 10 % , 特 别 对于 北
( ) 研究 [ J ]. 地理研究 , 2002, 21 4: 435 - 440. 坡向与海拔高度等梯度的辅助 , 其绝对误差甚至超
[ 3 ] W ILLMO TT C J , ROB ESON S M , FEDD EMA J J. E sti2 过 200mm , 基本属于上不可信的插值结果 。
m a ting con tinen ta l and te rre stria l p rec ip ita tion ave rage
from ra in - gauge ne two rk s[ J ]. In t J C lim a to l, 1994, 14: 表 2 不同插值方法的误差比较分析 403 - 414. Tab12 Comp a rison of d iffe ren t in te rpo la tion m e thod s [ 4 ] S ILV ERMAN , B W. Som e a sp ec ts of the sp line smoo t2 MR E MM R E MA E 0%, 5 %, 10%, h ing app roach to nonp a ram e tric regre ssion cu rve fitting 方法 C > 15% % % mm 5 % 10 % 15% () w ith d iscu ssion[ J ]. Jou rna l Roya l Sta tistica l Soc ie ty B PNN S I 3. 15 - 11. 61 32. 2 0. 93 79. 2 16. 7 4. 1 0 Se rie s B , 1985, 47: 1 - 52. Kriging 4. 48 - 14. 7 45. 8 0. 80 75. 0 12. 5 12. 5 0 [ 5 ] HU TCH IN SON , M. F. In te rpo la ting m ean ra infa ll u sing IDW 5. 46 - 16. 2 55. 8 0. 73 58. 3 25. 0 12. 5 4. 2 th in p la te smoo th ing sp line s [ J ]. In te rna tiona l Jou rna l of
G IS, 1995, 9: 305 - 3.
综上所述 , B PNN S I方法不仅能够用于水面蒸 阎洪 . 气候时空数据的样条插值与应用 [ J ]. 地理与地 [ 6 ]
( ) 理信息科学 , 2003 , 19 5 : 27 - 31. 发量的空间插值 , 而且还可以用于生成高精度 、高
HU TCH IN SON , M F, B ISHO F, R J. A new m e thod fo r 空间分辨率网格的水面蒸发量分布图 , 客观细致的 [ 7 ]
e stim a ting the sp a tia l d istribu tion of m ean sea sona l and 反映蒸发随其影响因素梯度变化的地带性特征 。同
annua l ra infa ll app lied to the H un te r V a lley, N ew Sou th 时 , 用 B PNN S I方法建立的广东省 1 km ×1 km 高空 W a le s [ J ]. A u stra lian M e teo ro logica l M agazine, 1983, 间分辨率的多年平均水面蒸发量数据 , 对于与其有 31: 179 - 184. 关的各个领域的研究具有极其重要的意义 , 而且还 PA TR ICK IM , BAR T IER. M u ltiva ria te in te rpo la tion to in2 [ 8 ] (对与蒸发相关的其它指标 如降雨量 、平 均温 度 co rpo ra te them a tic su rface da ta u sing inve rse d istance ) 等 的空间插值也有借鉴意义 。( ) we igh ting IDW [ J ]. Comp u te r & Geo sc ience s , 1996
( ) , 22 7: 795 - 7991. 3 结 语 封志明 ,杨艳昭 ,丁晓强 ,等 . 气象要素空间插值方法 [ 9 ] ( ) 优化 [ J ]. 地理研究 , 2004, 23 3: 357 - 364. 本文分析了广东省 117 个蒸发站点多年平均水 林忠辉 ,莫兴国 ,李宏轩 ,等 . 中国陆地区域气象要素 面蒸发量的空间分布特征及其与经度 、纬度 、海拔 [ 10 ] ( ) 的空间插值 [ J ]. 地理学报 , 2002 , 57 1 : 47 - 56. 朱
会义 ,刘述林 , 贾绍凤 . 自然地理要素空间插值的 几高度 、坡度 、坡向 、太阳天文辐射 、植被指数的内 ( ) 个问题 [ J ]. 地理研究 , 2004, 23 4: 425 - 432. [ 11 ] 在关系 , 并基于 D EM 与 G IS技术 , 提出了一种利ZHOU S, XU E G. The S IA m e thod fo r sp a tia l ana lysis 用神经 网 络 进 行 水 面 蒸 发 量 空 间 插 值 的 新 方 法 of p rec ip ita tion in the upp e r2m idd le reache s of the Yan2 [ 12 ] () B PNN S I。该方法的最大特点是可以综合考虑水 gtze R ive r [ J ]. Jou rna l of Geograp h ica l Sc ience s, 面蒸发量的各种影响因素 , 而且数据容易获取 。验 ( ) 2005, 15 2: 223 - 238.
证结果表明 B PNN S I的插值结果与观测值的相关系 曾燕 ,邱新法 ,刘昌明 ,等 . 基于 D EM 的黄河流域天
( ) 文辐射空间分布 [ J ]. 地理学报 , 2003 , 58 6 : 510 - 数达 到 0193 , 明 显 的 优 于 IDW、 KR IG IN G 方 法 , [ 13 ] 516. 取得了较好的模拟效果 。因而该方法不仅能够用于
O PEN SHAW S. N eu ra l ne two rk, gene tic, and fuzzy log2 水面蒸发量的空间插值 , 而且依此获取的高精度 、 ic mode ls of sp a tia l in te rac tion [ J ]. Environm en t and 高分辨率蒸发量数据 , 对于与其相关领域的研究具 [ 14 ] P lann ing A , 1998 , 30: 1857 - 1872. 有重要意义 , 还对降雨 、平均气温等的空间插值有 尤淑撑 , 严泰来 . 基于人工神经网络面插值的方法研 借鉴意义 。 ( ) 究 [ J ]. 测绘学报 , 2000 , 29 1 : 30 - 34.
[ 15 ] 张婷 ,汤国安 , 王峥 . 基于 神经网络的地面坡度与其 参考文献 : 他地形定量因子关联性分析 [ J ]. 山地学报 , 2004, 22
[ 16 ] ( ) 4 : 415 - 420. [ 1 ] 朱会义 ,贾绍凤 . 降雨信息空间 插值的不确定性分析
( ) [ J ]. 地理科学进展 , 2004, 23 2: 34 - 42.
[ 2 ] 李丽娟 ,王娟 ,李海滨 . 无定河流域降雨量空间变异性
Y ea r ly M ean Pan Eva pora t ion In terpo la t ion M e thod
Ba sed on Ba ck Propa ga t ion Neura l Ne twork M ode l
W AN G Z hao2li, CH EN X iao2hong, L I Yan
( )Cen te r fo r W a te r R e sou rce s and Environm en t, Sun Ya t2sen U n ive rsity, Guangzhou 510275 , Ch ina A b stra c t: The sp a tia l d istribu tion of yea rly m ean p an evapo ra tion and the re la tion sh ip s be tween it and D EM & o th2 e r fac to rs extrac ted from D EM a re ana lyzed u sing p an evapo ra tion da ta se t of 117 p an evapo ra tion sta tion s in Guang2 dong p rovince, mon th ly 1980 - 2000. B y m ean s of D EM &G IS techno logy, th is p ap e r p rovide s a new m e thod ba sed
() on the B ack P rop aga tion mode l of N eu ra l N e two rk fo r sp a tia l in te rpo la tion B PNN S Iof yea rly m ean p an evapo ra2 tion. It is a ssum ed tha t the sp a tia l d istribu tion of yea rly m ean p an evapo ra tion is the re su lt of the in te rac tion of va ri2 ou s fac to rs and can be mode led a s a comp lex non - linea r func tion. So, th rough the B PNN S I mode l, we can u se tho se fac to rs a s inp u t p a ram e te rs to sim u la te the sp a tia l d istribu tion of yea rly m ean p an evapo ra tion, and the exp ec t2 an t ou tp u t w ill be the va lue s of yea rly m ean p an evapo ra tion. The re su lts of app lica tion in Guangdong p rovince re2 vea l tha t: ?The h ighe st va lue of re la tive d iffe rence is - 1116 % , the lowe st va lue is 0136 % and the ave rage va lue is 3115 % ; Co rre la tion coeffic ien t be tween the ob se rved va lue s and mode ling va lue s is 0193. ?Comp a red w ith o th2
( ) e r mode ls gene ra lly u sed such a s IDW and KR IG IN G, the B PNN S I mode l show s the h ighe st mode ling and p re2 d ic tion p rec ision becau se of its comp lex cap ab ilitie s of non linea r m app ing. The B PNN S I m e thod no t on ly can be app lied to su rface in te rpo la tion of yea rly m ean p an evapo ra tion, bu t a lso can be u sed fo r gene ra ting h igh sp a tia l re s2 o lu tion da ta se ts. If can be tte r reflec t regiona l and sp a tia l fea tu re s of p an evapo ra tion and exp la in the quan tita tive re la tion be tween p an evapo ra tion and its affec ting fac to rs.
Key word s: p an evapo ra tion; back p rop aga tion neu ra l ne two rk mode l; D EM ; G IS; B PNN S I; Guangdong p rovince ()上接第 113页
Effec ts of PCO P s on som e Roo t Exuda te s of P lan ts
1, 2 1 1W AN D a 2juan, J IA X iao2shan, C hen X ian
( 1. Schoo l of Environm en ta l Sc ience and Enginee ring, Sun Ya t2sen U n ive rsity, Guangzhou 510275 , Ch ina;
)2. Co llege of R e sou rce and Environm en t Sc ience, H unan No rm a l U n ive rsity, Changsha 410081 , Ch ina
( A b stra c t: Change s of som e roo t exuda te s of L olium m u ltif lorum and G lycine m ax w ith PCO P s 1 , 2 , 4 2TCB and pp
) ’2DD Tstre ss we re stud ied unde r hyd ropon ic cond ition s. R e su lts showed tha t d iffe ren t typ e s and concen tra tion s of PCO P s cou ld affec t the con ten ts of suga r, o rgan ic ac id, am ino ac id and pH va lue s of som e roo t exuda te s. The pH va lue s of wa te r m ed ium dec rea sed in ea rly days. Con ten ts of suga r, o rgan ic ac id and am ino ac id in roo t exuda te s inc rea sed w ith PCO P s of lowe r concen tra tion stre ss and dec rea sed w ith PCO P s of h ighe r concen tra tion stre ss. Key word s: PCO P s; stre ss; roo t exuda te s; L olium m u ltif lorum ; G lycine m ax
Your requestcould not be processed becauseof a configurationerror: "Could not connect to LDAPserver."
For assistance,contact your network support team.
file:///C|/Users/Administrator/Desktop/新建文本文档.txt
涵盖各行业最丰富完备的资料文献,最前瞻权威的行业动态,是专业人士的不二选择。
file:///C|/Users/Administrator/Desktop/新建文本文档.txt2012/8/26 12:19:58
范文四:基于BPNNSI的多年平均水面蒸发量插值方法
()第 46卷 第 1 自然科学版 中山大学学报 46 No11 Vol1
期 ACTA SC IEN T IARUM NA TURAL IUM UN IV ERSITA T IS SUN YA TSEN I Jan1 2007 2007年 1月
3 基于 BPNNSI的多年平均水面蒸发量插值方法
王兆礼 , 陈晓宏 , 李 艳
()中山大学水资源与环境研究中心 , 广东 广州 510275
摘 要 : 以广东省 117个蒸发站点为基础数据 , 分析了多年平均水面蒸发量的空间分布特征及其与经度 、纬 度 、海拔高度 、坡度 、坡向 、太阳天文辐射 、植被指数的内在关系 , 提出了一种基于 D EM 与 G IS技术并利用 BP
() 神经网络模型进行插值的新方法 B PNN SI。用没有参与建模的 24个站点进行验证 , 结果表明 , 该方法由于综 合考虑水面蒸发量的各种影响因素 , 明显的优于 IDW、 KR IG IN G方法 。因而该方法不仅能够用于水面蒸发量的 空间插值 , 而且依此获取的高精度 、高分辨率蒸发量数据 , 对与其相关领域的研究具有重要意义 , 还对降雨 、 平均气温等的空间插值有借鉴意义 。
关键词 : 水面蒸发量 ; BP神经网络 ; DEM; G IS; B PNNS I; 广东省
( ) 中图分类号 : P91 文献标识码 : A 文章编号 : 052926579 20070120114205
水面蒸发量是水文 、气象台站的常规观测项目 1 数据来源与预处理 之一 , 是水资源评价 、水文研究 、水利工程设计和
[ 1 - 2 ] 111 D EM 数据 气候区划的重要参考指标 。但限于经济 、技术
本文研究使用的 D EM 数据空间分辨率为 1km 条件 , 只能布设有限的站点 , 站点外区域的水面蒸
[ 3 ] ×1km , 来源于美国地质调查局的 GTO PO30。使用 发信息由临近站点的观测值来估算 , 即进行空 间的坐标系统是 GCS_ W GS_ 1984 坐标系统 。基于 插值 。对于降雨 、温度 、蒸发量等气象数据 , 不 同D EM 数据 , 应用 A rcG IS的 Spatial Analyst模块可 的学者用不同的方法进行了空间内插 , 如泰森多 边衍生得到广东省范围内每一个 1km ×1km 格网的经 [ 1 ] [ 4 - 7 ] ( ) ( ) 形法 Thiessen、样条函数法 Sp line、 克[ 13 ] 度 、纬度 、坡度 、坡向 、太阳天文辐射 等空间 [ 1 - 2 ] ( ) 里 格 方 法 Kriging、反 距 离 加 权 方 法 分布数据。 [ 8 ] [ 9 - 11 ] ( ) ( ) IDW 、梯度距离平方 反比法 G ID S、
[ 12 ]112 水面蒸发量与其它相关数据 () 多元回归分析法 Multivariate regression等 。在 这( 本文研究所用的蒸发基础数据 E601 型蒸发 [ 10 ] 些方法中并不存在一种所谓的最佳插值方法 , 因) 皿 来源于广东省水文局 , 时间序列为 1980 - 而不同的空间插值方法引起的蒸发空间信息的不 确2000年 。数据内容为 117 个蒸发站点的年平均水 定性长期以来一直存在 。我们认为 , 在特定的研 究() 面蒸发量 , 以及各站点的经纬度 图 1 。同时 , 区域选用一种相对合适而又方便运用的方法 , 对 蒸还用到国家基础地理信息数据库 , 包括广东省行政 发量等气象要素的空间插值是非常重要的 , 对降 低() 区划界线 、归一化植被指数 NDV I数据等。 插值方法所引起的不确定性具有重要意义 。
113 数据预处理 目前 , 遥感与 G IS 技术的进步 使得 从 D EM 2 广东省国土面积为 1718 万 km, 海拔高度介 ( ) digital elevation model提取海拔高程 、坡度 、坡 () 于 0,1723 m之间 来源于 USGS D EM 数据 , 平 向等地形要素并将其融入插值模型已变得十分简 均海拔 234 m。其境内共有蒸发站点 200 多个 , 选 便 , 已成为降雨量 、气温等气象要素空间插值研究 用其中具有 21 a连续序列的 117 个站点 , 平均约 [ 9 - 12 ] 的主导趋势 。本研究基于 D EM 与 G IS技术 , 2 1 500 km/个 。测站的海拔高度介于 0,804 m, 平 试图提出一种利用神经网络进行水面蒸发量空间插 均海拔 72 m, 基本覆盖了整个区域 。 值的新方法 。该方法的最大特点是可以综合考虑水
影响水面蒸发的因素主要包括太阳辐射与气 面蒸发量的影响因素 , 而且数据容易获取。
3 收稿日期 : 2006 - 03 - 15
( ) () 基金项目 : 国家自然科学基金资助项目 50579078; 广东省自然科学基金资助项目 04009805; 国家 “985工程 ”
( )G IS与遥感的地学应用科技创新平台项目资助项目 105203200400006
( ) 作者简介 : 王兆礼 1979年生 , 男 , 博士研究生 ; 通讯联系人 : 陈晓宏 ; E2m ail: eescxh@mail1 sysu1edu1cn
115 第 1 期 王兆礼等 : 基于 B PNN SI的多年平均水面蒸发量插值方
法
温 、降水量 、风速 、气温 、相对湿度 、气压 、地形 ) B PNN S I。
等 。鉴于气象资料的空间分辨率较低 , 本文着重探 基于 BP神经网络的水面蒸发量插值模型分
() 为 2个部分 : 网络训练 、空间插值 图 2 。该模讨蒸发与地理位置 、海拔高度 、坡度 、坡向 、太阳
天文辐射 、植被指数的关系 。在 ARC / IN FO GR ID 型 的原理较简单 : 它由输入 、隐藏和输出层组成 。模块支持下 , 计算得到广东省各蒸发站点多年平均 输 入层有 7个神经元对应 7个空间变量 , 即蒸发站
的水面蒸发量与经度 、纬度 、海拔高程 、坡度 、太阳 经度 、纬度 、海拔高度 、坡度 、坡向 、太阳天天文辐射 、NDV I的空间相关系数分别为 01002 文辐 射值及 NDV I值 。神经网络的输入层接收每( P 个雨量 站的空间变量 , 它们决定了该站点所在栅格
) ( ) ( μ 011 、 - 01550 P < 0101="" 、="" -="" 01211="" p="">< 单元的="" 水面蒸发量="" 。输出层只有一个神经元="" ,="">
) ( ) ( ) 011、 - 01145 P > 011 、 01463 P < 0101="" 、="" 水面蒸发="" 量="" 。ann中有许多参数需要确定="" ,="">
( ) 01225 P < 011。由此可见="" ,="" 在这些影响因子中="" ,="" 过对="" ann="" 训练可以很方便地确定这些参数值="" 。利相关性强弱不一="" ,="" 关系错综复杂="" 。="" 用蒸发站点="">
对 ANN 进行 训练 。该 训练通过不断调整 ANN
的参数 , 使得 ANN的计算值与实测值接近 。整
个过程是由 BP神 经网络的后向传递程序自动完
成。获得模型参数 后 , 就可以利用 ANN 对区域内
的任一地点的水面 蒸发量进行模拟与插值 。
图 1 广东省选用蒸发站点分布图
Fig11 Spatial distribution of pan evaporation
stations in Guangdong p rovince
2 基于 BP神经网络的水面蒸发
量 插值方法 211 BP神经网络插值方法 图 2 基于 BP神经网络的水面蒸发量插值模型 ( ) 由于神经网络模型 Neural Netwo rk Model具Fig12 The model of BP Neural Netwo rk Spatial 有对复杂对象 、糊信息分析与建模的优势 , 特别 适()Interpolation B PNN SI [ 14 ] 合于数据量底大 、结构复杂的非线性系统 。
近年来对地理要素的空间分布的模拟得到诸多应 212 应用 [ 15 - 16 ] 用 , 取得了较好的效果 。而广东省多年平均 水在 A rcG IS的 Geostatistical Analyst模块支持下 ,
( ) 随机选取 117个蒸发站点中的 93 个 80% 作为 面蒸发量与各影响因子之间的关系错综复杂 , 又 相
( ) 训练数据 , 建立模型 , 另外 24 个 20% 作为验 证互影响 , 是一种复杂的非线性关系 , 用传统的分 析
() 站点 图 1。利用 ARC / IN FO 的 samp le功能来 读方法难以进行模拟 。本研究试图利用 BP神经网 络
取这些雨量站点对应的经纬度 、高程 、坡度 、坡 与 D EM、 G IS技术相结合来解决所遇到的这些问 题 。
向 、辐射与植被指数数据 。为了消除量纲的影响 , 本文认为水面蒸发量的空间分布可以用复杂的 非线
对这些输入 、输出变量进行了极差标准化处理 , 使 性函数模拟 , 该函数是由其多种影响因素综合 作用
它们的值在 [ 0, 1 ]之间 。 的结果 , 即水面蒸发量的值是这些因素的函 数 , 如
() 利用专门的神经网络软件 NeuroSo lutions 5 果以各因素为输入 、对应的水面蒸发量的值 为期望
对数据经过多次训练与预测精度分析后 , 采用神经 输出 , 对网络进行训练可对水面蒸发量的空 间分 布
元节点为 S型转移函数的双隐层网络设计方案 进 行 模 拟 , 即 人 工 神 经 网 络 插 值 模 型
(其中 , 第一隐含层节点数为 15, 第二隐含层节点 (Model of BP Neural Netwo rk Spatial Interpo lation,
116 () 中山大学学报 自然科学版 第 46卷
数为 5, 最小训练速率取 011, 动量项系数取 016, 213 误差分析
) (网络训练次数 3560 次 取得较好的模拟效果 表 21311 误差分析方法 根据站点均匀分布的原则 , ) 在广东全省范围内选择了另外 24 个蒸发站的数据 1。该 BP神经网络模型经过训练与检验后 , 就可
用作验证 , 它们不参与建模和运算 。插值精度验证 用于模拟不同栅格单元的水面蒸发量 , 即对广东省
范围内的 226064 个栅格进行插值 , 得到广东省多 () 的指标主要包括计算值与实测值的相关系数 C 、
() () () 平均绝对误差 MAE、平均相对误差 MRE、最 年平均水面蒸发量分布图 图 3。
() 大相对误差 MMRE、相对误差的分布范围等 5
项 。
21312 B PNN S I精度验证 把 24 个验证站点的插
() 值结果与观测值进行比较 表 1、 2 , 结果显示 :
?插值结果与观测值的最大相对误差为 - 11161% , 平均 相 对 误 差 为 3115% ; ?从 绝 对 误 差 来 看 , MAE为 3212 mm, MMAE为 - 14418 mm; ?它们 之 ( ) 间的相关系数达到 0193 P ν 0101 , 具有较好 的 一致性 ; ?从相对误差分布范围来看 , 小于 5% 的
占 7912% , 位于 5% ,10%之间的占 1617% , 位 于
10% ,15%之间的仅占 411% , 没有大于 15% 的 。
这说明构建的 BP网络模型能有效地反映水面 蒸图 3 广东省多年平均水面蒸发量分布图
( )1km ×1km 网格 发量与其相关空间变量之间的复杂关系 , 取得了 Fig13 Spatial distribution of the yearly mean pan evaporation 较好的模拟效果 , 能够满足地理 、水文与气候模型
( )in Guangdong p rovince 1km ×1km 对蒸发精度的要求。
表 1 BP神经网络模型插值结果与观测值的相对误差统计
Tab11 The difference between observed values and sim ulated values based on B PNN SI
( )( )观测值 /mm 预测值 /mm 绝对误差 /mm 相对误差 / % 观测值 /mm 预测值 /mm 绝对误差 /mm 相对误差 / %
980. 5 991. 5 11. 0 1. 12 971. 9 1002. 2 30. 3 3. 11 1011. 1 1042. 2 31. 1 3. 08 1026. 1 1052. 1 26. 0 2. 54
930. 9 954. 3 23. 4 2. 51 1029. 4 1044. 5 15. 1 1. 46
937. 8 991. 6 53. 8 5. 74 1011. 6 994. 6 - 17. 0 - 1. 68 1194. 6 1198. 7 4. 1 0. 35 941. 2 944. 6 3. 4 0. 36
891. 0 969. 3 78. 3 8. 78 967. 5 933. 7 - 33. 8 - 3. 49 1084. 7 1057. 6 - 27. 1 - 2. 50 952. 4 1008. 7 56. 3 5. 92 1247. 6 1102. 8 - 144. 8 - 11. 61 1018. 0 1029. 6 11. 6 1. 14 1154. 3 1128. 6 - 25. 7 - 2. 23 1134. 3 1103. 6 - 30. 7 - 2. 71 1094. 0 1102. 8 8. 8 0. 80 1186. 8 1171. 6 - 15. 2 - 1. 28
983. 5 943. 5 - 40. 0 - 4. 07 899. 8 893. 1 - 6. 7 - 0. 74 1065. 1 1094. 1 29. 0 2. 72 829. 2 876. 0 46. 8 5. 65
江中下游 、粤东的兴梅盆地 、粤北的南雄盆地 、西 214 不同插值方法的比较
据研究 , 对于与降雨、蒸发量有关的插值 , 江干流河谷的罗定盆地这些周围地形复杂的地区 ,
B PNN S I方法都取得了较好的模拟效果 , 明显地优 Kriging与 IDW 方法的插值效果相对样条函数法 、
[ 11 ] 于 IDW、 KR IG IN G方法的插值结果 , 这主要是因 趋势面等方法比较理想 。因此 , 本研究选取
为 B PNN S I方法综合考虑了坡度 、坡向与海拔高度 Kriging、 IDW 方法与 B PNN S I方法的误差分析进行
等影响因素的缘故。 ?从插值精度验证的 5个指标 () 比较 , 结果表明 表 2 : ?3 种插值方法的插值 结
() MRE 、MMRE、MA E、C、误差分布范围 来看 , 果精度不同 , 说明不同插值方法的插值结果具有 不
IDW、 KR IG IN G插值结果精度都相对较低 。对于位 同程度的不确定性 ; ?B PNN SI插值结果精度最 高 ,
于上述盆地地区的个别站点而言 , 由于缺少坡度、 绝大部分的相对误差小于 10% , 特别对于北
117 第 1 期 王兆礼等 : 基于 B PNN SI的多年平均水面蒸发量插值方
法
( ) 研究 [ J ]. 地理研究 , 2002, 21 4: 435 - 440. 坡向与海拔高度等梯度的辅助 , 其绝对误差甚至超
[ 3 ] W ILLMO TT C J, ROBESON SM , FEDD EMA J J. Esti2 过 200mm, 基本属于上不可信的插值结果。
mating continental and terrestrial p recip itation average from rain - gauge networks[ J ]. Int J Clim ato l, 1994, 14: 表 2 不同插值方法的误差比较分析 403 - 414. Tab12 Comparison of different interpolation methods [ 4 ] SILVERMAN , B W. Som e aspects of the sp line smoo t2 MR E MM R E MA E 0%, 5%, 10%, 方法 C > 15% hing app roach to nonparam etric regression curve fitting % % mm 5 % 10 % 15% () with discussion[ J ]. Journal Royal Statistical Society B PNN SI 3. 15 - 11. 61 32. 2 0. 93 79. 2 16. 7 4. 1 0 Series B, 1985, 47: 1 - 52. Kriging 4. 48 - 14. 7 45. 8 0. 80 75. 0 12. 5 12. 5 0 [ 5 ] HUTCH IN SON , M. F. Interpolating mean rainfall using IDW 5. 46 - 16. 2 55. 8 0. 73 58. 3 25. 0 12. 5 4. 2 thin p late smoothing sp lines[ J ]. International Journal of
G IS, 1995, 9: 305 - 3. 综上所述 , B PNN SI方法不仅能够用于水面蒸 [ 6 ] 阎洪. 气候时空数据的样条插值与应用 [ J ]. 地理与地 发量的空间插值 , 而且还可以用于生成高精度 、高 ( ) 理信息科学 , 2003, 19 5: 27 - 31.
空间分辨率网格的水面蒸发量分布图 , 客观细致的 [ 7 ] HUTCH IN SON , M F, B ISHO F, R J. A new method fo r 反映蒸发随其影响因素梯度变化的地带性特征 。同 estimating the spatial distribution of mean seasonal and 时 , 用 B PNN SI方法建立的广东省 1km ×1km 高空 annual rainfall app lied to the Hunter Valley, N ew South
W ales [ J ]. Australian Meteo ro logical Magazine, 1983, 间分辨率的多年平均水面蒸发量数据 , 对于与其有
31: 179 - 184. 关的各个领域的研究具有极其重要的意义 , 而且还
[ 8 ] PA TR ICK IM , BART IER. Multivariate interpo lation to in2 (对与蒸发相关的其它指标 如降雨量 、平均温度
co rporate them atic surface data using inverse distance ) 等 的空间插值也有借鉴意义 。 ( ) weighting IDW [ J ]. Computer & Geosciences , 1996
( ) 3 结 语 , 22 7: 795 - 7991.
[ 9 ] 封志明 ,杨艳昭 ,丁晓强 ,等. 气象要素空间插值方法 本文分析了广东省 117个蒸发站点多年平均水 ( ) 优化 [ J ]. 地理研究 , 2004, 23 3: 357 - 364.
面蒸发量的空间分布特征及其与经度 、纬度 、海拔 [ 10 ] 林忠辉 ,莫兴国 ,李宏轩 ,等. 中国陆地区域气象要素
高度 、坡度 、坡向 、太阳天文辐射 、植被指数的内 ( ) 的空间插值 [ J ]. 地理学报 , 2002, 57 1: 47 - 56.
在关系 , 并基于 D EM 与 G IS技术 , 提出了一种利 [ 11 ] 朱会义 ,刘述林 ,贾绍凤. 自然地理要素空间插值的
( ) 用神经网络进行水面蒸发量空间插值的新方法 几个问题 [ J ]. 地理研究 , 2004, 23 4: 425 - 432.
() B PNN SI。该方法的最大特点是可以综合考虑水 面[ 12 ] ZHOU S, XUE G. The S IA method for spatial analysis
of p recip itation in the upper2m iddle reaches of the Yan2 蒸发量的各种影响因素 , 而且数据容易获取 。验 证
gtze R iver [ J ]. Journal of Geographical Sciences, 结果表明 B PNN S I的插值结果与观测值的相关系 数
( ) 2005, 15 2: 223 - 238. 达到 0193, 明显的优于 IDW、 KR IG IN G方法 , 取得
[ 13 ] 曾燕 ,邱新法 ,刘昌明 ,等. 基于 D EM 的黄河流域天 了较好的模拟效果 。因而该方法不仅能够用于 水面( ) 文辐射空间分布 [ J ]. 地理学报 , 2003, 58 6 : 510 - 蒸发量的空间插值 , 而且依此获取的高精度 、 高分516. 辨率蒸发量数据 , 对于与其相关领域的研究具 有重[ 14 ] OPEN SHAW S. Neural network, genetic, and fuzzy log2 要意义 , 还对降雨 、平均气温等的空间插值有 借鉴ic models of spatial interaction [ J ]. Environm ent and 意义 。 Planning A, 1998, 30: 1857 - 1872.
[ 15 ] 尤淑撑 , 严泰来. 基于人工神经网络面插值的方法研 参考文献 : ( ) 究 [ J ]. 测绘学报 , 2000, 29 1: 30 - 34.
[ 1 ] 朱会义 ,贾绍凤. 降雨信息空间插值的不确定性分析 [ 16 ] 张婷 ,汤国安 ,王峥. 基于神经网络的地面坡度与其
( ) [ J ]. 地理科学进展 , 2004, 23 2: 34 - 42. 他地形定量因子关联性分析 [ J ]. 山地学报 , 2004, 22
[ 2 ] 李丽娟 ,王娟 ,李海滨. 无定河流域降雨量空间变异性 ( ) 4: 415 - 420.
118 () 中山大学学报 自然科学版 第 46卷
Y early M ean Pan Evapora tion In terpola tion M ethod
Ba sed on Back Propaga tion Neura l Network M odel
WANG Zhao2li, CHEN X iao2hong, L I Yan
()Center fo r W ater Resou rces and Environm ent, Sun Yat2sen University, Guangzhou 510275, China
Abstract: The sp atial distribution of yearly mean pan evaporation and the relationship s between it and D EM & oth2
er facto rs extracted from D EM are analyzed using pan evaporation dataset of 117 pan evaporation station s in Guang2
dong p rovince, monthly 1980 - 2000. By means of D EM &G IS techno logy, this paper p rovides a new method based
() on the Back Propagation model of Neural Netwo rk fo r spatial interpo lation B PNN S Iof yearly mean pan evapora2
tion. It is assum ed that the spatial distribution of yearly mean pan evaporation is the result of the interaction of vari2
ous facto rs and can be modeled as a comp lex non - linear function. So, th rough the B PNN SI model, we can use those facto rs as input param eters to sim ulate the spatial distribution of yearly mean pan evaporation, and the expect2
ant output will be the values of yearly mean pan evaporation. The results of app lication in Guangdong p rovince re2
veal that: ?The highest value of relative difference is - 1116% , the lowest value is 0136% and the average value
is 3115% ; Correlation coefficient between the observed values and modeling values is 0193. ?Compared with oth2
( ) er models generally used such as IDW and KR IG IN G, the B PNN SImodel show s the highest modeling and p re2
diction p recision because of its comp lex capabilities of nonlinear mapp ing. The B PNN SI method not only can be app lied to surface interpo lation of yearly mean pan evaporation, but also can be used fo r generating high spatial res2
olution data sets. If can better reflect regional and spatial features of pan evaporation and exp lain the quantitative relation between pan evaporation and its affecting facto rs.
Key words: pan evaporation; back p ropagation neural netwo rk model; D EM; G IS; B PNN S I; Guangdong p rovince
()上接第 113页
Effects of PCO Ps on som e Root Exuda tes of P lan ts
1, 2 1 1WAN Da2juan, J IA X iao2shan, Chen X ian
( 1. School of Environm ental Science and Engineering, Sun Yat2sen University, Guangzhou 510275, China;
)2. College of Resource and Environm ent Science, Hunan No rm al University, Changsha 410081, China
( Abstract: Changes of som e roo t exudates of Lolium m u ltif lorum and Glycine m ax with PCO Ps 1, 2, 42TCB and
) pp ’2DD Tstress were studied under hydroponic conditions. Results showed that different types and concentrations of PCO Ps could affect the contents of sugar, organic acid, am ino acid and pH values of som e roo t exudates. The pH values of water medium decreased in early days. Contents of sugar, organic acid and am ino acid in roo t exudates increased with PCOPs of lower concentration stress and decreased with PCO Ps of higher concentration stress. Key words: PCO Ps; stress; roo t exudates; Lolium m u ltif lorum; Glycine m ax
范文五:基于BPNNSI的多年平均水面蒸发量插值方法
基于BPNNSI的多年平均水面蒸发量插值
方法
第46卷第1期中山大学(自然科学版)
2007年1月ACTASCIENnARUMNATURALIUMUNIVERSITATISSUNYATSENI
V0II46No.1
JanI2007
基于BPNNSI的多年平均水面蒸发量插值方法
王兆礼,陈晓宏,李艳
(中山大学水资源与环境研究中心,广东广州510275)
摘要:以广东省l17个蒸发站点为基础数据,分析了多年平均水面蒸发量的空间分布特征及其与经度,纬
度,海拔高度,坡度,坡向,太阳天文辐射,植被指数的内在关系,提出了一种基于DEM与GIS技术并利用BP
神经网络模型进行插值的新方法(BPNNSI).用没有参与建模的24个站点进行验证,结果表明,该方法由于综
合考虑水面蒸发量的各种影响因素,明显的优于IDW,KRIGING方法.因而该方法不仅能够用于水面蒸发量的
空间插值,而且依此获取的高精度,高分辨率蒸发量数据,对与其相关领域的研究具有重要意义,还对降雨,
平均气温等的空间插值有借鉴意义.
关键词:水面蒸发量;BP神经网络;DEM;GIS;BPNNSI;广东省
中图分类号:P91文献标识码:A文章编号:0529-6579(2007)01-0114--05
水面蒸发量是水文,气象台站的常规观测项目
之一,是水资源评价,水文研究,水利工程设计和
气候区划的重要参考指标?j.但限于经济,技术
条件,只能布设有限的站点,站点外区域的水面蒸
发信息由临近站点的观测值来估算J,即进行空
间插值.对于降雨,温度,蒸发量等气象数据,不 同的学者用不同的方法进行了空间内插,如泰森多 边形法(Thiessen)…,样条函数法(Spline), 克里格方法(Kriging)?J,反距离加权方法 (IDW)J,梯度距离平方反比法(GIDS)", 多元回归分析法(Multivariateregression)等.在 这些方法中并不存在一种所谓的最佳插值方法?, 因而不同的空间插值方法引起的蒸发空间信息的不 确定性长期以来一直存在.我们认为,在特定的研 究区域选用一种相对合适而又方便运用的方法,对 蒸发量等气象要素的空间插值是非常重要的,对降 低插值方法所引起的不确定性具有重要意义. 目前,遥感与GIS技术的进步使得从DEM (digitalelevationmode1)提取海拔高程,坡度,坡 向等地形要素并将其融人插值模型已变得十分简 便,已成为降雨量,气温等气象要素空间插值研究 的主导趋势.本研究基于DEM与GIS技术, 试图提出一种利用神经网络进行水面蒸发量空间插 值的新方法.该方法的最大特点是可以综合考虑水 面蒸发量的影响因素,而且数据容易获取. 1数据来源与预处理
1.1DEM数据
本文研究使用的DEM数据空间分辨率为lkm ×1km,来源于美国地质调查局的GTOP030.使用 的坐标系统是GCS—WGS一1984坐标系统.基于 DEM数据,应用ArcGIS的SpatialAnalyst模块可 衍生得到广东省范围内每一个lkm×lkm格网的经 度,纬度,坡度,坡向,太阳天文辐射等空间
分布数据.
1.2水面蒸发量与其它相关数据
本文研究所用的蒸发基础数据(E601型蒸发
皿)来源于广东省水文局,时间序列为1980—
2000年.数据内容为117个蒸发站点的年平均水
面蒸发量,以及各站点的经纬度(图1).同时,
还用到国家基础地理信息数据库,包括广东省行政
区划界线,归一化植被指数(NDVI)数据等.
1.3数据预处理
广东省国土面积为l7.8万km,海拔高度介
于0,1723m之间(来源于USGSDEM数据),平
均海拔234m.其境内共有蒸发站点200多个,选
用其中具有21a连续序列的117个站点,平均约
1500km/个.测站的海拔高度介于0,804m,平
均海拔72m,基本覆盖了整个区域.
影响水面蒸发的因素主要包括太阳辐射与气
$收稿日期:2006—03—15
基金项目:国家自然科学基金资助项目(50579078);广东省自然科学基金资助项目(04009805);国家"985工程"
GIS与遥感的地学应用科技创新平台项目资助项目(105203200400006)
作者简介:王兆礼(1979年生),男,博士研究生;通讯联系人:陈晓宏;E?mail:eescxh@mail.sysu.edu.cn
第1期王兆礼等:基于BPNNSI的多年平均水丽蒸发量插值方法115 温,降水量,风速,气温,相对湿度,气压,地形
等.鉴于气象资料的空间分辨率较低,本文着重探
讨蒸发与地理位置,海拔高度,坡度,坡向,太阳
天文辐射,植被指数的关系.在ARC/INFOGRID 模块支持下,计算得到广东省各蒸发站点多年平均
水面蒸发量与经度,纬度,海拔高程,坡度,太阳
天文辐射,NDVI的空间相关系数分别为0.002(P 》0.1),一0.550(P<0.O1),一0.211(P< 0.1),一0.145(P>0.1),0.463(P<0.O1),
0.225(P<0.1).由此可见,在这些影响因子中, 相关性强弱不一,关系错综复杂.
??
?
?.?.'.
,
.
?,.
:.
?',
一
.'
?
,
一
图例
?验证站点
025501001502000训练站点
图1广东省选用蒸发站点分布图
Fig.1Spatialdistributionofpanevaporation
stationsinGuangdongprovince 2基于BP神经网络的水面蒸发量
插值方法
2.1BP神经网络插值方法
由于神经网络模型(NeuralNetworkMode1) 具有对复杂对象,糊信息分析与建模的优势,特别
适合于数据量庞大,结构复杂的非线性系统】. 近年来对地理要素的空间分布的模拟得到诸多应 用?J,取得了较好的效果.而广东省多年平均 水面蒸发量与各影响因子之间的关系错综复杂,又 相互影响,是一种复杂的非线性关系,用传统的分 析方法难以进行模拟.本研究试图利用BP神经网 络与DEM,GIS技术相结合来解决所遇到的这些问 题.本文认为水面蒸发量的空间分布可以用复杂的 非线性函数模拟,该函数是由其多种影响因素综合 作用的结果,即水面蒸发量的值是这些因素的函 数,如果以各因素为输人,对应的水面蒸发量的值 为期望输出,对网络进行训练可对水面蒸发量的空 间分布进行模拟,即人工神经网络插值模型 (ModelofBPNeuralNetworkSpatialInterpolation,
BPNNSI).
基于BP神经网络的水面蒸发量插值模型分为 2个部分:网络训练,空间插值(图2).该模型 的原理较简单:它由输入,隐藏和输出层组成.输 入层有7个神经元对应7个空间变量,即蒸发站的 经度,纬度,海拔高度,坡度,坡向,太阳天文辐 射值及NDVI值.神经网络的输入层接收每个雨量 站的空间变量,它们决定了该站点所在栅格单元的 水面蒸发量.输出层只有一个神经元,即水面蒸发 量.ANN中有许多参数需要确定,但通过对ANN 训练可以很方便地确定这些参数值.利用蒸发站点 的多年平均水面蒸发量数据及其属性对ANN进行 训练.该训练通过不断调整ANN的参数,使得 ANN的计算值与实测值接近.整个过程是由BP神 经网络的后向传递程序自动完成.获得模型参数
后,就可以利用ANN对区域内的任一地点的水面 蒸发量进行模拟与插值.
1洲练输入层隐层输出层
图2基于BP神经网络的水面蒸发量插值模型 Fig.2ThemodelofBPNeuralNetworkSpatial
Interpolation(BPNNSI) 2.2应用
在ArcGIS的GeostatistiealAnalyst模块支持下, 随机选取lJ7个蒸发站点中的93个(80%)作为 训练数据,建立模型,另外24个(20%)作为验 证站点(图1).利用ARC/INFO的sample功能来 读取这些雨量站点对应的经纬度,高程,坡度,坡 向,辐射与植被指数数据.为了消除量纲的影响, 对这些输入,输出变量进行了极差标准化处理,使 它们的值在[0,1]之间.
利用专门的神经网络软件(NeuroSolutions5)
对数据经过多次训练与预测精度分析后,采用神经 元节点为S型转移函数的双隐层网络设计方案 (其中,第一隐含层节点数为15,第二隐含层节点
l16中山大学(自然科学版)第46卷
数为5,最小训练速率取0.1,动量项系数取0.6, 网络训练次数3560次)取得较好的模拟效果(表 1).该BP神经网络模型经过训练与检验后,就可 用于模拟不同栅格单元的水面蒸发量,即对广东省 范围内的226064个栅格进行插值,得到广东省多 年平均水面蒸发量分布图(图3).
图3广东省多年平均水面蒸发量分布图 (1km×1km网格)
Fig.3Spatialdistributionoftheyearlymeanpanevaporation
inGuangdongprovince(1km×1km)
2.3误差分析
2.3.1误差分析方法根据站点均匀分布的原则,
在广东全省范围内选择了另外24个蒸发站的数据
用作验证,它们不参与建模和运算.插值精度验证
的指标主要包括计算值与实测值的相关系数(C),
平均绝对误差(MAE),平均相对误差(MRE),最
大相对误差(MMRE),相对误差的分布范围等5
项.
2.3.2BPNNS1精度验证把24个验证站点的插
值结果与观测值进行比较(表1,2),结果显示:
?插值结果与观测值的最大相对误差为一11.61%, 平均相对误差为3.15%;?从绝对误差来看,
MAE为32.2mm,MMAE为一144.8mm;?它们
之间的相关系数达到0.93(P《0.01),具有较好
的一致性;?从相对误差分布范围来看,小于5%
的占79.2%,位于5%,10%之间的占16.7%,位
于10%,15%之间的仅占4.1%,没有大于15%
的.这说明构建的BP网络模型能有效地反映水面
蒸发量与其相关空间变量之间的复杂关系,取得了
较好的模拟效果,能够满足地理,水文与气候模型
对蒸发精度的要求.
表1BP神经网络模型插值结果与观测值的相对误差统计 Tab.1ThedifierencebetweenobservedvaluesandsimulatedvaluesbasedonBPNNSI
观测值/mm预测值/mm绝对误差/mm相对误差/(%)观测值/mm预测值/mm绝对误差/mm相对误差/(%)
980.5991.5l1.01.12971.91002.230.33.11
1011.1l042.231.13.081026.11052.126.02.54
930.9954.323.42.5l1029.41044.5l5.11.46
937.8991.653.85.741011.6994.6—17.0一1.68
l194.6l198.74.10.35941.2944.63.40.36 891.0969.378.38.78967.5933.7—33.8—3.49
1084.71057.6—27.1—2.50952.4loo8.756.35.92 17.6I102.8—144.8—11.611018.01029.6l1.61.14 1154.31128.6—25.7—2.23l134.31103.6—30.7—2.7l
1094.0l102.88.80.80l186.8l171.6一l5.2一1.28
983.5943.5—40.0—4.07899.8893.1—6.7—0.74
1065.11094.129.02.72829.2876.046.85.65
2.4不同插值方法的比较
据研究,对于与降雨,蒸发量有关的插值,
Kriging与1DW方法的插值效果相对样条函数法,
趋势面等方法比较理想?.因此,本研究选取
Kriging,1DW方法与BPNNS1方法的误差分析进行
比较,结果表明(表2):?3种插值方法的插值
结果精度不同,说明不同插值方法的插值结果具有
不同程度的不确定性;?BPNNS1插值结果精度最
高,绝大部分的相对误差小于10%,特别对于北
江中下游,粤东的兴梅盆地,粤北的南雄盆地,西
江干流河谷的罗定盆地这些周围地形复杂的地区,
BPNNSI方法都取得了较好的模拟效果,明显地优
于1DW,KR1G1NG方法的插值结果,这主要是因
为BPNNSI方法综合考虑了坡度,坡向与海拔高度
等影响因素的缘故.?从插值精度验证的5个指标
(MRE,MMRE,MAE,C,误差分布范围)来看,
IDW,KR1GING插值结果精度都相对较低.对于位
于上述盆地地区的个别站点而言,由于缺少坡度,
第1期王兆礼等:基于BPNNSI的多年平均水面蒸发量插值方法117
坡向与海拔高度等梯度的辅助,其绝对误差甚至超 过200mm,基本属于上不可信的插值结果.[3] 表2不同插值方法的误差比较分析
Tab.2Comparisonofdifferentinterpolationmethods
MREMMREMAE0%一5%10%
方法c5%10%15%>%
综上所述,BPNNSI方法不仅能够用于水面蒸 发量的空间插值,而且还可以用于生成高精度,高 空问分辨率网格的水面蒸发量分布图,客观细致的 反映蒸发随其影响因素梯度变化的地带性特征.同 时,用BPNNSI方法建立的广东省1km×1km高空 问分辨率的多年平均水面蒸发量数据,对于与其有 关的各个领域的研究具有极其重要的意义,而且还 对与蒸发相关的其它指标(如降雨量,平均温度 等)的空间插值也有借鉴意义.
3结语
本文分析了广东省117个蒸发站点多年平均水 面蒸发量的空间分布特征及其与经度,纬度,海拔 高度,坡度,坡向,太阳天文辐射,植被指数的内 在关系,并基于DEM与GIS技术,提出了一种利 用神经网络进行水面蒸发量空间插值的新方法 (BPNNSI).该方法的最大特点是可以综合考虑水 面蒸发量的各种影响因素,而且数据容易获取.验 证结果表明BPNNSI的插值结果与观测值的相关系 数达到0.93,明显的优于IDW,KRIGING方法, 取得了较好的模拟效果.因而该方法不仅能够用于 水面蒸发量的空间插值,而且依此获取的高精度, 高分辨率蒸发量数据,对于与其相关领域的研究具 有重要意义,还对降雨,平均气温等的空间插值有
借鉴意义.
参考文献:
[2]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[12]
[13]
[14]
[15]
朱会义,贾绍凤.降雨信息空间插值的不确定性分析[16]
[J].地理科学进展,2004,23(2):34,42.
李丽娟,王娟,李海滨.无定河流域降雨量空间变异性
研究[J].地理研究,2002,21(4):435—440.
WILLMOTTCJ,ROBESONSM,FEDDEMAJJ.Esti. matingcontinentalandterrestrialprecipitationaverage fromrain—gaugenetworks[J].IntJClimatol,1994,14: 403—414.
SILVERMAN,BW.Someaspectsofthesplinesmoot—
hingapproachtononparametricregressioncurvefitting (withdiscussion)[J].JournalRoyalStatisticalSociety SeriesB,1985,47:1—52.
HUTCHINSON,M.F.Interpolatingmeanrainfallusing thinplatesmoothingsplines[J].InternationalJournalof GIS,1995,9:305—3.
阎洪气候时空数据的样条插值与应用[J]地理与地
理信息科学,2003,19(5):27—31.
HUTCHINSON,MF,BISHOF,RJ.Anewmethodfor
estimatingthespatialdistributionofmeanseasonaland annu~rainfallappliedtotheHunterValley,NewSouth Wales[J].AustralianMeteorologicalMagazine,1983, 31:179—184.
PATRICKIM,BARTIER.Multivariateinterpolationtoin? corporatethematicsurfacedatausinginversedistance weighting(IDW)[J].Computer&Geosciences,1996 ,22(7):795—7991.
封志明,杨艳昭,丁晓强,等.气象要素空间插值方法
优化[J].地理研究,2004,23(3):357—364.
林忠辉,莫兴国,李宏轩,等.中国陆地区域气象要素
的空间插值[J].地理,2002,57(1):47—56.
朱会义,刘述林,贾绍凤.自然地理要素空间插值的
几个问题[J].地理研究,2004,23(4):425—432.
ZHOUS,XUEG.TheSIAmethodforspatialanalysis ofprecipitationintheupper--middlereachesoftheYan?- gtzeRiver[J].JournalofGeographicalSciences, 2005,15(2):223—238.
曾燕,邱新法,刘昌明,等.基于DEM的黄河流域天
文辐射空间分布[J].地理,2003,58(6):510—
516.
OPENSHAWS.Neuralnetwork,genetic,andfuzzylog? icmodelsofspatialinteractionfJ],Environmentand PlanningA,1998,30:1857—1872.
尤淑撑,严泰来,基于人工神经网络面插值的方法研
究[J].测绘,2000,29(1):30—34.
张婷,汤国安,王峥.基于神经网络的地面坡度与其
他地形定量因子关联性分析[J].山地,2004,22
(4):415—420.
ll8中山大学(自然科学版)第46卷
YearlyMeanPanEvaporationInterpolationMethod
BasedonBackPropagationNeuralNetworkModel
WANGZhao—li,CHEN
(CenterforWaterResourcesandEnvironment,Sun
Xiao—hong,LIYah
Yat—senUniversity,Guangzhou510275,China)
Abstract:ThespatialdistributionofyearlymeanpanevaporationandtherelationshipsbetweenitandDEM&oth—
er~ctorsextractedfromDEMareanalyzedusingpanevaporationdatasetof117panevaporationstationsinGuang—
dongprovince,monthly1980—
2000.BymeansofDEM&GIStechnology,thispaperprovidesanewmethodbased ontheBackPropagationmodelofNeuralNetworkforspatialinterpolation(BPNNSI)ofyearlymeanpanevapora—
tion.Itisassumedthatthespatialdistributionofyearlymeanpanevaporationistheresultoftheinteractionofvari—
OUSfactorsandcanbemodeledasacomplexnon—
linearfunction.So,throughtheBPNNSImodel,wecanuse
thosefactorsasinputparameterstosimulatethespatialdistributionofyearlymeanpanevaporation,andtheexpect—
antoutputwillbethevaluesofyearlymeanpanevaporation.TheresultsofapplicationinGuangdongprovincere—
vealthat:?ehighestvalueofrelativedifferenceis一
11.6%,thelowestvalueis0.36%andtheaveragevalue
is3.15%;Correlationcoe侬cientbetweentheobselvedvaluesandmodelingvaluesis0.93.?Comparedwithoth—
ermodelsgenerallyused(suchasIDWandKRIGING),theBPNNSImodelshowsthehighestmodelingandpre—
dictionprecisionbecauseofitscomplexcapabilitiesofnonlinearmapping.TheBPNNSImethodnotonlycanbe
appliedtosurfaceinterpolationofyearlymeanpanevaporation,butalsocanbeusedforgeneratinghighspatialres—
olutiondatasets.Ifcanbetterreflectregionalandspatialfeaturesofpanevaporationandexplainthequantitative
relationbetweenpanevaporationanditsaffectingfactors.
Keywords:panevaporation;backpropagationneuralnetworkmodel;DEM;GIS;BPNNSI;Guangdongprovince
e;写石.,石石石;,石_',分#螨写蜗
(上接第113页)
EffectsofPCOPsonsomeRootExudatesofPlants
WANOaguan.,JIAXiao—shan,ChenXian.
(1.SchoolofEnvironmentalScienceandEngineering,SunYat—
senUniversity,Guangzhou510275,China;
2.CollegeofResourceandEnvironmentScience,HunanNormalUniversity,Changsha410081,China)
Abstract:ChangesofsomerootexudatesofLoliummultiflorumandGlycine,删
withPCOPs(1,2,4-TCBandPP
:DDT)stresswerestudiedunderhydroponicconditions.Resultsshowedthatdifferenttypesandconcentrationsof
PCOPscouldaffectthecontentsofsugar,organicacid,aminoacidandpHvaluesofsomerootexudates.ThepH
valuesofwatermediumdecreasedinearlydays.Contents.
ofsugar,organicacidandaminoacidinrootexudates
increasedwithPCOPsoflowerconcentrationstressanddecreasedwithPCOPsofhigherconc
entrationstress.
Keywords:PCOPs;stress;rootexudates;Loliummultiflorum:Glycine,
转载请注明出处范文大全网 » 北京年蒸发量蒸发量的计算