近日，水建學院何建強教授團隊在農林氣象領域權威期刊《Agricultural and Forest Meteorology》連續發表題為“Using support vector machine to deal with the missing of solar radiation data in daily reference evapotranspiration estimation in China”和題為“Weather records from recent years performed better than analogue years when merging with real-time weather measurements for dynamic within-season predictions of rainfed maize yield”的研究論文。水建學院博士研究生陳上為兩篇論文第一作者，水建學院何建強教授、機電學院蘇寶峰副教授以及國家氣象局何亮高級工程師為共同通訊作者。
高空間分辨率的氣象數據往往是大尺度作物產量預測的限制要素。由于建造和維護成本等問題，具備太陽輻射（Rs）觀測條件的氣象站點相對較少，遠不能滿足相關業務要求。因此，基于簡單氣象因子的Angstrom-Prescott（A-P）公式被廣泛用于估算太陽輻射。然而，A-P公式經驗系數（a和b）具有較強的空間變異性，稀疏分布的太陽輻射觀測站點無法為校準該系數提供充足的觀測數據。研究對比了不同經驗方法和機器學習算法在A-P公式經驗系數、Rs以及ET0估算中的表現，發現機器學習算法能夠提供較高精度的A-P公式經驗系數，其估算值被用于在中國地區進一步插值生成高空間分辨率的產品。利用本研究提供的A-P公式經驗系數估算的Rs值，Penman-Monteith公式獲得了與直接使用機器學習算法相似的ET0估算精度。考慮到編程的復雜性，作者認為Penman-Monteith公式結合A-P公式經驗系數產品更加適合中國地區的ET0估算。
基于作物生長模型的生長季內動態產量預測能夠為田間管理措施的實施以及區域糧食安全提供重要參考。然而，提供包含預測日期至收獲日期之間未知氣象數據的完整覆蓋生長季的氣象數據序列是進行此類產量預測的前提。研究提供了兩種從當地歷史氣象觀測中尋找相似年份的思路：第一種利用播種前不同年份的氣象數據；第二種基于k-NN算法搜索不同氣象因子組合各自對應的氣象相似年型。研究發現，兩種算法相較于使用全部歷史年份數據的原始產量預測均能提高相關預測精度。考慮到數據和算力的需求，該研究更加推薦使用目標生育期前10年的氣象數據用作生育期內未知氣象數據的替代。
這兩篇論文的發表，不僅為Angstrom-Prescott公式在我國的應用提供了可靠的參數、簡化了公式應用難度、提高了陽光輻射估算精度，同時為開展大尺度作物生長模擬和產量預報提供了可靠的數據支撐，結合本研究所建立的作物生長季內動態產量預測方法，從而為我國主要糧食作物的空間大尺度產量預測研究和業務化應用提供了新的途徑和方法，表明西北農林科技大學在該領域研究方面又邁上了新的臺階。該研究得到國家自然科學基金（41961124006，52079115）、國家重點研發計劃（2018YFB1500901），陜西省重點研發計劃（2019ZDLNY07-03），我校“雙一流”建設“農業高效用水與區域水安全學科群”所屬“農業生境系統過程模擬與管理”團隊，以及國家“111”計劃（B12007）等項目的資助。
圖1 Angstrom-Prescott公式經驗系數a（a，b，c）和b（d，e，f）的空間分布
圖2 基于不同相似氣象年型數據的玉米生長季內逐日動態產量預測 論文鏈接： Using support vector machine to deal with the missing of solar radiation data in daily reference evapotranspiration estimation in China https://www.sciencedirect.com/science/article/pii/S0168192322000570 Weather records from recent years performed better than analogue years when merging with real-time weather measurements for dynamic within-season predictions of rainfed maize yield https://www.sciencedirect.com/science/article/pii/S0168192322000041
圖1 Angstrom-Prescott公式經驗系數a（a，b，c）和b（d，e，f）的空間分布
圖2 基于不同相似氣象年型數據的玉米生長季內逐日動態產量預測 論文鏈接： Using support vector machine to deal with the missing of solar radiation data in daily reference evapotranspiration estimation in China https://www.sciencedirect.com/science/article/pii/S0168192322000570 Weather records from recent years performed better than analogue years when merging with real-time weather measurements for dynamic within-season predictions of rainfed maize yield https://www.sciencedirect.com/science/article/pii/S0168192322000041
