近日，水建学院何建强教授团队在农林气象领域权威期刊《Agricultural and Forest Meteorology》连续发表题为“Using support vector machine to deal with the missing of solar radiation data in daily reference evapotranspiration estimation in China”和题为“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”的研究论文。水建学院博士研究生陈上为两篇论文第一作者，水建学院何建强教授、机电学院苏宝峰副教授以及国家气象局何亮高级工程师为共同通讯作者。

高空间分辨率的气象数据往往是大尺度作物产量预测的限制要素。由于建造和维护成本等问题，具备太阳辐射（Rs）观测条件的气象站点相对较少，远不能满足相关业务要求。因此，基于简单气象因子的Angstrom-Prescott（A-P）公式被广泛用于估算太阳辐射。然而，A-P公式经验系数（a和b）具有较强的空间变异性，稀疏分布的太阳辐射观测站点无法为校准该系数提供充足的观测数据。研究对比了不同经验方法和机器学习算法在A-P公式经验系数、Rs以及ET0估算中的表现，发现机器学习算法能够提供较高精度的A-P公式经验系数，其估算值被用于在中国地区进一步插值生成高空间分辨率的产品。利用本研究提供的A-P公式经验系数估算的Rs值，Penman-Monteith公式获得了与直接使用机器学习算法相似的ET0估算精度。考虑到编程的复杂性，作者认为Penman-Monteith公式结合A-P公式经验系数产品更加适合中国地区的ET0估算。

基于作物生长模型的生长季内动态产量预测能够为田间管理措施的实施以及区域粮食安全提供重要参考。然而，提供包含预测日期至收获日期之间未知气象数据的完整覆盖生长季的气象数据序列是进行此类产量预测的前提。研究提供了两种从当地历史气象观测中寻找相似年份的思路：第一种利用播种前不同年份的气象数据；第二种基于k-NN算法搜索不同气象因子组合各自对应的气象相似年型。研究发现，两种算法相较于使用全部历史年份数据的原始产量预测均能提高相关预测精度。考虑到数据和算力的需求，该研究更加推荐使用目标生育期前10年的气象数据用作生育期内未知气象数据的替代。

这两篇论文的发表，不仅为Angstrom-Prescott公式在我国的应用提供了可靠的参数、简化了公式应用难度、提高了阳光辐射估算精度，同时为开展大尺度作物生长模拟和产量预报提供了可靠的数据支撑，结合本研究所建立的作物生长季内动态产量预测方法，从而为我国主要粮食作物的空间大尺度产量预测研究和业务化应用提供了新的途径和方法，表明我校在该领域研究方面又迈上了新的台阶。该研究得到国家自然科学基金（41961124006，52079115）、国家重点研发计划（2018YFB1500901），陕西省重点研发计划（2019ZDLNY07-03），我校“双一流”建设“农业高效用水与区域水安全学科群”所属“农业生境系统过程模拟与管理”团队，以及国家“111”计划（B12007）等项目的资助。

图1 Angstrom-Prescott公式经验系数a（a，b，c）和b（d，e，f）的空间分布

图2 基于不同相似气象年型数据的玉米生长季内逐日动态产量预测

论文链接：

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