2.4　作物腾发量实时预报与田间试验验证

获得实时、有效的作物腾发量数据是进行实时灌溉预报的基础和难点。本书根据公共的天气预报信息，提出了实时地估算作物腾发量的方法流程，并利用作物根区土壤水量平衡方程，用冬小麦田间灌溉试验的土壤水分数据对该模型和方法进行了检验；同时，为检验实时参照腾发量估算方法的可靠性和实用性，对当地媒体发布的实际天气预报信息与实际气象观测值进行了对比。

2.4.1　作物需水量实时估算模型

根据FAO-56，田间作物实际腾发量计算公式为

式中：ETa为预报时段内的作物腾发量，mm/d；Kc为作物系数；Ks为土壤水分修正系数，取值范围为0～1之间的一个常数；ET0为参照腾发量，本书用实时的天气预报信息解析后进行估算，mm/d。

作物系数Kc反映了不同作物腾发量ETa的差别，采用FAO-56推荐的分段单值平均作物系数法确定，即按照当地气候条件和作物高度，对FAO-56推荐的Kc参考值进行调节，就可求得不同生育阶段作物系数。刘钰等（2001）应用河北雄县的试验资料进行检验，初步证明在缺少实测资料的情况下可以用FAO-56推荐的方法确定华北地区主要作物的作物系数。

土壤水分修正系数Ks反映了根区土壤含水率不足对作物蒸腾的影响，由土壤储水量W和作物不同生育阶段的临界储水量Wj（介于田间持水量WFc和凋萎点WWp之间）决定。这里采用FAO-56中用到的一个简单的线性函数关系来计算Ks，即：当W≥Wj时，Ks=1；当W＜WWp时，Ks=0；在土壤水分处于临界含水率和凋萎点时，采用平均土壤含水率的线性函数方法确定［13］：

式中：W为作物根区土壤储水量，mm；WFc、WWp分别为当土壤水分处于田间持水量和凋萎点时的土壤储水量，mm；p是作物根区蒸腾发耗损系数，取决于土壤性质和作物种类，并随作物生长阶段而变化，它是0～1之间的一个常数，对冬小麦和夏玉米而言，该值的变化范围为0.5～0.7。

对于上述实时作物腾发量模型估算精度，可以用根区土壤水量平衡方程推求土壤含水率，与实测的土壤含水率结果对比来检验。根区土壤水量平衡方程为

式中：Wi+1为预报时段末的根区土壤储水量，mm，以此计算根区平均土壤含水率，本书采用的主要作物根区深度为1m；Wi为预报时段初的根区土壤储水量，mm；Pe为时段内有效降雨量，mm，当日降雨量小于0.2ET0时，在进行土壤水量平衡时是忽略不计的；I为时段内灌水量，根据田间实际灌溉情况确定，mm；G为时段内地下水补给量，mm，一般情况下认为当地下水位低于作物根区1m时，可以忽略地下水毛细补给量（Fennessey等，1996），由于试验站地下水埋深超过18m，G可忽略不计；D为时段内深层渗漏量，mm，由于灌溉水量为补充土壤计划湿润层深度内的平均含水量达到田间持水量，故D也忽略不计。

根据以上公式，实时作物腾发量估算及灌溉预报模型流程图如图2.13所示。可以看出，整个实时预报模型的精度与天气预报信息的精确度有很大关系。本书采用的天气预报信息来自当年《北京日报》刊载的数据，在对2004年10月1日至2005年6月17日期间的日预报信息进行统计整理后，按照解析方法进行数字化处理，用来实时估算作物系数Kc和参照腾发量ET0。

2.4.2　冬小麦田间试验情况

在中国水利水电科学研究院大兴试验基地精量控制灌溉试验区，从2004年10月—2005年6月开展了冬小麦（中黑1号）田间灌溉试验。每个试验小区总面积为5.5m×5.5m，试验区为4m×4m，外围为保护区，以减少各个灌水处理间的影响。共设置6种水分处理，每个处理3次重复，见表2.7。其中除了T1处理，其余处理冬灌水量一致，详细试验观测从返青后开始。其他农田管理措施（如施肥、播种、耕作）均与当地农民习惯一致。

试验小区装备有3套土壤水分含量自记系统，分别是英国产Delta-T系统、以色列产Galileo系统和中国农业大学产SWR-3型土壤水分传感器，可以监测6个小区1m剖面（10cm、20cm、30cm、40cm、60cm和100cm）的墒情变化。其余小区打入ΔT测管和Trime测管，每3～4天人工测量一次土壤体积含水率。试验基地设有一套澳大利亚产自动气象站，观测项目有气温Ta、太阳辐射Rs、日照时数n、相对湿度RH、降雨P等。

2.4.3　天气预报信息校验

ET0预报采用的气象数据是以数字化的天气预报信息为基础。为探究这种估算ET0方法的准确度，对天气预报中解析后的4项气象因子（日最高气温Tmax、日最低气温Tmin、日照时数Sunh和地面上2m处风速u2）与由气象站观测的对应值进行对比分析，其中来自天气预报和气象站的日最高气温预报值和观测值分别被定义为WF-Tmax和WSTmax，其余各气象因子的名称依此类推。

表2.8给出对4项气象因子的天气预报值与气象站观测值进行统计分析的结果，图2.14则显示出在冬小麦生育期内上述两类数据变化的对比情况。从表2.8给出的统计结果可知，WF-Tmax和WS-Tmax之间的相对误差RE为0.217，d和R2分别达到0.983和0.954，RMSE为2.766mm/d，两者间极为接近。由于天气预报数据采集站接近城区，夜间温度下降较缓，基础气温较高，故造成WF-Tmin和WS-Tmin间的d和R2值虽较为理想，但RE和RMSE则相对较大。从图2.14中也可看出，WF-Tmax和WS-Tmax在冬小麦生育期内很接近，而WF-Tmin则比WS-Tmin较大。与日最低气温相类似，由于气象观测站位置差异以及在解析方法中按等级粗略估算等原因，造成WF-u2和WS-u2以及WF-Sunh和WS-Sunh之间的数据拟合度较差，d和R2较小。从图2.14可看出，风速和日照时数的天气预报值要稍大于气象站观测值，但WF-Sunh与WS-Sunh间的RE值仅为0.404，而RMSE值为2.523，可以接受，这间接证明了根据天气预报信息进行日照时数估算的可行性，但对风力解析结果则需做进一步细化。

2.4.4　预报模型的检验

用大兴试验区土壤水分观测资料对上述作物腾发量预报模型进行检验，方法是将模型预报的作物腾发量带入水量平衡方程，对根区土壤水分的变化趋势进行预测；将预测的土壤含水量与实测值进行对比，从而检验作物腾发量模型的预报精度。在冬小麦返青后进行了详细的土壤水分观测。对不同土壤水分测量系统之间以及与取土法监测结果进行了标定，以确保实测值有效。

选用6种田间灌溉处理4月16日—6月17日的实测含水率，按照本书介绍的方法和实时估算模型，对试验期内土壤水分进行了模拟和估算，6种灌溉处理中预报值与实测值的变化过程见图2.15，其中模拟过程线发生突变较大的地方有灌溉发生。实测值与预报值的相关分析见图2.16。图示结果表明，总体而言，两者的变化趋势基本吻合。但是对于在有灌溉发生的情况下，两者误差较大，表现为实测值往往小于模型预报值。一方面可能与土壤水分观测中仪器误差和系统误差有关；另一方面，由于灌溉水分在土壤中的下渗和运移需要一定的时间，而这里的土壤水分含量是以1m根区平均值进行平衡计算的。从图2.16上也可以看出土壤水分含量在20％左右时预测精度最高，预测点较多的靠近1∶1对角线；低水分处理段截距大一些，说明土壤含水率预测值偏高，而高水分处理预测值则稍偏低。如果以灌后1～2天试验观测值进行对比，可能获得更好的效果。因此，在田间灌溉实践中应该充分考虑到这一点，适时调整灌溉预报时间。

表2.9给出了实测值与预报值之间的统计分析指标，其中两者之间相对误差RE小于0.1，均方根误差RMSE小于1.5％，说明模型预报值与实测值偏差都在较优的范围内。R2达到0.921，d值也达到0.985，可见作物需水预报模型拟合精度很高。在当前北京市预报准确率在80％的情况下，模型能够达到如此精度是可以接受的。

以上分析说明，将作物需水预报模型用于土壤墒情预报，在现有天气预报准确度条件下，与田间实测土壤含水量相比有较高的一致性，能够满足作物灌溉预报的精度要求。