湯鵬程，徐　冰，張偉明，高曉瑜，宋一凡

(1.水利部牧區(qū)水利科學(xué)研究所， 內(nèi)蒙古 呼和浩特 010020；

2.河北省天和咨詢有限公司，河北，石家莊 050021； 3.中國(guó)農(nóng)業(yè)大學(xué)水利與土木工程學(xué)院， 北京 100083)

?

基于GA-BP網(wǎng)絡(luò)的西藏高海拔地區(qū)ET0預(yù)報(bào)

湯鵬程1，徐冰1，張偉明2，高曉瑜3，宋一凡1

(1.水利部牧區(qū)水利科學(xué)研究所， 內(nèi)蒙古 呼和浩特 010020；

2.河北省天和咨詢有限公司，河北，石家莊 050021； 3.中國(guó)農(nóng)業(yè)大學(xué)水利與土木工程學(xué)院， 北京 100083)

摘要：選擇那曲縣(海拔4 450 m)、改則縣(海拔4 700 m)作為西藏高原氣候典型地區(qū)，通過遺傳-神經(jīng)(GA-BP)網(wǎng)絡(luò)訓(xùn)練，應(yīng)用1983—2012年30年的數(shù)據(jù)建立GA-BP網(wǎng)絡(luò)模型，采用前一年的氣象資料預(yù)報(bào)當(dāng)年的參考作物騰發(fā)量，當(dāng)2010—2012年連續(xù)3年的預(yù)報(bào)值均滿足設(shè)定的閾值下限時(shí)，輸出預(yù)測(cè)結(jié)果，這樣使得模型在保證了預(yù)報(bào)精確度的同時(shí)兼具預(yù)報(bào)穩(wěn)定性。結(jié)果發(fā)現(xiàn)：經(jīng)GA-BP網(wǎng)絡(luò)確定的2010—2012年3年模型預(yù)報(bào)值與真實(shí)值間的線性關(guān)系明顯，決定系數(shù)R2分別達(dá)到0.8805、0.9363、0.9167，斜率接近于1；多年的模擬預(yù)報(bào)值與實(shí)際值之間的相對(duì)誤差均處于0.1以下，小于設(shè)定的閾值下限。對(duì)于易獲得氣象資料的地區(qū)，研究成果可對(duì)高海拔地區(qū)未來月際間作物需水量的變化進(jìn)行預(yù)判，進(jìn)而為將來灌溉制度的制定提供依據(jù)；對(duì)于缺測(cè)氣象資料的地區(qū)，通過本文建立的網(wǎng)絡(luò)模型，結(jié)合氣象條件類似的站點(diǎn)，可在大時(shí)間尺度下對(duì)該地區(qū)ET0變化趨勢(shì)進(jìn)行模擬，同時(shí)對(duì)下年度灌溉制度的擬定提供指導(dǎo)。

關(guān)鍵詞：參考作物蒸騰蒸發(fā)量(ET0)；ET0預(yù)報(bào)；遺傳神經(jīng)網(wǎng)絡(luò)模型；高海拔地區(qū)；西藏

西藏高海拔地區(qū)位于我國(guó)邊疆，由于特殊的自然地理環(huán)境，加之歷史欠賬較多，與內(nèi)蒙古、新疆等其他民族地區(qū)相比，水利科研嚴(yán)重滯后于工程建設(shè)。關(guān)于參考作物騰發(fā)量(ET0)的計(jì)算方面，主要表現(xiàn)在氣象站點(diǎn)有限，計(jì)算數(shù)據(jù)缺失。對(duì)于中長(zhǎng)期參考作物騰發(fā)量(ET0)的計(jì)算及其預(yù)報(bào)是自然與技術(shù)科學(xué)領(lǐng)域內(nèi)的一個(gè)難題，對(duì)其進(jìn)行深入研究具有十分重要的理論與實(shí)際意義[1]。造成中長(zhǎng)期ET0預(yù)報(bào)研究困難的主要原因是ET0本身的計(jì)算具有復(fù)雜性及其不確定性[2]。復(fù)雜性表現(xiàn)在正確計(jì)算ET0需要對(duì)多種氣象數(shù)據(jù)進(jìn)行觀測(cè)，通過復(fù)雜的計(jì)算推導(dǎo)得出理論值[3]；不確定性表現(xiàn)在對(duì)ET0進(jìn)行預(yù)報(bào)的氣象因子是不確定的、多變的，比如風(fēng)速、降雨、日照等[4]。不僅預(yù)報(bào)對(duì)象與預(yù)報(bào)因子間存在高度復(fù)雜的非線性關(guān)系，預(yù)報(bào)因子與預(yù)報(bào)因子間也存在復(fù)雜的非線性關(guān)系[3-5]。

在國(guó)內(nèi)已有研究中對(duì)于ET0預(yù)報(bào)多局限于簡(jiǎn)單的公式模擬，或是由氣象因素估算ET0，預(yù)報(bào)模型通?；贔AO彭曼公式或類似公式的改良與擬合[6-9]。同時(shí)基于氣象因素的ET0預(yù)報(bào)模型以中短期為主，本文針對(duì)參考作物騰發(fā)量的計(jì)算特點(diǎn)，基于GA-BP網(wǎng)絡(luò)，利用前一年固定月份的氣象資料，對(duì)當(dāng)年同月份ET0進(jìn)行中長(zhǎng)期預(yù)報(bào)，預(yù)報(bào)效果較好，結(jié)果可靠；對(duì)于易獲得氣象資料的高海拔地區(qū)，本模型研究成果可對(duì)未來月際間作物需水量的變化進(jìn)行預(yù)判，進(jìn)而為將來灌溉制度的制定提供依據(jù)；對(duì)于不易獲得氣象資料的地區(qū)，通過本文建立的網(wǎng)絡(luò)模型，同時(shí)結(jié)合氣象條件類似的站點(diǎn)，可在大時(shí)間尺度下對(duì)該地區(qū)ET0變化趨勢(shì)進(jìn)行模擬，同時(shí)對(duì)下年度灌溉制度的擬定提供指導(dǎo)。

1材料與方法

1.1研究區(qū)概況

研究區(qū)位于西藏自治區(qū)典型高原氣候區(qū)-那曲縣(海拔4 450 m)與改則縣(海拔4 700 m)，分別地處西藏地區(qū)中部與北部，地貌類型為高原山地，平均海拔4 450 m以上，屬高原亞寒帶季風(fēng)半濕潤(rùn)氣候區(qū),高寒缺氧，氣候干燥，年平均氣溫為-2.2℃，降雨主要集中在6—9月份，多年平均降水量410 mm,多年平均日照時(shí)數(shù)為2 886 h以上。全年無絕對(duì)無霜期，每年十月至次年五月為風(fēng)雪期和土壤凍結(jié)期，六月到八月為作物生長(zhǎng)期。年日照百分率在60%以上，光照資源充足，熱量不足。

1.2研究方法

1.2.1GA-BP網(wǎng)絡(luò)建模思路事物間的聯(lián)系是普遍存在的，盡管很多關(guān)系是復(fù)雜的、多樣且多變的[10]。單純的線性關(guān)系很難準(zhǔn)確地描述某兩者之間的聯(lián)系，在復(fù)雜多變的非線性關(guān)系中如何尋找更加準(zhǔn)確的預(yù)報(bào)模型是當(dāng)前預(yù)報(bào)研究的重點(diǎn)[11-15]。為了防止神經(jīng)網(wǎng)絡(luò)(BP網(wǎng)絡(luò))容易陷入局部極小影響的缺陷發(fā)生，本文通過遺傳算法對(duì)BP網(wǎng)絡(luò)權(quán)閾值進(jìn)行遺傳優(yōu)化(GA優(yōu)化)，建立GA-BP網(wǎng)絡(luò)模型[16-17]。

GA-BP網(wǎng)絡(luò)模型采用三層神經(jīng)網(wǎng)絡(luò)，具有非常強(qiáng)的非線性處理能力，理論上三層BP網(wǎng)絡(luò)結(jié)構(gòu)，可以通過任意的計(jì)算精度逼近任意的輸入與輸出的映射。將經(jīng)過篩選用于計(jì)算的k個(gè)預(yù)報(bào)因子作為神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型中的自變量(x),因變量y作為期望的網(wǎng)絡(luò)輸出預(yù)報(bào)項(xiàng)，首先為GA-BP網(wǎng)絡(luò)確定個(gè)體串長(zhǎng)(L)：

L=k×g±g±g×n±n

(1)

式中，k為輸入節(jié)點(diǎn)個(gè)數(shù)；g為隱層結(jié)點(diǎn)個(gè)數(shù)；n為輸出節(jié)點(diǎn)個(gè)數(shù)。

其次對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)閾值進(jìn)行遺傳編碼，同時(shí)我們將其作為遺傳算法的父代，所以種群中的每個(gè)單獨(dú)個(gè)體均包含了一個(gè)BP網(wǎng)絡(luò)所有的權(quán)閾值，可以通過適應(yīng)度函數(shù)對(duì)個(gè)體的優(yōu)劣性進(jìn)行評(píng)價(jià)。

然后，本文通過選擇、交叉和變異操作尋找到最優(yōu)的適應(yīng)度值對(duì)應(yīng)的個(gè)體，這個(gè)被尋找到的最優(yōu)個(gè)體即為GA-BP網(wǎng)絡(luò)最優(yōu)權(quán)閾值。

最后利用優(yōu)化后的GA-BP網(wǎng)絡(luò)對(duì)預(yù)報(bào)因子進(jìn)行訓(xùn)練，對(duì)預(yù)報(bào)對(duì)象進(jìn)行預(yù)測(cè)。

1.2.2GA-BP網(wǎng)絡(luò)建模流程示意圖GA-BP網(wǎng)絡(luò)算法流程如圖1所示。

1.2.3GA-BP網(wǎng)絡(luò)建模計(jì)算GA-BP網(wǎng)絡(luò)建模計(jì)算具體計(jì)算步驟如下[18-19]：

1) 編碼。

GA-BP網(wǎng)絡(luò)算法采用實(shí)數(shù)編碼，其中每個(gè)染色體由隱含層閾值、輸入層與隱含層連接權(quán)值、隱含層與輸出層連接權(quán)值和輸出層閾值四部分組成。

2) 適應(yīng)度函數(shù)。

本文把期望輸出和預(yù)測(cè)輸出之間的絕對(duì)誤差值作為個(gè)體適應(yīng)度(ada.),其計(jì)算公式為：

(2)

式中，m為系數(shù)，取0～1之間的值；n為網(wǎng)絡(luò)輸出節(jié)點(diǎn)的個(gè)數(shù)；oi為第i個(gè)節(jié)點(diǎn)的預(yù)測(cè)輸出; yi為神經(jīng)網(wǎng)絡(luò)第i個(gè)節(jié)點(diǎn)的期望輸出。

圖1算法流程圖

Fig.1Algorithm flow chart

3) 選擇操作。

對(duì)于選擇操作這一選項(xiàng)，本文采用輪盤賭法，對(duì)于每個(gè)個(gè)體i的選擇概率pi為：

(3)

(4)

式中，apai為個(gè)體i的適應(yīng)度；n為種群個(gè)體數(shù)。

4) 交叉操作。

交叉操作采用兩個(gè)體算術(shù)交叉，針對(duì)所選擇的兩個(gè)染色體進(jìn)行如下交叉：

(5)

(6)

5) 變異操作。

選取第i個(gè)個(gè)體的第j個(gè)基因aij進(jìn)行變異，變異操作方法如下：

(7)

6) 預(yù)測(cè)。

經(jīng)過以上步驟，可以找出適應(yīng)度最大的個(gè)體，即為最優(yōu)權(quán)閾值，將其賦值給神經(jīng)網(wǎng)絡(luò)，并進(jìn)行預(yù)測(cè)。

2結(jié)果與分析

2.1GA-BP網(wǎng)絡(luò)實(shí)例計(jì)算

遺傳神經(jīng)網(wǎng)絡(luò)中的部分輸入數(shù)據(jù)來自那曲縣、改則縣氣象站和中國(guó)氣象科學(xué)數(shù)據(jù)共享服務(wù)網(wǎng)。包括1983—2012年30年間每日的日照時(shí)數(shù)(JH，h)、平均氣溫(Tmean，℃)、最高氣溫(Tmax，℃)、最低氣溫(Tmin，℃)、平均相對(duì)濕度(HUM，%)、平均風(fēng)速(μ，m·s-1)、降雨(P,mm)等。

用于校核模擬值的另一部分輸入數(shù)據(jù)，通過FA056 Penman-Monteith公式(見公式8)計(jì)算得到[7]，對(duì)典型地區(qū)逐日參考作物騰發(fā)量進(jìn)行計(jì)算，經(jīng)過日累積計(jì)算得到月參考作物騰發(fā)量的數(shù)據(jù)，因?yàn)閷?duì)于ET0的預(yù)報(bào)值應(yīng)用于作物需水量的預(yù)報(bào)研究，所以本文將逐日ET0經(jīng)過累積后可得到月資料，對(duì)實(shí)際生產(chǎn)更有意義，具體計(jì)算結(jié)果見表1。

(8)

式中，ET0為參考作物騰發(fā)量(mm·d-1)；Rn為冠層表面凈輻射(MJ·m-2·d-1)；G為土壤熱通量(MJ·m-2·d-1)；T為平均氣溫(℃)；u2為高度2.0m處風(fēng)速(m·s-1)；es為飽和水汽壓(kPa)；ea為實(shí)際水汽壓(kPa)；Δ為飽和水汽壓溫度曲線的斜率(kPa·℃-1)；γ為濕度計(jì)常數(shù)(kPa·℃-1)。

表1　1983—2012年作物生育期內(nèi)月ET0

數(shù)據(jù)輸入的時(shí)間段為1983—2012年內(nèi)5月到9月份，即作物生育期時(shí)間段內(nèi)30年的數(shù)據(jù)資料。模型中采用多年訓(xùn)練的模式，并采用前一年具體月份的氣象基礎(chǔ)數(shù)據(jù)，預(yù)報(bào)當(dāng)年對(duì)應(yīng)月份的ET0。

Ψi+1,j=f(JHi,j,Tmaxi,j,Tmini,j,HUNi,j,vi,j,Pi,j)

(9)

式中：i表示年份，1983≤i≤2012；j表示月份，5≤j≤9；Ψi+1,j表示對(duì)i+1年j月份的預(yù)報(bào)值；JHi，j表示i年j月份的日平均日照時(shí)數(shù)(h)；Tmaxi,j表示i年j月份的日平均最高溫度(℃)； Tmini,j表示i年j月份的日平均最低溫度(℃)；HUNi,j表示i年j月份的日平均大氣相對(duì)濕度(%)；vi,j表示i年j月份的2m高度處的日平均風(fēng)速(m·s-1)；Pi,j表示i年j月份的日平均降雨(mm)。

在GA-BP網(wǎng)絡(luò)計(jì)算中，本文利用1983—2009年27年的輸入數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)的訓(xùn)練，確立模型，利用2010—2012年連續(xù)三年的輸入數(shù)據(jù)進(jìn)行檢驗(yàn)，當(dāng)連續(xù)三年的檢驗(yàn)誤差在規(guī)定的閾值范圍內(nèi)時(shí)，默認(rèn)訓(xùn)練建模成功。

2.2GA-BP網(wǎng)絡(luò)預(yù)報(bào)與誤差檢測(cè)

在GA-BP網(wǎng)絡(luò)計(jì)算中，必須當(dāng)連續(xù)3年的計(jì)算數(shù)據(jù)均在規(guī)定閾值的范圍內(nèi)時(shí)(≤0.1)，才可輸出模擬結(jié)果。表2中Simulation value表示GA-BP網(wǎng)絡(luò)預(yù)報(bào)值; True-value表示真實(shí)值；Δ表示絕對(duì)誤差；δ表示相對(duì)誤差。

絕對(duì)誤差(Δ)=預(yù)報(bào)值-真實(shí)值　(10)

在圖2中可看到那曲地區(qū)與改則地區(qū)5—9月份的ET0真實(shí)值與預(yù)報(bào)值所做的散點(diǎn)圖，數(shù)據(jù)間線性關(guān)系顯著，2010—2012年決定系數(shù)R2分別達(dá)到0.8801、0.9363、0.9169，斜率接近于1。

圖2那曲、改則地區(qū)月ET0真實(shí)值與預(yù)報(bào)值散點(diǎn)圖

Fig.2The scatter diagrams between true values and predicted values

3結(jié)論與討論

本文選擇那曲縣(海拔4 450 m)、改則縣(海拔4 700 m)作為西藏高原氣候典型地區(qū)，通過遺傳-神經(jīng)(GA-BP)網(wǎng)絡(luò)訓(xùn)練，應(yīng)用1983—2012年30年的數(shù)據(jù)建立GA-BP網(wǎng)絡(luò)模型，對(duì)西藏高原氣候區(qū)主要牧草作物生育期內(nèi)5—9月份的參考作物騰發(fā)量進(jìn)行預(yù)報(bào)研究。通過GA-BP網(wǎng)絡(luò)訓(xùn)練，ET0預(yù)報(bào)值與真實(shí)值間的線性關(guān)系明顯，決定系數(shù)R2分別達(dá)到0.8805、0.9363、0.9167，斜率接近于1；多年的模擬預(yù)報(bào)值與實(shí)際值之間的相對(duì)誤差均處于0.1以下。在模型建立過程中，當(dāng)連續(xù)3年預(yù)報(bào)值均滿足要求時(shí)輸出的結(jié)果本模型才予以采用，這樣在保證了GA-BP網(wǎng)絡(luò)預(yù)報(bào)精確度的同時(shí)使其兼具穩(wěn)定性。

對(duì)于易獲得氣象資料的地區(qū)，本研究成果結(jié)合該地區(qū)對(duì)應(yīng)作物的作物系數(shù)，可進(jìn)一步對(duì)高海拔地區(qū)未來月際間作物需水量的變化進(jìn)行預(yù)判，進(jìn)而為將來灌溉制度的制定提供依據(jù)；對(duì)于缺測(cè)氣象資料的地區(qū)，通過本文建立的網(wǎng)絡(luò)模型，結(jié)合與該地區(qū)氣象條件類似的氣象數(shù)據(jù)，可在大時(shí)間尺度下對(duì)氣象資料缺測(cè)地區(qū)ET0變化趨勢(shì)進(jìn)行模擬。本研究成果可對(duì)下年度灌溉制度的擬定提供指導(dǎo)，可以提高勞動(dòng)效率，有效地緩解當(dāng)?shù)貏趧?dòng)力緊張的局面。

本研究中所述模型在得到區(qū)域氣象信息后可以應(yīng)用于大面積參考作物騰發(fā)量的預(yù)報(bào)，但對(duì)于缺少氣象資料的地區(qū)預(yù)報(bào)過程中需要考慮空間變異性，如何對(duì)高海拔地區(qū)參考作物騰發(fā)量實(shí)時(shí)預(yù)報(bào)并進(jìn)行合理性和有效性檢驗(yàn)，以及如何用于不同地區(qū)和不同作物將需進(jìn)一步的深入研究。

參 考 文 獻(xiàn)：

[1]Zhao Lu, Liang Chuan, Wei Renjuan, et al. Temporal and spatial variations of ET0and sensitivity coefficients in spring-summer in eastern agricultural areas of Qinghai, China[J]. Journal of Mountain Science, 2012,(6):817-826.

[2]霍再林.基于人工智能的參考作物騰發(fā)量與作物水鹽響應(yīng)研究[D].呼和浩特:內(nèi)蒙古農(nóng)業(yè)大學(xué),2004:71.

[3]馮克鵬,田軍倉.寧夏參考作物騰發(fā)量的時(shí)空特征分析[J].灌溉排水學(xué)報(bào)，2013，(5):26-29.

[4]張火青，雒文生.預(yù)報(bào)因子及預(yù)報(bào)方程的優(yōu)化探討[J].人民珠江，2000,(2)：13-15.

[5]史峰,王小川,郁磊.MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京：北京航空航天大學(xué)出版社，2010：183-187.

[6]王志強(qiáng),朝倫巴根,柴建華.用多變量灰色預(yù)測(cè)模型模擬預(yù)測(cè)參考作物蒸散量的研究[J].中國(guó)沙漠,2007,(4):584-587.

[7]Allen R G. Crop evapotranspiration: guidelines for computing crop water requirements:FAO irrigation and drain paper 56[Z]. University of Michigan: Fao and Agriculture Organization of the United Nations, 1998:56-57.

[8]蔣任飛,阮本清,韓宇平,等.基于BP神經(jīng)網(wǎng)絡(luò)的參照騰發(fā)量預(yù)測(cè)模型[J].中國(guó)水利水電科學(xué)研究院學(xué)報(bào)，2005,3(4):308-311.

[9]夏克文,李昌彪,沈鈞毅.前向神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)的一種優(yōu)化算法[J].計(jì)算機(jī)科學(xué)，2005,32(10):143-145.

[10]Yan Dan, Zhang Jilong, Wang Zhibin, et al. Prediction model of gas volume fraction based on golden section and BP network[J]. Transducer and Microsystem Technologies，2012,(1):4-6.

[11]Xie Wujie, Wang Ying, Sgen Maoxing, et al. The modeling and application of surface-to-air missile survivability prediction model[J]. Journal of Projectiles, Rockets, Missiles and Guidance，2012,(1):2775-2781.

[12]Yan Xiaoming, Zheng zhi. Research on gradient functions of BP artificial neural networks[J]. Journal of Fujian Institute of Education，2011，(1):120-123.

[13]XIE Yuangui, et al. Study on prediction for grain yield based on REMCC-BPNN[J]. Journal of Anhui Agricultural Sciences，2013,(6):2775-2778.

[14]Lei Yu, Li Xiaoan. Study on GA-BP-based neural network inference mechanism[J]. Electronic Design Engineering，2013,(2):34-37.

[15]Yan Zheping, Li Zi, Chen Tao, et al. Heading fault-tolerant control for UUV based on GA-BP neural network[J]. Chinese Journal of Sensors and Actuators, 2013,(9):1237-1242.

[16]Wang Bo, Hu Shuhui, Cao Zhijian. Application of GA-BP neural network on radar target tracking[J]. Fire Control Radar Technology，2010,(3):18-22.

[17]Sun Bin, Jiang Nengfei. Application of thermal comfort index based on artificial neural network[J]. Journal of Civil,Architectural & Environmental Engineering，2011,(S1):66-69.

[18]Chen Jielai, Sun Junlan. Prediction model of surface roughness in ultra-precision turning processing based on GA neural network[J]. Manufacturing Automation，2011,(24):10-12.

[19]Wang Linlin, LI Yijie, Wang Kegang. Improved BP algorithm in reinforced concrete beam deflection forecast[J]. Computer Measurement & Control，2012,(1):50-58.

ET0forecast on the basis of GA-BP network in high altitude areas of Tibet

TANG Peng-cheng1, XU Bing1, ZHANG Wei-ming2, GAO Xiao-yu3, SONG Yi-fan1

(1.InstituteofWaterResourcesforPastoralAreaofIWHR,Hohhot,InnerMongolia, 010020,China;2.TheTianheConsultingLimitedCompanyofHebei,Shijiangzhuang,Hebei050021,China;3.CollegeofWaterResourcesandCivilEngineering,ChinaAgriculturalUniversity,Beijing,100083,China)

Abstract：As the typical climate area of Tibet plateau, Nagqu County (4 450 m above sea level) and Gerze County (4 700 m above sea level) were chosen to build a Genetic Algorithm-Back Propagation (GA-BP) model through the GA-BP network training using data from 1983 to 2012. The ET0 was obtained by the monthly meteorological data from the previous year. When the forecast values for consecutive years between 2010 and 2012 met the threshold limit set, the forecast values would be exported, which could ensure accuracy and stability of the forecast. The results showed that the there was a great linear relationship between the predicted values by GA-BP model and the real values, reaching R2 values of 0.8805, 0.9363 and 0.9167, respectively. The relative error produced by predicted values and real values were all smaller than 0.1, which was less than the threshold. In conclusion, the model can be used to predict the ET0 of different months during crop growth period, and then the inter-monthly water demand of crops can be estimated in the future. It can further provide the basis for future irrigation schedule. For areas lacking meteorological data, based on the network model discussed in this article, the ET0 variation in these areas can be simulated within a big time frame by referring to other stations with similar meteorological conditions, which can provide guidance for the irrigation schedule of next year.

Keywords:reference crop evapotranspiration (ET0); prediction of ET0; genetic algorithm-back propagation model; high altitude areas; tibet

中圖分類號(hào)：S163

文獻(xiàn)標(biāo)志碼：A

作者簡(jiǎn)介：湯鵬程(1988—)，男，河北石家莊人，助理工程師，主要研究方向?yàn)楣?jié)水灌溉技術(shù)。 E-mail：tangpc1988@163.com。

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目“西藏高海拔地區(qū)ET0計(jì)算公式試驗(yàn)率定與作物系數(shù)推求”(51579158)；中國(guó)水科院科研專項(xiàng)基金項(xiàng)目“西藏地區(qū)灌溉飼草料地節(jié)水豐產(chǎn)集成模式研究”(MK2014J01)

收稿日期：2015-05-30

doi:10.7606/j.issn.1000-7601.2016.02.34

文章編號(hào)：1000-7601(2016)02-0212-06