基于APSIM-OZCOT模型的湖北平原湖地区的验证和应用

合集下载

农业信息技术第六章作物模拟模型ppt课件

作者或发表者及发表年份 C.T. de Wit （1978） Williams等（1984） Penning de Vries等（1989） TAES-BRC（2003） Van Keulen等（1982） van Keulen等（1986） Stockle等（1991） Kiniry等（1991） Halvorson等（1982） Woldren（1984） Shaffer等（1987） Hayes等（1982） Parton等（1992）陈家麟等（1994） Littleboy等（1989） APSRU（2001）胡克林等（2007）
⑥叶面积增长模型 ⑦发育和器官形成模型 ⑧衰老模型 ⑨田间管理措施模型
模拟结果的数据或图形
作物生长模型的结构框图
已发表的大田作物生长模型名录 (单作物专用模型)
作物小麦
模型名称 CERES-Wheat CERES-Wheat（氮素版） TAMW （未定名） SIMTAG WHEATSM CROPSIM-WHEAT AFRCWHEAT WCSODS WheatGrow
作者或发表者及发表年份 Ritchie（1985） Godwin等（1985） Maas和Arkin（1980） Aggarwal等（1989） Stapper（1984）冯利平（1997） Hunt等（1995） Porter等（1993）高亮之等（1998）曹卫星等（1996）
第三层次模型关系图（Penning de Vries等，1989）（引自潘学标，2003）
第一节作物生长模型研究及其应用
二、作物生长模型的类型与结构
（二）作物生长模型的结构
输入模块
模拟模块
输出与分析模块
气候数据土壤数据作物数据

模糊数学综合评价方法在储层预测中的应用——以鄂尔多斯盆地延长气田东部地区上古生界为例

隙式胶结为主；隙类型多样，孔主要为各种次生孔隙；颗粒以山１山２段最粗，、分选中等一好，中千５盒其、
８山２分选较好．隙度、、孔渗透率的平均值主要在４～６、．２０～０２０ｍ之间，０１ ×１． ×１～有单峰、双峰、态３种分布方式；正孔渗相关性较好，相关系数Ｒ一般大于０７各段毛管压力曲线都为陡斜式．．；
模糊数学综合评价方法在储层预测中的应用一
以鄂尔多斯盆地延长气田东部地区上古生界为例
张杰，崔宏俊
（长油气公司天然气勘探部，陕西延安延７６０）１００
摘要：用模糊数学综合评判法，定了有利生储层评判的主要因素，过对鄂尔多斯盆地运确通延长气田东部地区上古生界储层的综合研究，选出砂层厚度、层厚度、隙度、透率、优储孔渗孔
部，区域构造上大部分属于陕北斜坡，东部包括晋西挠褶带的西缘部分，面积约１６０ｍ。图１，． ×１ｋ（）其中该区上古生界山西组山１段和山２段、盒子组石盒７段及盒８段与石千峰组下部的千５是研究区段主要的含气层系．山西组为发育在浅海陆棚基础上的三角洲沉积，沉积相带呈南北向相带分异的特点．下石盒子组研究区北缘的冲积扇规模逐步扩大，主要发育辫状河三角洲前缘沉积．千峰组除了发育石三角洲沉积外，研究区西北部还发育滨浅湖沉在积［］由于早古生代海侵、退频繁，１．海晚古生代则湖进、湖退交替进行．积环境多变，同环境沉积体沉不系在纵向上相互叠置，形成了研究区多个不同类型的生储盖组合。因此，对研究区储气层段进行客观、

湖相凝缩层的发现及应用

湖相凝缩层的发现及应用
吴国海 *
中国石油长城钻探工程有限公司解释研究中心，北京朝 100101
摘要：为了寻找哈萨克斯坦 A 油田侏罗系中阿克沙布拉克地层中的潜力油藏，在油藏综合研究中，通过多井测井曲线对比，发现了一套几乎全区分布的、具有高自然伽马值、低电阻率等电性特征的泥岩层。应用层序地层学的观点，综合分析这套泥岩层，确定其为最大湖泛时沉积的凝缩层。根据凝缩层的横向分布特征，结合地质及地震资料，得到地层的沉积模式。分析凝缩层之上地层的沉积特征，得出在油田东部斜坡位置沉积厚度变化大，处于高水位时期并发育进积型三角洲，其前缘位置是最有利的岩性地层油气藏发育区，并在后续的钻井勘探过程中得到了很好的验证。给出了寻找湖相凝缩层的方法，提出了寻找岩性油气藏的新思路。关键词：湖相；凝缩层；层序地层；沉积模式；湖泛面
* 收稿日期：2016 11 17 网络出版时间：2017 04 27 通信作者：吴国海，E-mail：wuguohai@ 基金项目：国家科技重大专项（2008ZX05029 004）
西南石油大学学报（自然科学版）
2018 年 4 月第 40 卷第 2 期 Journal of Southwest Petroleum University（Science & Technology Edition）
Vol. 40 No. 2 Apr. 2018
DOI： 10.11885/j.issn.1674 5086.2016.11.17.02 文章编号：1674 5086（2018）02 0067 08 中图分类号：TE132 文献标志码：A
Discovery and Application of the Condensed Layer in Lacustrine Facies

洞庭湖平原化肥面源污染生态环境风险及脱钩效应

第30卷第4期2023年8月水土保持研究R e s e a r c ho f S o i l a n d W a t e rC o n s e r v a t i o nV o l .30,N o .4A u g.,2023收稿日期:2022-06-09 修回日期:2022-07-14资助项目:国家自然科学基金(41801190);湖南省哲学社会科学基金(18Y B Q 097);国家级大学生创新创业训练计划支持项目(202110542045);湖南师范大学大学生创新创业训练计划项目(2021152) 第一作者:文高辉(1990 ),男,江西萍乡人,博士,副教授,主要从事土地经济与管理研究㊂E -m a i l :w e n g a o h u i 360101@s i n a .c o m 通信作者:夏卫生(1966 ),男,湖南益阳人,博士,教授,主要从事土地资源管理与水土保持研究㊂E -m a i l :575661398@q q.c o m h t t p :ʊs t b c y j .p a p e r o n c e .o r gD O I :10.13869/j.c n k i .r s w c .2023.04.004.文高辉,王子诚,何庆,等.洞庭湖平原化肥面源污染生态环境风险及脱钩效应[J ].水土保持研究,2023,30(4):301-308.W E N G a o h u i ,WA N G Z i c h e n g ,H E Q i n g ,e ta l .E c o -e n v i r o n m e n t a lR i s k sa n d D e c o u p l i n g Ef f e c t so fF e r t i l i z e rN o n -P o i n tS o u r c eP o l l u t i o ni n D o ng t i n g La k eP l a i n [J ].R e s e a r c ho f S o i l a n d W a t e rC o n s e r v a t i o n ,2023,30(4):301-308.洞庭湖平原化肥面源污染生态环境风险及脱钩效应文高辉1,2,王子诚1,何庆3,丁学谦4,夏卫生1(1.湖南师范大学地理科学学院,长沙410081;2.地理空间大数据挖掘与应用湖南省重点实验室,长沙410081;3.湖南省测绘科技研究所,长沙410007;4.南京农业大学公共管理学院,南京210095)摘要:[目的]推动实现农业经济增长与化肥面源污染生态环境风险的脱钩,为有效治理耕地面源污染和耕地可持续利用提供理论支持㊂[方法]基于生态环境风险评价模型,从县域尺度评价洞庭湖平原各地区化肥面源污染生态环境风险程度,采用非参数核密度估计洞庭湖平原化肥面源污染生态环境风险区域差异,进而采用脱钩模型进一步分析了洞庭湖平原农业经济增长与耕地化肥面源污染生态环境风险的脱钩关系㊂[结果](1)2009 2019年洞庭湖平原化肥面源污染生态环境风险指数呈现先升后降的趋势,化肥面源污染生态环境风险指数先由2009年的0.749升至2014年的0.762,然后降至2019年的0.732,经历了由中度风险转为高度风险,后又降为中度风险的过程;中部地区污染更严重;(2)化肥面源污染生态环境风险区域差异明显,呈现两极分散化集聚特征,内部差距先扩大后缩小;(3)洞庭湖平原农业经济增长与化肥面源污染生态环境风险的脱钩关系呈现出明显的阶段性特征:第一阶段为波动期(2009 2013年),第二阶段为强脱钩期(2014 2019年)㊂[结论]在面源污染治理工作的推进下,洞庭湖平原化肥面源污染生态环境风险经历了先上升后下降的变化趋势,且呈现出明显的区域分异,基本实现与农业经济增长的稳定脱钩,整体呈现出绿色可持续发展趋势㊂关键词:耕地;面源污染;风险评价;脱钩关系;洞庭湖平原中图分类号:X 592;F 303.4 文献标识码:A 文章编号:1005-3409(2023)04-0301-08E c o -e n v i r o n m e n t a lR i s k s a n dD e c o u p l i n g Ef f e c t s o f F e r t i l i z e r N o n -P o i n t S o u r c eP o l l u t i o n i nD o ng t i n g La k eP l a i n W E N G a o h u i 1,2,WA N GZ i c h e n g 1,H E Q i n g 3,D I N G X u e q i a n 4,X I A W e i s h e n g1(1.S c h o o l o f G e o g r a p h i c a l S c i e n c e s ,H u n a nN o r m a lU n i v e r s i t y ,C h a n g s h a 410081,C h i n a ;2.H u n a nK e y L a b o r a t o r y o f G e o s pa t i a l B i g D a t a M i n i n g a n dA p p l i c a t i o n ,C h a n g s h a 410081,C h i n a ;3.H u n a nI n s t i t u t e o f G e o m a t i c sS c i e n c e s a n dT e c h n o l o g y ,C h a n g s h a 410007,C h i n a ;4.C o l l e g e o f P u b l i cA d m i n i s t r a t i o n ,N a n j i n g A g r i c u l t u r a lU n i v e r s i t y ,N a n j i n g 210095,C h i n a )A b s t r a c t :[O b j e c t i v e ]T h ed e c o u p l i n g o fa g r i c u l t u r a le c o n o m i c g r o w t hf r o m t h ee c o -e n v i r o n m e n t a lr i s ko f f e r t i l i z e rn o n -p o i n ts o u r c e p o l l u t i o n w a s p r o m o t e d ,s oa st o p r o v i d et h e o r e t i c a ls u p p o r tf o rt h ee f f e c t i v e c o n t r o l o ft h e n o n -po i n ts o u r c e p o l l u t i o n o fc u l t i v a t e dl a n da n dt h es u s t a i n a b l e u s eo fc u l t i v a t e dl a n d .[M e t h o d s ]B a s e do nt h ee c o -e n v i r o n m e n t a l r i s ka s s e s s m e n tm o d e l ,t h ee c o -e n v i r o n m e n t a l r i s ko f f e r t i l i z e rn o n -p o i n t s o u r c e p o l l u t i o n i n e a c h a r e a o f t h eD o n g t i n g L a k eP l a i nw a s e v a l u a t e d a t t h e c o u n t yl e v e l ,a n d t h e r e g i o n a l d i f f e r e n c eo f t h ee c o -e n v i r o n m e n t a l r i s ko f f e r t i l i z e rn o n -p o i n ts o u r c e p o l l u t i o ni n D o n g t i n g La k e P l a i nw a s e s t i m a t e db y n o n -p a r a m e t e rk e r n e ld e n s i t y ,a n dt h e nt h ed ec o u p l i n g m ode lw a su s e dt of u r t h e r a n a l y z e t h e d e c o u p l i ng r e l a t i o n shi p b e t w e e n a g r i c u l t u r a l e c o n o m i c g r o w t h i n t h eD o n g t i n g L a k eP l a i n a n d t h e e c o -e n v i r o n m e n t a l r i s ko f f e r t i l i z e r n o n -po i n t s o u r c e p o l l u t i o n o n c u l t i v a t e d l a n d .[R e s u l t s ](1)F r o m2009t o Copyright ©博看网. All Rights Reserved.2019,t h ee c o-e n v i r o n m e n t a l r i s ki n d e xo f f e r t i l i z e rn o n-p o i n ts o u r c e p o l l u t i o ni nt h eD o n g t i n g L a k eP l a i n s h o w e da t r e n do f r i s i n g f i r s t a n d t h e n f a l l i n g.T h e e c o-e n v i r o n m e n t a l r i s k i n d e x o f f e r t i l i z e r n o n-p o i n t s o u r c e p o l l u t i o n f i r s t r o s e f r o m0.749i n2009t o0.762i n2014,a n d t h e nd e c r e a s e d t o0.732i n2019,f i r s t f r o m m o d-e r a t e r i s k t oh i g h r i s k,a n d t h e n t om o d e r a t e r i s k.P o l l u t i o n i n t h e c e n t r a l r e g i o nw a sm o r e s e r i o u s.(2)T h e r e g i o n a l d i f f e r e n c e s i n t h e e c o l o g i c a l e n v i r o n m e n t r i s ko f f e r t i l i z e rn o n-p o i n t s o u r c e p o l l u t i o nw e r eo b v i o u s, s h o w i n g t h ec h a r a c t e r i s t i c so fd e c e n t r a l i z e da g g l o m e r a t i o no f t w o p o l e s,a n dt h e i n t e r n a l g a p w a s f i r s t e x-p a n d e d a n d t h e nn a r r o w e d.(3)T h ed e c o u p l i n g r e l a t i o n s h i p b e t w e e na g r i c u l t u r a l e c o n o m i c g r o w t ha n dt h e e c o-e n v i r o n m e n t a l r i s ko f f e r t i l i z e rn o n-p o i n ts o u r c e p o l l u t i o ni nt h eD o n g t i n g L a k eP l a i ns h o w e do b v i o u s s t a g e c h a r a c t e r i s t i c s:t h e f i r s t s t a g ew a s t h e f l u c t u a t i o n p e r i o d(2009 2013),a n d t h e s e c o n ds t a g ew a s t h e s t r o n g d e c o u p l i n gp e r i o d(2014 2019).[C o n c l u s i o n]W i t h t h e p r o m o t i o no f c u l t i v a t e d l a n d s o u r c e p o l l u t i o n c o n t r o l,t h e e c o-e n v i r o n m e n t a l r i s k s o f f e r t i l i z e r n o n-p o i n t s o u r c e p o l l u t i o n i nD o n g t i n g L a k eP l a i nh a d e x p e-r i e n c e d a t r e n do f f i r s t r i s i n g a n dt h e nf a l l i n g,s h o w i n g o b v i o u s r e g i o n a l d i f f e r e n c e s,a n dt h es t a b l ed e c o u-p l i n g f r o m a g r i c u l t u r a le c o n o m i c g r o w t hh a db e e nb a s i c a l l y a c h i e v e d,a n dt h eo v e r a l l t r e n do f g r e e na n d s u s t a i n a b l ed e v e l o p m e n t h a db e e n p r e s e n t e d.K e y w o r d s:c u l t i v a t e dl a n d;n o n-p o i n ts o u r c e p o l l u t i o n;r i s ka s s e s s m e n t;d e c o u p l i n g r e l a t i o n s h i p;D o n g t i n g L a k eP l a i n耕地是人类赖以生存和发展的基本资源和条件,对保障国家粮食安全㊁社会安全和生态安全具有重要意义㊂伴随着农业生产集约化和现代化进程加快,农户为追求生产利益最大化,化肥㊁农药等化学投入品被大量使用,导致耕地面源污染问题突出,使得耕地生态系统遭受破坏㊁功能缺失[1],严重影响人类生命健康㊂2020年‘第二次全国污染源普查公报“显示,农业污染源中的化学需氧量(C O D)㊁总氮(T N)和总磷(T P)的排放量分别占全部同类污染物的49.77%,46.52%,67.22%㊂可见,中国农业面源污染形势依然严峻,耕地生态安全面临艰巨大挑战㊂因此,治理农业面源污染,降低面源污染造成的生态环境风险显得尤为迫切㊂面源污染相对于点源污染,具有广泛性㊁分散性和潜伏性,监测技术要求高㊁治理难度较大[2-3],已经造成了严重的生态环境问题,引起国内外学者的重点关注㊂其中,化肥面源污染是中国耕地面源污染问题主要来源,主要表现为农业生产中化肥过度施用㊁化肥利用率较低[4-6]㊂当前,中国耕地化肥污染问题的深度和广度已远超发达国家,潜在压力和面临的环境风险巨大[7]㊂因此,科学评价化肥面源污染引发的耕地生态环境风险尤为重要㊂由于面源污染实地监测成本高㊁难度大,S WA T,A n n A G N P S等模型常被用于面源污染环境风险评价[8-9],但这些模型模拟过程较为复杂㊂在风险评价对象方面,现有文献关于农业氮磷污染的风险评价较多[10],而关于农业面源污染的第一位污染物的化肥施用[11]引起的生态环境风险评价研究较少;在耕地生态环境风险评价方面,国外更多关注耕地土壤重金属污染[12]以及不同土地利用类型的生态环境风险评价[13]㊂国内在耕地生态环境风险评价模型㊁方法和指标体系等有较坚实的基础,主要围绕生态安全㊁重金属污染㊁生态足迹㊁社会价值和耕地保护等方面展开[14-18]㊂但与国外相比,缺乏对耕地利用污染的风险源分析㊁受体评价㊁暴露评价㊁危害评价和风险表征等方面的详细研究[1];在脱钩分析方面,当前关于碳排放与农业经济增长的脱钩关系研究较多[19-21],关于面源污染与农业经济增长的脱钩关系的研究较少,基于生态环境风险视角探讨农业经济增长与生态环境风险的脱钩关系的文献更少㊂在过去很长一段时间内,造成化肥面源污染生态环境风险的实质上是地方一味地追求农业经济的快速增长,农业生产活动过度依赖化肥大量投入,未充分考虑化肥投入带来的负外部性,造成了严重的生态环境问题,危害了生态系统和人类健康㊂近年来,中国大力推行生态文明建设,农业经济增长已由过去的数量式增长转向追求高质量发展模式㊂在此背景下,农用化肥投入造成的面源污染生态环境风险到底呈怎样的变化规律?与农业经济发展呈何种关系?值得深入探讨㊂探究二者的关系有利于推进区域生态环境治理,持续巩固发展农业农村经济,以期实现坚决打好面源污染防治攻坚战与农业经济高质量发展的双赢局面㊂洞庭湖平原是我国重要的商品粮生产基地,但同时存在着严重的化肥面源污染问题㊂鉴于此,以洞庭湖平原作为研究区域,以耕地面源污染中的化肥污染这一暴露性和危害性比较强的污染源为出发点,基于203水土保持研究第30卷Copyright©博看网. All Rights Reserved.县级尺度,科学评价由化肥面源污染引发的耕地生态环境风险,进而构建脱钩模型分析农业经济增长与化肥面源污染生态环境风险指数的脱钩关系,以期为洞庭湖平原实现化肥减量增效,防治因化肥面源污染引发生态环境风险问题,推动洞庭湖平原绿色农业高质量发展提供科学参考㊂1研究区概况与数据来源1.1研究区概况洞庭湖平原位于湖南省东北部,北与湖北省江汉平原相接,为泥沙堆积而成㊂洞庭湖平原土壤肥沃,质地疏松,光热资源充足,水资源丰富,是我国重要的粮食生产基地,其中湖南省部分的面积占总面积的81%㊂本文以洞庭湖平原湖南省部分的21个县(市㊁区)为研究区域,该区域地理坐标为东经111ʎ14' 113ʎ15',北纬28ʎ15' 30ʎ45',国土面积为3.14ˑ104k m2,达到湖南省的15%㊂2019年洞庭湖平原有效灌溉面积9.31ˑ105h m2,粮食播种面积为1.2ˑ106h m2,粮食总产量为7.77ˑ106t,农业产值为801.9949亿元,分别达到湖南省的29.31%,26.06%,26.13%,26.28%;相较于2009年,2019年洞庭湖平原粮食单产和农业产值分别增加600k g/h m2,442.844亿元,增长的背后离不开科技进步,化肥等增产性要素大量使用也是主要原因之一㊂2019年洞庭湖平原化肥施用总量为2217901t,达湖南省的30.78%,其中氮肥施用量为971492t,磷肥施用量为510732t,钾肥施用量为218559t,复合肥施用量为517118t,分别达到湖南省的31.15%,32.29%,29.54%,29.29%㊂但化肥等化学投入品的使用造成了严重的农业面源污染问题㊂国家高度重视农业面源污染治理,2015年发布了‘到2020年化肥使用量零增长行动方案“等重要文件㊂洞庭湖流域是重点水源保护区和环境敏感流域,已被纳入国家农业面源污染重点流域之一,并在一些县(市㊁区)开展了面源污染综合治理试点㊂洞庭湖平原农业面源污染治理现已取得了一定的成绩,但面源污染形势依然严峻㊂2019年的‘湖南省环境质量状况“显示,洞庭湖总磷和化学需氧量仍有超标情况,仍有突出的生态环境问题㊂因此,科学评价洞庭湖平原化肥面源污染所引发的耕地生态风险状况,并探究其与农业经济增长的脱钩关系具有重要的现实意义㊂1.2数据来源洞庭湖平原21个县(市㊁区)的氮磷钾及复合肥施用量㊁农业产值以及耕地面积等原始数据来源于2009 2020年‘湖南农村统计年鉴“‘湖南省统计年鉴“‘长沙统计年鉴“‘岳阳统计年鉴“‘常德统计年鉴“和‘益阳统计年鉴“㊂2研究设计2.1化肥面源污染生态环境风险评价模型2.1.1基本概念及假设瑞典科学家H a k a n s o n[22]于1980年提出了潜在生态危害指数法模型,用于重金属污染生态风险评价㊂刘钦普[23]在此基础上进行改进,提出了化肥面源污染环境风险评价模型,该模型考虑了化肥施用率㊁化肥利用率㊁生态安全标准㊁环境影响权重和作物复种指数等因素,且将环境风险指数计算结果限制在0~1,较H a k a n s o n的模型而言,设置了综合指数上限值,便于风险程度的认识和比较㊂本文对化肥面源污染生态环境风险评价时基于以下3个方面的基本假设[24]:(1)化肥施用造成的生态环境污染风险是非突发性质的,具有不确定性,可以用[0,1]区间表示生态环境风险大小,风险越大越趋近于1,反之趋近于0;(2)化肥施用是正常的农业生产活动,而化肥施用是否产生生态环境风险与化肥施用生态环境安全阈值有关㊂化肥施用生态环境安全阈值是指为获得某种当季作物产量而不危害生态环境所施用的化肥最大量㊂化肥施用量大于生态环境安全阈值,则说明存在化肥污染的生态环境风险;(3)化肥施用生态环境风险还与化肥利用率㊁复种指数㊁土壤条件和作物类型有关㊂由于土壤条件和作物类型差异较大,基于化肥施用总量控制和评价的目的,可以忽略不计㊂而化肥利用率低使得氮㊁磷等营养物质进入环境,是引起化肥污染生态环境风险的主要原因;如果复种指数越大,则表示作物利用的化肥越多,污染环境的风险也越小[24]㊂因此,假设在一定施肥条件下,环境风险指数与化肥利用率呈现负相关指数关系,与作物复种指数呈现负相关线性关系㊂2.1.2模型构建根据以上假设,构建如下化肥施用生态环境风险指数经验模型:R t=ð3i=1W i R i(1)R i=(F iF i+m T i)2μi(2)F i=M i A(3)式中:R t为化肥污染生态环境风险总指数;W i为单质肥料(氮肥㊁磷肥或钾肥)污染环境效应权重,ðW i=1,考303第4期文高辉等:洞庭湖平原化肥面源污染生态环境风险及脱钩效应Copyright©博看网. All Rights Reserved.虑到氮㊁磷㊁钾3种元素对生态环境的影响不同,根据已有研究成果,将氮㊁磷㊁钾3种肥料的权重分别设定为0.648,0.230,0.122[25];R i 为单质肥料污染生态环境风险指数;F i 为单质肥料施用强度;T i 为单质肥料生态环境安全阈值,原环境保护部在2014年印发的‘国家生态文明建设示范村镇指标(试行)“中规定农用化肥施用强度每公顷播种面积小于220k g ,这里将这一标准作为总的化肥施用环境安全阈值;参考发达国家氮磷钾1ʒ0.5ʒ0.5的施肥经验[23]以及我国水稻等作物氮磷钾施肥比例为1ʒ0.5ʒ0.5的养分需求[26],确定氮肥生态环境安全阈值为110k g /h m 2,磷肥和钾肥生态环境安全阈值均为55k g/h m 2;m 为复种指数,即作物播种面积与耕地面积之比;μi 为化肥利用率;M i 为当年化肥施用量,按折纯量来计算;A 为耕地面积㊂为便于比较在不同化肥利用率和复种指数条件下,不同化肥对生态环境风险指数的影响,将参比基准复种指数设定为1,化肥利用率设定为50%㊂化肥氮磷钾的投入除了单质氮磷钾肥,还有复合肥中的氮磷钾,复合肥中氮㊁磷㊁钾的比例根据经验以1ʒ1ʒ1进行计算[27]㊂根据上式,可确定不同化肥施用强度时的生态环境风险指数分级标准㊂当F i 与T i 相等时,即R i =0.50时,可认为是化肥施用的安全临界值㊂根据生态环境风险指数值,将化肥污染生态环境风险程度划分为6个等级[24](表1)㊂2.2 脱钩模型2002年,经济发展与合作组织(O E C D )在研究经济增长与环境污染关系中首先提出脱钩理论,其实质是度量经济增长是否以资源消耗和环境破坏为代价[28]㊂在社会发展与经济正向增长的同时,资源利用与环境污染程度增速为负或小于经济增速,则认定经济增长与环境消耗实现脱钩㊂伴随我国农业集约化与现代化的发展,为实现粮食稳步增产的目标,化肥施用量一直处于持续增长的状态,对生态环境的污染越来越大,环境风险日渐增加,农业面源污染问题日趋严重㊂基于此,将脱钩理论引入到农业经济增长与环境风险评价关系的研究中,借此评判地区农业发展健康状况㊂表1 化肥污染生态环境风险指数分级类型施肥量ɤ或>安全阈值的倍数生态环境风险指数(R )风险等级预警级别ɤ1[0,0.50]安全ɤ2(0.50,0.65]低度风险Ⅰɤ3(0.65,0.75]中度风险Ⅱɤ4(0.75,0.80]高度风险Ⅲɤ6(0.80,0.85]严重风险Ⅳ>6(0.85,1]极严重风险Ⅴ 具体采用T a p i o 脱钩模型来评价农业经济增长与化肥面源污染生态环境风险的关系,用指标的变化量表征,即一定时段内化肥面源污染生态环境风险指数与农业产值的变化量之比率,计算公式为:D I =ΔEΔY =(E i E i -1-1)/(Y i Y i -1-1)(4)式中:D I 为农业经济增长与化肥面源污染生态环境风险的脱钩指数;E i -1,E i 分别为基期㊁末期的化肥面源污染生态环境风险指数;Y i -1,Y i 分别为基期㊁末期的农业产值;i 为年份㊂T a pi o 脱钩模型是以0,0.8,1.2为临界值将脱钩弹性指数分成了8类,但鉴于弹性值(如0.8,1.2)的设定较为主观且容易产生混淆[29]㊂本文参考张田野等[29]的脱钩状态划分观点,依据农业产值与化肥面源污染生态环境风险指数的关系,划分出6种脱钩类型(表2)㊂表2 脱钩状态分类状态E i Y i D I 意义强脱钩 -+D I ɤ0最理想状态:农业产值增长,而化肥面源污染生态环境风险指数下降弱脱钩 ++0<D I <1较理想状态:农业产值与化肥面源污染生态环境风险指数都在增加,且农业产值增长幅度大于化肥面源污染生态环境风险指数增加幅度扩张性负脱钩++D I ȡ1一般状态:农业产值与化肥面源污染生态环境风险指数都在增加,但化肥面源污染生态环境风险指数增加幅度大于农业产值增长幅度衰退性脱钩 --D I ȡ1较消极状态:农业产值与化肥面源污染生态环境风险指数都在下降,但化肥面源污染生态环境风险指数下降幅度大于农业产值下降幅度弱负脱钩 --0<D I <1消极状态:农业产值与化肥面源污染生态环境风险指数都在下降,但农业产值下降幅度大于化肥面源污染生态环境风险指数下降幅度强负脱钩+-D I ɤ0最消极状态:农业产值下降,而化肥面源污染生态环境风险指数却增加,环境恶化2.3 非参数核密度估计核密度估计(k e r n e ld e n s i t y es t i m a t i o n )是一种常见的非参数估计方法,其不需要事先对数据做出任何假定,仅是采用连续的密度曲线对样本本身的数据403 水土保持研究第30卷Copyright ©博看网. All Rights Reserved.分布特征与分布规律进行描述,是目前分析地理事物区域差异变化较具代表性的统计手段[30]㊂因此,采用核密度估计方法分析洞庭湖平原化肥面源污染生态环境风险在县级尺度上的区域差异性的变化趋势,其估计表达式为[31]:f(x)=1N hðN i=1K(x i-x h)(i=1,2, ,21)(5)式中:f(x)为化肥面源污染生态环境风险密度函数;x i 为洞庭湖平原21个区(县㊁市)化肥面源污染生态环境风险指数计算值;x为洞庭湖平原化肥面源污染生态环境风险指数均值;N为研究区域个数(个);h为窗宽;K为核函数,因为高斯核函数最为普遍广泛,具有优良的可导性,且计算过程简便,故采用高斯核密度函数对洞庭湖平原各县(市㊁区)化肥面源污染生态环境风险进行核密度估计,估计过程基于R S t u d i o软件㊂3结果与分析3.1化肥面源污染生态环境风险时空分析2006年农业税的废除提高了农民生产积极性,我国农业发展得到了进一步提升㊂2012年,党的十八大作出大力推进生态文明建设的战略决策㊂2015年,我国启动化肥农药使用量零增长行动,出台了‘到2020年化肥使用量零增长行动方案“等重要文件,标志着中国农业面源污染防治正式提上日程㊂2017年,农业部办公厅印发了‘重点流域农业面源污染综合治理示范工程建设规划(2016 2020年)“; 2018年,出台了‘中共中央国务院关于全面加强生态环境保护坚决打好污染防治攻坚战的意见“‘关于加快推进长江经济带农业面源污染治理的指导意见“等重要文件㊂考虑到各时期政策出台后过渡见效期,选取2009年㊁2014年㊁2019年为研究时点来分析洞庭湖平原近3个五年计划中后期的化肥面源生态环境风险时空特征㊂3.1.1化肥面源污染生态环境风险时间规律就洞庭湖平原整体而言,2009 2019年洞庭湖平原化肥面源污染生态环境风险指数呈现先缓慢上升再显著下降的特征㊂2009年洞庭湖平原化肥污染生态环境风险总指数为0.749,处于中度风险(Ⅱ级预警),2014年升至0.762,处于高度风险(Ⅲ级预警),主要原因是在这时期,基于增产增收的发展目标,化肥施用量高,同时地方政府在这时期对生态环境保护和污染治理的意识不强,缺乏合理有效的化肥管制政策手段,使得化肥施用量短期内迅速增加而形成峰值㊂而到2019年化肥污染生态环境风险指数逐步降到0.732,降回中度风险(Ⅱ级预警),这主要得益于国家面源污染治理政策文件的相继出台,推动了洞庭湖平原生态治理措施的完善,加强了面源污染防治的监督与管控,如洞庭湖平原全面推广测土配方技术,推广水肥一体化技术,实施化肥使用量零增长行动,强化耕地污染治理技术的投入,开展农业面源污染综合治理试点,进而降低了洞庭湖平原的化肥面源污染生态环境风险程度㊂3.1.2化肥面源污染生态环境风险评价空间特征图1展示了洞庭湖平原2009年㊁2014年和2019年的化肥面源污染生态环境风险空间分布特征㊂由图1可知,洞庭湖平原化肥面源污染生态环境风险在县级尺度上存在较明显的区域差异,洞庭湖平原中部地区的化肥面源污染生态环境风险程度高于东部和西部地区㊂总体来看,区域差异正在不断缩小㊂桃源县化肥面源污染生态环境风险等级在各时期均为低度风险(Ⅰ级预警),主要原因可能是桃源县为洞庭湖平原首批纳入全国农业面源污染综合治理试点的地区,很重视农业面源污染综合治理,相比其他地区,对于化肥污染的治理和控制已具有比较成熟的经验;南县化肥面源污染生态环境风险等级不容乐观,常年处于高度风险(Ⅲ级预警)和严重风险(Ⅳ级预警)状态,主要是因为南县化肥施用强度高,面源污染防治滞后,导致生态环境风险高㊂分年度来看,2009年,资阳区㊁武陵区和南县3个地区化肥面源污染生态环境风险最为严重,这是因为农业税取消后农民农业生产积极性大幅提高,农户投入大量的化肥以增加农业产量和提高收入,导致氮㊁磷等元素大量积累,造成严重的农业面源污染㊂到2014年,安乡县化肥污染生态环境风险则上升至严重风险(Ⅳ级预警),但风险指数上升幅度不大,主要是前期化肥施用量逐年增加,使得累计的化肥污染相比周围地区更为严重㊂而2014 2019年,洞庭湖平原所有县(市㊁区)的化肥面源污染生态环境风险等级保持不变或有所下降㊂严重风险区减至0个,其中资阳区从严重风险(Ⅳ级预警)降低至中度风险(Ⅱ级预警),主要得益于资阳区政府对于面源污染防治政策的高度落实,加大科技兴农㊁农技推广工作的投入力度,其他污染防治重视程度较高区域如澧县㊁沅江市㊁华容县,也降低至中度风险(Ⅱ级预警)㊂说明当地政府在重新认识人地矛盾及耕地生态安全现状后采取的一系列耕地生态安全改善措施开始显现成效[32],进而导致洞庭湖平原化肥面源污染生态环境风险整体下降,有向好的趋势㊂2009503第4期文高辉等:洞庭湖平原化肥面源污染生态环境风险及脱钩效应Copyright©博看网. All Rights Reserved.2019年,洞庭湖平原各县(市㊁区)化肥面源污染生态环境风险指数变化率控制在5%以内,主要是洞庭湖平原化肥施用强度常年较高,湖南省专项治理农业面源污染相对较晚,主要集中于2017 2018年才发布关于面源污染治理和生态环境整治等方面的文件,洞庭湖平原农业面源污染治理效果尚未完全显现㊂注:基于标准地图服务系统下载的审图号G S(2022)1873号的标准地图制作,底图未做修改㊂图1洞庭湖平原2009—2019年化肥面源污染生态环境风险等级空间分布特征为深入探究洞庭湖平原化肥面源污染生态环境风险在县级尺度上的区域差异性的变化趋势,采用核密度估计法,对洞庭湖平原2009年㊁2014年㊁2019年化肥面源污染生态环境风险进行核密度估计(图2)㊂从分布动态演进趋势上看,2009 2014年洞庭湖平原化肥面源污染生态环境风险核密度曲线在横轴方向上基本保持稳定,呈现相对不显著的向左移动趋势,2014 2019年核密度曲线中心及其变化区间都表现出明显左移之势,意味着洞庭湖平原化肥面源污染生态环境风险整体水平在2009 2019年呈现降低的趋势,且后期风险降低趋势更加迅速㊂从分布形状上看,主峰与侧峰高度在2009 2019年呈现出先下降再上升的变化特征,主峰与侧峰宽度经历了变大变小的变化态势,表明洞庭湖平原化肥面源污染生态环境风险极化现象有所增强,内部差距经历了先扩大后缩小的演变历程㊂从波峰演变进程来看,核密度曲线在2009 2014年均为一主一小的双峰格局,左侧峰峰值下降,曲线渐趋平缓, 双峰分布特征逐渐不明显,说明耕地化肥面源污染生态环境风险呈现出两级分散化的区域集聚特征,但两级分化态势渐趋弱化,2014 2019年逐渐演变为三峰格局,呈现出轻微多极化态势,分散化现象进一步显著㊂从分布延展性来看,区域分布延展性大致经历了轻微拓宽明显左收敛变化过程,总体趋于小幅收敛趋势,这说明洞庭湖平原内部化肥面源污染生态环境风险低的县(市㊁区)与高的县(市㊁区)之间的差距有一定程度的缩小,但缩小幅度并不十分显著㊂该现象背后的主要原因可能是洞庭湖平原化肥施用强度常年保持在较高水平,初期面源污染治理欠缺治理经验,前期污染治理效果并不显著㊂地区农业经济发展规模与污染防治力度的区域差异,造成了洞庭湖平原各地区化肥施用量与化肥施用过程中风险管控的不均衡㊂经济较差的单元往往面临着更为强烈的破坏生态环境的压力[33],且对于风险管控的技术能力较弱,从而导致各地区化肥面源污染生态环境风险的差异比较明显,但后期洞庭湖平原开展农业面源污染综合治理试点,以面源污染治理示范区带动周边地区开展面源污染防治工作,使得洞庭湖化肥面源污染生态环境风险内部差距逐步缩小,且呈现出轻微多极化分散局面㊂图2洞庭湖平原2009-2019年化肥面源污染生态环境风险核密度估计3.2洞庭湖平原农业经济增长与化肥面源污染生态环境风险的脱钩关系表3展示了洞庭湖平原农业经济增长与化肥面源污染生态环境风险的脱钩关系㊂考虑到以实价计算的农业产值不能进行纵向比对,故采用农业产值可比价,以研究基期(2008年)作为价格基准,对后10a 的数据采用农业产值可比价进行分析㊂由表3可知,自2008年来,洞庭湖平原农业产值由33560.75万元增长到2019年的76745.92万元,农业产值年均增速达7.94%,除2017年外,农业产值总体上呈逐年连续增长趋势;而化肥面源污染生态环境风险与其存在明显关联,多次数同期增长㊂农业产值与化肥面源污染生态环境风险的脱钩系数为-0.433~0.069,呈现强脱钩㊁弱脱钩㊁强负脱钩3种状态㊂纵向比较分析发现,农业产值与化肥污染生态环境风险评价指数之603水土保持研究第30卷Copyright©博看网. All Rights Reserved.。

基于SAMP-Net的MIMO信号检测算法

南京岬电丸学学报(自然科学版)Journal of Nanjing University of Posts and Telecommunications ( Natural Science Edition )第40卷第6期2020年12月Vol. 40 No. 6Dec. 2020doi ：10. 14132/j. cnki. 1673-5439.2020.06.006基于SAMP-Net 的MIMO 信号检测算法胡钟秀，王鸿，宋荣方（南京邮电大学通信与信息工程学院，江苏南京210003）摘要：文中提出了一种用于多输入多输出（MIM0）检测的模型驱动型深度学习网络。

首先，对MI-M 0系统信号检测问题进行了建模，并且介绍了几种传统检测算法；然后，将简化近似消息传递（SAMP ）迭代检测算法与深度学习结合，通过展开原算法得到网络结构，提出了新型模型驱动的深度学习网络SAMP-Net,通过学习得到最优可训练的参数，提高检测性能；最后，将其与最小均方误差（MMSE ）算法、Richardson 算法.SAMP 算法进行检测性能比较。

仿真结果表明,SAMP-Net 算法可以在瑞利M1M0信道中以较低计算复杂度逼近MMSE 算法的检测性能。

关键词：深度学习；迭代算法；模型驱动；MIM0检测中图分类号:TN929.5 文献标志码：A 文章编号：1673 -5439 （2020） 06 -0036-06Signal detection based on SAMP-Net method for MIMO systemsHU Zhongxiu , WANG Hong,SONG Rongfang(College of Teleconnnunications & Information Engineering, Nanjing University of Posts and Telecommunications , Nanjing 210003 ,China)Abstract : A model-driven deep learning network for multiple-input multiple-output ( MIMO ) detection is proposed. Firstly ,the signal detection problem of MIMO system is modeled and several traditional iterative detection algorithms are introduced. Secondly , a new model-driven deep learning network , called the SAMP-Net , is proposed by combining the simplified approximate messaging ( SAMP ) iterative detection algorithm with deep learning. Finally , the detection performance of SAMP-Net algorithm is compared with that of the minimum mean square error ( MMSE ) algorithm , Richardson algorithm and SAMP algorithm. Simulation results show that the SAMP-Net algorithm can approach the detection performance of the MMSE algorithm with low computational complexity in Rayleigh MIMO channels.Keywords :deep learning ；iterative algorithm ；model-driven ；MIMO detection 多输入多输出（MIMO ）技术可以使频谱效率和链路可靠性⑴得到明显的提升，在近几十年里，已被运用到许多现代无线通信系统中，如4G 蜂窝系统LTE-A ⑵和IEEE 802. 1 In 无线LAN 系统⑶。

基于正态云模型的湖北省土地资源生态安全评价_张杨

（1. 中国人民大学公共管理学院，北京 100872；2. 武汉大学资源与环境学院，武汉 430079； 3. 中国地质大学信息工程学院，武汉 430074）摘要：针对综合指数法与模糊综合法无法同时兼顾评价指标模糊性与随机性的问题，该研究将正态云模型引入区域土地资源生态安全评价。基于正态云模型，以湖北省为例，对区域土地资源生态安全状况进行了定量测度。研究结果表明：2000－2010 年间，湖北省土地资源生态安全状态从敏感级上升到良好级，土地资源生态安全综合值从 2.9397 上升为 3.6033，区域土地资源生态安全整体水平有变好的趋势，但目前仍有部分指标处于恶劣、危险或敏感级，其单因子指标值<2.5，有待于进一步提高与改善；正态云模型使土地资源生态安全的定量评价兼顾随机性和模糊性，该研究可以为区域土地资源可持续发展提供一定借鉴与参考。关键词：土地利用，云，模型，正态，生态安全，湖北省 doi：10.3969/j.issn.1002-6819.2013.22.030 中图分类号：X826; F301.24 文献标志码：A 文章编号：1002-6819(2013)-22-0252-07 张杨，严金明，江平，等. 基于正态云模型的湖北省土地资源生态安全评价[J]. 农业工程学报， 2013， 29(22)： 252－258. Zhang Yang, Yan Jinming, Jiang Ping, et al. Normal cloud model based evaluation of land resources ecological security in Hubei province[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(22): 252－258. (in Chinese with English abstract)

多孔介质球向渗流的渗透率分形模型

３)
４(
２－Df )
λmax
根据孔隙率的定义,一个代表性单元面积为:
(
)
πD λ２max
λmin
A０＝ Ap/Φ ＝ ( f ) １－
４２－Df Φ
λmax
[
(
]
)
２－Df
]．
(
４)
由哈根－泊松方程可以得到牛顿流体通过水
力直径为 Dh 、横截面为任意形状单根毛细管的体
领域有重大的研究意义．目前有诸多文献利用分形
理论的方法研究了流体在多孔介质中的流动特性,
取得了一定的研究进展
．员美娟
[
１
Ｇ
６]
[
７]
基于毛细管
模型,研究了牛顿流体在分形多孔介质中的平面径
向流和平面平行流,分别得出了平面径向流和平面
存在着圆形毛细管、矩形毛细管、三角形毛细管甚
域,越来越多地引起了广大科研工作者的关注．渗
状．在自然界中大部分多孔介质孔隙形状多样化,
数之一,该参数对于油田、地下水资源等工程应用
至非规则形状的毛细管．本文主要工作是基于分形
透率是表征流体在多孔介质中输运特性的重要参
ITY(
Na
t．Sc
i．)
DOI:
１０．
１９６０３/
cnk
i．
１０００
Ｇ
１１９０．
２０２０．
０１．
００８
j．
文章编号:１０００
Ｇ
１１９０(

SWAT模型

SWAT模型非点源应用的研究一．SWA T模型简介SWAT（Soil and Water Assessment Tool）是由美国农业部（USDA）的农业研究中心Jeff Amonld 博士1994年开发的。

模型开发的最初目的是为了预测在大流域复杂多变的土壤类型、土地利用方式和管理措施条件下，土地管理对水分、泥沙和化学物质的长期影响。

SWA T模型采用日为时间连续计算。

是一种基于GIS基础之上的分布式流域水文模型，近年来得到了快速的发展和应用，主要是利用遥感和地理信息系统提供的空间信息模拟多种不同的水文物理化学过程，如水量、水质、以及杀虫剂的输移与转化过程。

二.SWAT模型的产生SWA T模型的最直接前身是SWRRB模型。

而SWRRB模型则起始于20世纪70年代美国农业部农业研究中心开发的CREAMS(Chemicals, Runoff, and Erosion from Agricultural Management Systems)模型。

此时的SWRRB模型还是一个仅能够模拟土地利用对田间水分、泥沙、农业化学物质流失影响、具有物理机制的田间尺度非点源污染模型。

为了解决水质评价问题，SWRRB模型于20世纪80年代后期引进了重点描述地下水中化学物质、农药对农业生态系统影响的GLEAMS(Groundwater Loading Effects on Agricultural Management Systems)模型的杀虫剂部分。

同时，为了研究土壤侵蚀对作物生产力的影响，引进作物生长模型EPIC(Erosion- Productivity Impact Calculator)。

至此，SWRRB模型已可模拟评价复杂农业管理措施下的小流域尺度非点源污染，但于较大尺度流域的模拟尚不可靠，最大仅能用于500km2的流域范围内。

20世纪80年代晚期，美国印第安事务局（the Bureau of Indian Affairs）急需一个适于数千平方公里的模型来评价亚里桑那州和新墨西哥州的印第安保留土地区的水资源管理措施对下游流域的影响。

基于 APSIM 的旱地小麦叶面积指数模拟模型构建

基于 APSIM 的旱地小麦叶面积指数模拟模型构建聂志刚;李广【摘要】In order to understand the growth law of leaves of wheat in dryland ,the APSIM-based model of leaf area potential growth and the leaf area growth model regarding to water and nitrogen stress were built .The parameters of AP-SIM were modified and verified according to the data collected from the field experiment ,and the dynamic process of leaf area index (LAI) during the growth period of wheat was simulated by connecting the models to APSIM-Wheat .Further-more ,the change law of LAI of wheat was explored by using correlation analysis method .The results showed that the AP-SIM-based model of leaf area potential growth and the leaf area growth model regarding to water and nitrogen stress could be used to simulate the dynamic process of LAI of wheat with a high accuracy .During the whole growth period of wheat , the simulated and observed LAI values were positively correlated (R=0 .996) ,with the normalized root mean square er-ror (NRMSE) within 3 .08% ~9 .38% and the effectiveness index (ME ) within 0 .594~0 .956 .% 为了解旱地小麦叶片生长规律，建立基于APSIM的小麦叶面积潜在生长率模型和叶面积水、氮协同生长率模型，并在田间试验修订参数的基础上，连接到APSIM平台，模拟小麦叶面积指数动态变化过程，采用相关性分析方法定量分析小麦叶面积指数的变化规律。

基于SWAT模型的平原河网区水文过程分布式模拟

基于SWAT模型的平原河网区水文过程分布式模拟李硕;赖正清;王桥;王志华;李呈罡;宋鑫博【期刊名称】《农业工程学报》【年(卷),期】2013(000)006【摘要】目前普遍使用的基于SWAT(soil and water assessment tool)模型的分布式建模方法仅适用于山地、丘陵等高差较大的地区,对于具有复杂水文结构特点的平原河网区尚无有效的解决方案.该文选择太湖流域湖西区作为研究区,基于SWAT模型探索出一套完整的针对平原河网区的分布式建模方案.该方案采用概化、打断的方式将交叉、环状河网处理成单一的枝状河网,采用按河道分流比例跨子流域调水的方式来还原原始河道的传输过程,采用添加“虚拟水库”的方式来模拟人工圩区内外的水量交换.通过对太湖湖西区2008-2010年的月均径流量进行模拟验证,根据模拟值和观测值计算的荣登桥、胡家圩及宜兴3个水文站的相关系数r和纳什(Nash-Sutcliffe)系数Ens分别为0.94、0.95、0.93和0.84、0.80、0.67,说明了这种建模方法在平原河网区具有较好的适用性.%Distributed hydrological modeling plays an important role in water resource management and regional non-point source pollution assessment. The Soil and Water Assessment Tool (SWAT) is a popular modeling tool for understanding regional hydrological processes. However, the general approach based on the SWAT model was only applicable to the mountain and hilly dominated area. There is no effective way to modeling the hydrologic process in plain river network regions, which is characterized by large flat areas, consistedof many lakes and artificially hydrological polders, and intersected streamnetworks, etc. The existing methods cannot effectively extract the channels in flat and pit areas, parallel channels or discontinuous rivers and the definition error of the catchment areas. To overcome these problems, we developed a novel method for modeling the distributed spatial discretization of the plain river network area based on the SWAT model. There are three key techniques are discussed:making the rings and crossed rivers to dendritic stream networks by cutting the river ways shortly, restoring the distribution of water between reaches by transferring water from one reach to another one on the basis of flow rate of each reach and simulating the exchange of water inside and outside of the polders according to the scheduled rules of the polder areas by adding a‘virtual reservoirs’within the SWAT model. In this paper, the typica l plain river network region located in western Taihu watershed was chosen as the study area, and a large number of basic geographic data such as topography, soil, climate and land use were collected and parameterized. The modeling procedures were used to simulate the monthly runoff of the area of western Taihu Lake from the year of 2008 to 2010, and the applicability of the method to the plain river network region was also verified. The simulated results matched mostly well to the observed data of Rongdengqiao, Hujiawei, and Yixing hydrological stations. The calculated Nash–Sutcliffe efficiency coefficient and correlation coefficient of three hydrological stations were 0.84, 0.80, 0.67 and 0.94, 0.95, 0.93, respectively. It indicated that our developed framework for the SWAT model waspractical and capable of representing the hydrological processes in the plain river network regions.【总页数】7页(P106-112)【作者】李硕;赖正清;王桥;王志华;李呈罡;宋鑫博【作者单位】南京师范大学地理科学学院教育部虚拟地理环境重点实验室，南京210046;南京师范大学地理科学学院教育部虚拟地理环境重点实验室，南京210046;环境保护部卫星遥感应用中心，北京 10029;南京师范大学地理科学学院教育部虚拟地理环境重点实验室，南京 210046;南京师范大学地理科学学院教育部虚拟地理环境重点实验室，南京 210046;南京师范大学地理科学学院教育部虚拟地理环境重点实验室，南京 210046【正文语种】中文【中图分类】P967A【相关文献】1.SWAT模型下河网水文过程分布式模拟研究 [J], 刘倩2.基于DEM的汉中流域水文过程分布式模拟 [J], 林凯荣;郭生练;陈华;胡安焱;张俊3.改进的SWAT模型对介休市水文过程的模拟研究 [J], 冀瑞锋; 王瑞芬4.基于CMADS和SWAT模型的玛纳斯河流域水文过程模拟 [J], 谷新晨;肖森元;杨广;何新林;赵琪;张亮;李冬波5.SWAT模型在平原河网区的子流域划分方法研究 [J], 孙世明;付丛生;张明华因版权原因，仅展示原文概要，查看原文内容请购买。

利用中巴地球资源卫星数据反演武汉湖泊营养状态指数

监测站提供。武汉市现有水质监测网的常规水质监测时间多为每月上、中、下旬各 1 次 , 监测的具体日期也不是完全统一 , 部分只是双月监测。所以在数据选择上受到一定限制 , 不容易做到地面监测数据与卫星完全同步。经综合考虑 , 这里采用 2007 年 7 月上旬 ( 主要为 7 月 3 日 ,部分为 7 月 10 日) 的地面监测数据。这是因为这个时间与下面的中巴资源卫星的过境时间最接近 ,同时能保证足够的样本点。 1. 2 遥感数据源本实例利用中巴地球资源卫星 ( CB ERS22) 获取的影像数据。该卫星是我国和巴西共同研制的 , 主要用于资源与环境遥感。CB ERS22 分辨率为 191 5
式中 : R j 表示第 j 种参数与基准参数 Chla 的相关系数 ; m 表示评价参数的个数。湖泊 ( 水库) 营养状态分级 : 采用 0～100 的一系列连续数字对湖泊 ( 水库 ) 营养状态进行分级 : TL I
(∑ ) < 30 , 贫营养 ; 30 ≤TL I ( ∑ ) ≤ 50 , 中营养 ; TL I (∑ ) > 50 , 富营养 ; 50 < TL I ( ∑ ) ≤60 , 轻度富营 ) ≤ ) > 70 , 养 ; 60 < TL I ( ∑ 70 , 中度富营养 ; TL I ( ∑ 重度富营养。
何报寅1 , 梁胜文2 , 丁超1 , 杨小琴1 , 胡柯2
(1. 中国科学院测量与地球物理研究所 , 湖北武汉 430077 ; 2. 武汉环境监测中心站 , 湖北武汉 430051)
摘要 : 以武汉市主要湖泊为例 ,研究了利用中巴地球资源卫星 ( CB ERS22 ) 数据反演水体营养状态指数 ( TL I ) 。研究旨在评估利用中巴地球资源卫星数据来估算内陆水体富营养化程度的可能性。首先利用地面水质监测数据计算武汉市某些湖泊监测点的 “真实的” 营养状态指数 ( 包括综合营养状态指数和修正的 Carlso n 营养状态指数 ) , 同时 ,在事先经过辐射校正和几何校正的 CB ERS22 图像上 ,以 9 × 9 像元为采样窗口 ,提取各个对应地点的灰度值均值 ( 从波段 1 至波段 4) ; 然后 ,采用多元逐步回归分析 ,以各波段灰度值均值为自变量 ,建立营养状态指数经验遥感反演模型 ; 最后 ,利用模型对整个湖泊水体的营养化状态指数进行反演 ,并绘制了其空间分布图。结果显示 ,营养状态指数的自然对数值与 CB ERS22 图像各波段灰度值之间存在较好相关关系 ,回归系数平方值 ( R2 ) 为 01 51 。利用反演模型反演得到的湖区水质分布与实际情况基本相符。由于 CB ERS22 图像数据可以从我国许多数据分发中心免费获取 ,这为低成本的水质遥感监测提供了一条途径。关键词 : 营养状态指数 ; 遥感 ; 湖泊 ; 中巴地球资源卫星文献标识码 : A

湖北省平原湖区粮食安全研究

湖北省平原湖区粮食安全研究李涛;王学雷;蔡述明;宋岳军;余璟【期刊名称】《华中师范大学学报（自然科学版）》【年(卷),期】2007(041)003【摘要】从粮食生产的条件和现状、粮食生产存在的问题3个方面分别对湖北省平原湖区的粮食安全状况进行了分析;从粮食生产任务,粮食生产能力的建设以及合理调整农业结构3个方面提出了提高平原湖区粮食生产能力的对策.【总页数】5页(P459-463)【作者】李涛;王学雷;蔡述明;宋岳军;余璟【作者单位】武汉大学,资源与环境科学学院,武汉,430072;中国科学院,测量与地球物理研究所,湖北省环境与灾害监测评估重点实验室,武汉,430077;武汉大学,资源与环境科学学院,武汉,430072;中国科学院,测量与地球物理研究所,湖北省环境与灾害监测评估重点实验室,武汉,430077;中国科学院,测量与地球物理研究所,湖北省环境与灾害监测评估重点实验室,武汉,430077;中国科学院,测量与地球物理研究所,湖北省环境与灾害监测评估重点实验室,武汉,430077【正文语种】中文【中图分类】K921;F3【相关文献】1.粮食安全·农户行为与发展对策研究——基于湖北省农户的调研数据分析 [J], 金广;程红莉;宋宝清2.农村剩余劳动力转移对湖北省粮食安全生产与保障的影响研究 [J], 黄恩;龙子午;陈慧玲;叶金珠3.基于粮食安全和生态安全的湖北省耕地保护经济补偿分区动态研究 [J], 刘紫航;任巧巧4.基于粮食安全和生态安全的湖北省耕地保护经济补偿分区动态研究 [J], 刘紫航;任巧巧5."虾稻共作"模式对国家粮食安全的影响研究——基于湖北省潜江市的调研 [J], 张勇;吴学兵因版权原因，仅展示原文概要，查看原文内容请购买。

SWAT模型及其在水环境非点源污染研究中的应用

SWAT模型及其在水环境非点源污染研究中的应用一、SWAT模型简介SWAT模型是由美国农业部和美国农业研究服务局（USDA-ARS）研发的一种集水文、气象、土壤、植被和管理措施等因素于一体的水文模型。

该模型主要用于模拟流域尺度的水文过程、土壤侵蚀、产污过程以及土壤养分水平等情况，可用于评估不同土地利用方式和水资源管理措施对流域水文循环和水质的影响。

SWAT模型以尺度化的方式模拟水文和水质过程，能够根据陆地利用、植被覆盖和土壤特性等不同空间尺度上的差异而进行模拟，适用于大尺度流域的水文和水质模拟。

SWAT模型是一个基于过程的模型，能够模拟自然界中的各种水文和水质过程，并且能够考虑人类活动对这些过程的影响。

模型基于土地利用、土壤和植被、气候和地形等信息，结合水文循环、土壤侵蚀、水质产污过程等因素进行综合模拟。

SWAT模型的核心是水文过程和土壤侵蚀过程的模拟，其中包括降雨产流、蒸散发、蓄水和排水、土壤侵蚀、河流水沙输移等一系列过程的模拟。

SWAT模型还考虑了水质产污因素，例如土壤养分和农药的产流、入渗和输移，能够模拟流域水体的营养盐和农药的污染情况。

通过SWAT模型的模拟和预测，可以更好地理解水体污染源的分布、积累和传输规律，为合理开展水环境管理和保护提供科学依据。

SWAT模型因其综合考虑了土地利用、植被覆盖、气候等因素，能够模拟和预测流域尺度的水文与水质过程，已经在许多地区得到了广泛的应用。

特别是在水环境非点源污染研究中，SWAT模型展现出了其独特的优势和应用价值。

1. 模拟土壤侵蚀和产污过程土壤侵蚀和土壤养分的产污是流域水环境非点源污染的重要来源，而SWAT模型能够综合考虑土地利用、降雨、土壤类型、土壤侵蚀和产污过程等因素，实现对流域土壤侵蚀和养分流失的定量模拟。

通过模拟土壤侵蚀和产污过程，可以评估不同土地利用方式和管理措施对流域水质的影响，为制定合理的水资源管理政策提供科学依据。

2. 评估流域水体营养物质和农药的输移流域土地利用和农业生产活动会导致营养物质和农药的大量输入，而这些物质在土壤中的输移和对水环境的影响是水环境非点源污染的重要环节。

水文模型中不同目标函数的影响分析比较

第 29 卷第 3 期
水文
Vol．29 No．3 Jun．, 200 9
2009 年 6 月
JOURNAL OF CHINA HYDROLOGY
水文模型中不同目标函数的影响分析比较
董磊华，熊立华
（武汉大学水资源与水电工程科学国家重点实验室，湖北武汉 430072 ）
摘要：在水文模型中，目标函数的选择对参数率定至关重要，不同的目标函数可以得到不同的模拟结果。本文以三水
2
2.1
新安江模型和 SCE-UA 算法
新安江模型新安江模型是一种适用于湿润地区与半湿润地区的湿润季
2.2 SCE-UA 算法
由于李致家等人用 SCE-UA 算法优化新安江模型参数得出了比较理想的结果 [7]，本文将采用 SCE-UA 算法，对水文模型进行参数优化。 SCE-UA 算法，又叫混合复合形进化算法，其基本思路是将基于确定性的复合型搜索技术和自然界中的生物竞争进化原理相结合。它结合了现有算法（包括基因算法等）中的一些优点，可以解决高维参数的全局优化问题，且不需要显式的目标函数或目标函数的偏导数 [8]。
WM WUM/WM WLM/WM B IMP K C SM
50.0 0.0 0.1 0.1 0.0 0.2 0.01 0.01
300.0 0.5 0.9 2.0 0.5 2.0 0.3 40.0
KSS KG EX KKG KKSS N K’
0.01 0.01 0 0.95 0.5 0.01 0.01
1.0 1.0 2 1.0 0.9 10 10
Oudin
[2]
等人对比分析了四种不同的目标函数对模拟结果的影

基于三角模糊数的自回归模型在矿井瓦斯浓度预测中的应用

基于三角模糊数的自回归模型在矿井瓦斯浓度预测中的应用王江荣;文晖;罗资琴【摘要】影响矿井瓦斯浓度的地质因素间存在着模糊性，为了解决带有模糊信息的动态瓦斯浓度预测问题，建立了一种模糊自回归（ Fuzzy－AR（ P））时间序列预测模型。

采用AIC，BIC和FPE准则来确定模型阶数（确定为22阶），将计算模型系数中心值及模糊幅度值的问题转化成约束优化问题，并利用MATLAB优化工具箱求解。

利用所建模型对6个测试样本进行预测分析，平均模糊隶属度为0．85，平均绝对误差为0．0403，预测效果明显。

与其他预测模型相比，Fuzzy －AR（ P）模型的预测结果是一个区间，扩大了相关量的适用范围，使预测结果更合理、更科学。

%The geologic factors affecting mine gas concentration exists fuzziness,established a fuzzy regression ( Fuzzy -AR ( P) ) time series prediction model in order to solve the problem of dynamic gas concentration prediction with fuzzy information.Adopting AIC,BIC and FPE criterion to determine the model order number (defined as 22 order),at the center of the computing model coefficient and fuzzy amplitude value problem into a constrained optimization problem,and use the MATLAB optimization ing the model to forecast the six test sample analysis,the fuzzy membership degree is 0.85 on average,the average absolute error is 0.040 3,prediction effect is pared with other forecasting model,Fuzzy -AR ( P) model to predict the result is arange,expand the scope of the amount of the relevant,the forecasting results more reasonable and more scientific.【期刊名称】《煤》【年(卷),期】2015(000)006【总页数】4页(P4-6,25)【关键词】三角模糊数;AR(p)自回归模型;矿井瓦斯浓度;模型阶数;预测区间【作者】王江荣;文晖;罗资琴【作者单位】兰州石化职业技术学院信息处理与控制工程系，甘肃兰州 730060;兰州石化职业技术学院信息处理与控制工程系，甘肃兰州 730060;兰州石化职业技术学院石油化学工程系，甘肃兰州 730060【正文语种】中文【中图分类】TD712.3瓦斯浓度是影响煤矿安全生产的一个重要指标，对其进行及时准确的预测是关乎煤炭开采、矿工生命财产、煤矿安全管理的大事，也是煤矿安全生产的重要保障。

基于APSIM模型的旱地小麦水肥协同效应分析

基于APSIM模型的旱地小麦水肥协同效应分析基于APSIM模型的旱地小麦水肥协同效应分析一、引言旱地是中国主要的农业区域之一，而小麦是我国的主要粮食作物之一。

如何提高旱地小麦的产量和质量成为了农民们关注的焦点。

水肥协同效应是指在一定的土壤墒情下，通过合理施肥和科学灌溉的方式，实现水肥资源的高效利用，从而提高作物产量和品质。

基于APSIM模型的旱地小麦水肥协同效应分析就是通过模拟旱地小麦的生长发育过程，探究合理的水肥管理对于提高产量和优化品质的影响，为农民提供科学种植的指导。

二、APSIM模型简介APSIM（Agricultural Production Systems sIMulator）模型是由澳大利亚农业科学中心（CSIRO）开发的集成农业生态系统模型，具有较高的准确性和适应性。

该模型基于物理学原理和作物生长动力学模型，可以模拟作物的生长、发育过程和对气候、土壤、水分、营养等的敏感性。

通过APSIM模型，可以精确地模拟作物的生长发育过程，分析不同管理措施对作物产量和品质的影响。

三、水肥协同效应的机理1. 水肥资源的互补利用水分是作物生长的基本要素之一，对于小麦生长来说尤为重要。

合理的灌溉措施可以提供充足的水分，增加作物的净光合速率、促进光合产物的积累。

施肥则可以提供作物所需的养分，增加作物的根系发育和叶面积，提高养分的吸收利用率。

2. 水肥的协同效应水肥的协同效应是指在合适的土壤墒情下，适当增加施肥量，可以促进水分的吸收和利用。

施肥过多或过少都会对作物生长产生负面影响，合理施肥可以提高作物对水分的利用效率，增加产量和优化品质。

四、实验设计与结果分析本次研究参考旱地小麦种植的常用管理措施，设置了不同的水肥处理组合。

通过APSIM模型模拟旱地小麦的生长发育过程，得到相应的生长指标和产量数据，并进行统计与分析。

1. 施肥剂量的影响设置了不同施肥剂量的处理组合：低剂量（N-P-K 100-50-50 kg/hm²）、中剂量（N-P-K 150-75-75 kg/hm²）和高剂量（N-P-K 200-100-100 kg/hm²）。

基于樽海鞘群优化网络模型的计量装置状态识别方法

第１３卷㊀第１１期Ｖｏｌ．１３Ｎｏ．１１㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年１１月㊀Ｎｏｖ．２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）１１－０２１５－０５中图分类号：ＴＭ９３３文献标志码：Ａ基于樽海鞘群优化网络模型的计量装置状态识别方法郑克刚，袁安荣，雷㊀乾，张天旭，吴世强，冯小兵（国网重庆市电力公司铜梁供电分公司，重庆４０２５６０）摘㊀要：为提升用电信息采集系统客户服务部门的数据分析能力，提升客户服务精益化管理水平，针对计量装置状态远程识别准确率低的问题，提出了一种基于樽海鞘群优化网络模型的计量装置状态识别方法㊂该模型首先利用小波分解对样本集曲线类特征数据进行分解，并获取状态影响因子，然后利用ＬＳＴＭ长短期记忆网络进行计量装置状态分类，并计算损失函数后进行反馈调参，最后采用樽海鞘群算法优化ＬＳＴＭ网络的调参过程，待损失函数低于阈值后，固定参数输出模型㊂实验表明，樽海鞘群算法寻优调参可降低模型参数调参时间，并提高了分类算法的精准度㊂关键词：电能计量装置；小波分解；ＬＳＴＭ；樽海鞘群算法；状态识别ＳｔａｔｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｏｆｍｅｔｅｒｉｎｇｄｅｖｉｃｅｂａｓｅｄｏｎｓａｌｐｓｏｐｔｉｍａｌｎｅｔｗｏｒｋｍｏｄｅｌＺＨＥＮＧＫｅｇａｎｇ，ＹＵＡＮＡｎｒｏｎｇ，ＬＥＩＱｉａｎ，ＺＨＡＮＧＴｉａｎｘｕ，ＷＵＳｈｉｑｉａｎｇ，ＦＥＮＧＸｉａｏｂｉｎｇ（ＴｏｎｇｌｉａｎｇＰｏｗｅｒＳｕｐｐｌｙＢｒａｎｃｈ，ＳｔａｔｅＧｒｉｄＣｈｏｎｇｑｉｎｇＥｌｅｃｔｒｉｃＰｏｗｅｒＣｏｍｐａｎｙ，Ｃｈｏｎｇｑｉｎｇ４０２５６０，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅｄａｔａａｎａｌｙｓｉｓａｂｉｌｉｔｙｏｆｔｈｅｃｕｓｔｏｍｅｒｓｅｒｖｉｃｅｄｅｐａｒｔｍｅｎｔｏｆｔｈｅｅｌｅｃｔｒｉｃｉｔｙｃｏｎｓｕｍｐｔｉｏｎｉｎｆｏｒｍａｔｉｏｎａｃｑｕｉｓｉｔｉｏｎｓｙｓｔｅｍａｎｄｉｍｐｒｏｖｅｔｈｅｌｅａｎｍａｎａｇｅｍｅｎｔｌｅｖｅｌｏｆｃｕｓｔｏｍｅｒｓｅｒｖｉｃｅ，ａｍｅａｓｕｒｅｍｅｎｔｄｅｖｉｃｅｓｔａｔｅｂａｓｅｄｏｎｔｈｅｏｐｔｉｍｉｚａｔｉｏｎｎｅｔｗｏｒｋｍｏｄｅｌｏｆｔｈｅｓａｌｐｓｇｒｏｕｐｉｓｐｒｏｐｏｓｅｄｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｏｆｌｏｗａｃｃｕｒａｃｙｏｆｒｅｍｏｔｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｔｈｅｓｔａｔｅｏｆｔｈｅｍｅｔｅｒｉｎｇｄｅｖｉｃｅ．Ｔｈｅｍｏｄｅｌｆｉｒｓｔｕｓｅｓｗａｖｅｌｅｔｄｅｃｏｍｐｏｓｉｔｉｏｎｔｏｄｅｃｏｍｐｏｓｅｔｈｅｃｕｒｖｅ－ｌｉｋｅｃｈａｒａｃｔｅｒｉｓｔｉｃｄａｔａｏｆｔｈｅｓａｍｐｌｅｓｅｔ，ａｎｄｏｂｔａｉｎｓｔｈｅｓｔａｔｅｉｎｆｌｕｅｎｃｅｆａｃｔｏｒ，ｔｈｅｎｕｓｅｓｔｈｅＬＳＴＭｌｏｎｇｓｈｏｒｔ－ｔｅｒｍｍｅｍｏｒｙｎｅｔｗｏｒｋｔｏｃｌａｓｓｉｆｙｔｈｅｓｔａｔｅｏｆｔｈｅｍｅｔｅｒｉｎｇｄｅｖｉｃｅ，ａｎｄｃａｌｃｕｌａｔｅｓｔｈｅｌｏｓｓｆｕｎｃｔｉｏｎｆｏｒｆｅｅｄｂａｃｋａｄｊｕｓｔｍｅｎｔ．ＴｈｅａｌｇｏｒｉｔｈｍｏｐｔｉｍｉｚｅｓｔｈｅｐａｒａｍｅｔｅｒａｄｊｕｓｔｍｅｎｔｐｒｏｃｅｓｓｏｆｔｈｅＬＳＴＭｎｅｔｗｏｒｋ．Ａｆｔｅｒｔｈｅｌｏｓｓｆｕｎｃｔｉｏｎｉｓｌｏｗｅｒｔｈａｎｔｈｅｔｈｒｅｓｈｏｌｄ，ｔｈｅｆｉｘｅｄｐａｒａｍｅｔｅｒｓａｒｅｏｕｔｐｕｔｔｏｔｈｅｍｏｄｅｌ．Ｅｘｐｅｒｉｍｅｎｔｓｓｈｏｗｔｈａｔｔｈｅｏｐｔｉｍｉｚａｔｉｏｎａｎｄｔｕｎｉｎｇｏｆｔｈｅｓａｌｐｓｓｗａｒｍａｌｇｏｒｉｔｈｍｃａｎｒｅｄｕｃｅｔｈｅｔｉｍｅｆｏｒｐａｒａｍｅｔｅｒｔｕｎｉｎｇｏｆｔｈｅｍｏｄｅｌｐａｒａｍｅｔｅｒｓａｎｄｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｏｆｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｌｇｏｒｉｔｈｍ．Ｋｅｙｗｏｒｄｓ：ｅｌｅｃｔｒｉｃｅｎｅｒｇｙｍｅｔｅｒｉｎｇｄｅｖｉｃｅ；ｗａｖｅｌｅｔｄｅｃｏｍｐｏｓｉｔｉｏｎ；ＬＳＴＭ；ｓａｌｐｇｒｏｕｐａｌｇｏｒｉｔｈｍ；ｓｔａｔｕｓｒｅｃｏｇｎｉｔｉｏｎ通讯作者：郑克刚（１９７８－），学士，男，助理工程师，主要研究方向：计量采集㊁项目管理㊂Ｅｍａｉｌ：６２６９３１２２９＠ｑｑ．ｃｏｍ收稿日期：２０２２－１１－２８０㊀引㊀言近些年，随着互联网和信息化的迅速发展，电力行业也逐渐推进智能化管理［１－２］，各电力公司和供电企业不断提升自身的客户服务精益化管理水平㊂电能计量装置作为关键性的电力企业和用户结算的仪表工具，其运行状态的正常与否会关系到计量结果的准确性和可靠性，并继而影响到后续相关电力业务的开展㊂在传统的电能计量装置的检测工作中，主要是由人工巡检完成，人工成本高且效率低；而随着用电信息采集系统建设，当前系统内已积累了海量计量装置监测数据，且计量装置异常样本也达到了一定的体量，故可开展远程线上异常识别［３］，对计量装置状态进行识别㊂从而可有效解决人工巡检的不及时性和不准确性，节约时间和人工成本㊂当前，部分研究机构及专家已开展该方面的研究工作，如文献［４］采用支持向量机构建数据和任务并行化的故障诊断模型，实现对电能计量装置运行异常特征㊁故障状态的在线实时监测㊂文献［５］基于电能表㊁电压互感器和电流互感器的历史故障㊁运行环境等数据，组建不同的评价指标，将模糊分析法与层次分析法相结合㊁对计量装置的运行状态进行评估㊂文献［６］使用营销系统数据和计量生产调度平台数据等参数，对电能表进行不同影响因素下的基础测试，并以此建立评估模型对电能表进行状态评估㊂虽然上述方法均在一定程度上实现了计量装置的远程运行状态监测［７］，但由于未结合时序数据加以分析，导致监测效果并不理想㊂针对上述问题，本文提出了基于樽海鞘群优化调参的计量装置状态识别模型㊂１㊀整体过程描述为了及时准确识别在电能计量装置的运行状态，本文构建了基于樽海鞘群优化网络模型的计量装置状态识别方法㊂模型整体流程如图１所示㊂用电信息采集系统数据库计量装置状态样本集状态特征数据序列与调整因子基于损失函数进行反馈调参反馈优化优化后的参数固定参数，输出计量装置状态识别模型准确率是否达到阈值输出计是装置状态识别模型6.采用验证集对模型进行验证5.当损失函数低于阈值时4.利用樽海鞘群算法优化模型调参过程3.采用L S T M 构建计量装置状态识别模型2.采用小波分解曲线特征数据1.获取电能计量装置状态的样本数据是否图１㊀系统结构框图Ｆｉｇ．１㊀Ｓｔｒｕｃｔｕｒｅｄｉａｇｒａｍｏｆｔｈｅｓｙｓｔｅｍ㊀㊀本文首先利用小波分解对样本集的数据进行分解，然后对分解出的高低频数据特征作为计量装置状态的关联时序特征，分析其与运行年限㊁生产厂家㊁状态数据㊁运行环境等影响因素间的相关性，构建相应的运行年限㊁生产厂家和运行环境调整因子㊂将小波分解后的状态关联时序特征与调整因子作为长短期记忆网络输入，而后利用长短期记忆网络（ＬＳＴＭ）进行计量装置状态分类，输出分类结果，基于输出结果与真实结果构建交叉熵损失函数，并根据损失函数进行反馈调参，再采用樽海鞘群算法优化模型的调参过程，以提升调参速度与识别精准性㊂２㊀基于樽海鞘群优化调参的计量装置状态识别模型㊀㊀本文针对电能计量装置包含的电能表㊁电压互感器㊁电流互感器进行远程运行状态监测，异常状态主要针对远程数据可表征的电能表计量异常㊁电能表损坏㊁互感器损坏［８］㊂通过用电信息采集系统的数据库获取涉及电能计量装置状态的样本数据，加以汇总整理后进行数据预处理，构建计量装置状态样本集，然后按照７０％㊁２０％和１０％比例分为训练样本集㊁验证样本集和测试样本集㊂电能计量装置状态数据的主要特征包括电压㊁电流㊁用电量㊁相位㊁开关量㊁运行时间㊁运行环境数据等㊂２．１㊀基于小波分解的特征提取与分析针对上述样本集数据的电压㊁电流㊁用电量等曲线特征，采用小波分解［９］算法中的ｗａｖｅｄｅｃ函数将特征数据进行Ｄ层小波分解，获取小波分解系数矩阵Ｃ和矩阵内系数的个数Ｌ：［Ｃ，Ｌ］＝ｗａｖｅｄｅｃ（Ａ，Ｍ，＇ｓｙｍ４＇）（１）㊀㊀其中，Ａ为输入的特征数据；Ｍ为分解层数；Ｃ为小波分解系数；ｓｙｍ４表示小波变换方式；Ｌ为小波分解系数的个数，即矩阵内系数的个数㊂如经过３层小波分解后，共包含４个高低频特征，分别是：１个低频近似特征值和３个高频细节特征值㊂根据分解出的数据特征结合计量装置样本状态㊁运行年限㊁生产厂家㊁状态数据㊁运行环境等与计量装置样本状态的相关性，构建相应的运行年限㊁生产厂家和运行环境调整因子Ｋ㊂２．２㊀构建计量装置状态识别模型本次电能计量装置的运行状态分为正常状态㊁注意状态和异常状态㊂采用ＬＳＴＭ算法构建计量装置状态识别模型，将小波分解后的状态特征数据序列与调整因子Ｋ作为长短期记忆网络的输入，根据ＬＳＴＭ算法中门控装置的３个控制门（输入门㊁遗忘门和输出门）来实现对输入样本集数据的识别和计量装置状态的判别㊂３个控制门控㊁记忆信息及输出判别的数据处理过程可阐释分述如下㊂（１）更新忘记门输出为：ｆ（ｔ）＝σ（Ｗｆｈ（ｔ－１）＋Ｕｆｘ（ｔ）＋ｂｆ）（２）㊀㊀更新输入门２部分输出为：ｉ（ｔ）＝σ（Ｗｉｈ（ｔ－１）＋Ｕｉｘ（ｔ）＋ｂｉ）（３）ａ（ｔ）＝ｔａｎｈ（Ｗａｈ（ｔ－１）＋Ｕａｘ（ｔ）＋ｂａ）（４）㊀㊀（２）记忆信息状态为：Ｃ（ｔ）＝Ｃ（ｔ－１）☉ｆ（ｔ）＋ｉ（ｔ）☉ａ（ｔ）（５）㊀㊀（３）更新输出门输出为：ｏ（ｔ）＝σ（Ｗｏｈ（ｔ－１）＋Ｕｏｘ（ｔ）＋ｂｏ）（６）ｈ（ｔ）＝ｏ（ｔ）☉ｔａｎｈ（Ｃ（ｔ））（７）㊀㊀更新当前样本的计量装置状态判别预测输出为：ｙ（ｔ）＝σ（Ｖｈ（ｔ）＋ｃ）（８）㊀㊀其中，Ｗｆ㊁Ｗｉ㊁Ｗａ㊁Ｗｏ与Ｕｆ㊁Ｕｉ㊁Ｕａ㊁Ｕｏ分别为输６１２智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀入的隐藏层和输入样本的权重参数；ｔ－１为上一神经单元；ｔ为当前ＬＳＴＭ神经单元；ｂｆ㊁ｂｉ㊁ｂａ㊁ｂｏ为偏移量参数㊂将Ｓｏｆｔｍａｘ函数作为ＬＳＴＭ神经单元网络训练的最后一层，在经过门控装置的训练后会输出样本状态类别预测概率值，再利用多分类交叉熵损失函数计算出样本数据的期望输出预测概率值和实际输出概率的误差㊁即损失，Ｓｏｆｔｍａｘ函数定义如下：Ｓｏｆｔｍａｘ（ｙｉ）＝ｅｙｉðＣｃ＝１ｅｙｃ（９）㊀㊀其中，ｙｉ为样本计量装置状态判别的预测输出值，Ｃ为分类的类别个数㊂基于输出结果与真实结果构建交叉熵损失函数，交叉熵损失函数定义如下：Ｈ（Ｐ，Ｔ）＝－ðＣ１ｐｌｏｇ（Ｔ）（１０）㊀㊀其中，Ｐ为样本的实际状态类别；Ｔ为模型的判别输出；Ｃ为分类的类别个数，这里，Ｔ＝［ｓｏｆｔｍａｘ（ｙ１），ｓｏｆｔｍａｘ（ｙ２），，ｓｏｆｔｍａｘ（ｙｉ＝ｎ）］㊂根据损失函数构建梯度反馈函数进行调参，采用樽海鞘群算法［１０］提升ＬＳＴＭ网络的调参速度与精准性㊂樽海鞘群算法（ｓａｌｐｓｗａｒｍａｌｇｏｒｉｔｈｍ，ＳＳＡ）对一个Ｄ维空间进行寻优搜索，樽海鞘种群的个体数为Ｎ，樽海鞘种群的位置向量可由矩阵Ｘ表示：Ｘ＝ｘ１１ｘ２１ｘＮ１ｘ１２ｘ２２ｘＮ２︙︙ ︙ｘ１Ｄｘ２ＤｘＮＤéëêêêêêêùûúúúúúú（１１）㊀㊀食物的位置是所有樽海鞘个体的目标位置，樽海鞘个体领导者的位置根据食物的位置进行更新，其位置更新公式为：ｘ１ｄ＝Ｆｄ＋ｃ１（（ｕｂｄ－ｌｂｄ）ｃ２＋ｌｂｄ），ｃ３ȡ０．５Ｆｄ－ｃ１（（ｕｂｄ－ｌｂｄ）ｃ２＋ｌｂｄ），ｃ３＜０．５{（１２）其中，ｘ１ｄ为樽海鞘种群领导者位置向量的第ｄ维度的分量；Ｆｄ为第ｄ维空间食物的位置；ｕｂｄ，ｌｂｄ分别表示第ｄ维空间樽海鞘个体位置的上限值和下限值，二者均为向量㊂ｃ２，ｃ３为区间［０，１］上的随机数；ｃ２决定当前搜索的步长；ｃ３决定第ｄ维空间当前搜索的方向；ｃ１为樽海鞘群算法中的收敛因子，其定义如下：ｃ１＝２ｅ－（４ｌＬ）２（１３）㊀㊀其中，ｌ为当前迭代次数，Ｌ为最大迭代次数㊂ｃ１在搜索前期值较大，便于全局寻优，迅速确定全局最优点；在搜索后期值变小，起到局部开发的作用㊂ｃ１起到平衡全局探索和局部开发的作用，是樽海鞘群算法中最重要的参数㊂樽海鞘种群追随者的位置移动规律，在求解过程中的时间就是迭代过程，设每次迭代过程中的时间ｔ＝１，每次迭代的初速度ｖ０＝０，表示为：ｘｊｄ（ｌ）＝１２［ｘｊｄ（ｌ－１）＋ｘｊ－１ｄ（ｌ）］（１４）㊀㊀式（１２）和式（１４）描述了整个樽海鞘群体内部的移动机制㊂利用樽海鞘群算法寻找计量装置状态识别模型的最优参数的流程如下：（１）初始化参数㊂根据搜索空间每一维的上界与下界，初始化一个规模为ＤˑＮ的樽海鞘群，Ｄ表示参数个数，ｄɪ［１，２，，Ｄ］，在每一维空间中分别生成包含Ｎ个个体的随机种群Ｘ，根据樽海鞘群算法，计算每个解ｘｊ（ｊ＝１，２，，Ｎ）的初始适应度，适应度为模型识别类别判别概率的提升，即参数θｄ为ｘｉ时，相比于当前θｄ值，其Ｓｏｆｔｍａｘ（ｙｘｊｉ）概率值提升，则说明其适应度提升，二进制向量转化为：ｘｊ＝１，㊀ΔＳｏｆｔｍａｘ（ｙｘｊｉ）＞００，㊀其他{（１５）㊀㊀因此，只有对应于１的ｘｊ被取出来表示适应度满足条件，作为备选领导者的参数㊂（２）选定目标位置㊂由于实际调参过程中不知道目标参数的位置，因此，将樽海鞘群按照适应度值进行排序，排在首位的适应度最优的樽海鞘的位置设为当前目标位置㊂（３）选定领导者与追随者㊂选定目标位置后，群体中剩余Ｎ－１个樽海鞘，按照樽海鞘群体的排序，将二进制向量为１的樽海鞘视为领导者，其余樽海鞘视为追随者㊂（４）位置更新㊂先根据式（１２）更新领导者的位置，再根据式（１４）更新追随者的位置㊂（５）计算适应度㊂计算更新后的ΔＳｏｆｔｍａｘ（ｙｘｊｉ）的适应度㊂将更新后的每个解的适应度值与当前目标的适应度值进行比较，若更新后解的适应度值优于当前目标，则以适应度值更优的解的位置作为新的目标位置㊂（６）重复步骤（３）（５），直至达到一定迭代次数或适应度值达到终止门限㊁满足终止条件后，输出当前的解的位置作为目标的估计位置，即返回全局最优解㊂损失函数低于设定阈值后，固定参数，输出计量７１２第１１期郑克刚，等：基于樽海鞘群优化网络模型的计量装置状态识别方法装置状态识别模型，采用验证集对该模型进行验证，验证准确率与召回率达到设定阈值后，输出模型，否则继续进行反馈优化㊂３㊀实验结果与分析实验部分选取测试样本集的数据对该模型的有效性进行测试㊂在本文所提模型中输入测试集中的样本数据，记录其准确率和召回率，同时，将本文算法与ＳＶＭ㊁逻辑回归㊁贝叶斯和ＢＰ神经网络四种算法进行识别性能的对比㊂在测试中，主要采用准确率㊁精确率和召回率三个指标来衡量，各指标定义具体如下㊂（１）准确率ＡＣＣ（ａｃｃｕｒａｃｙ），计算公式为：ＡＣＣ＝ＴＰ＋ＴＮＴＰ＋ＴＮ＋ＦＰ＋ＦＮ（１６）㊀㊀（２）精确率Ｐ（ｐｒｅｃｉｓｉｏｎ）㊂计算公式为：Ｐ＝ＴＰＴＰ＋ＦＰ（１７）㊀㊀（３）召回率Ｒ（ｒｅｃａｌｌ）㊂计算公式为：Ｒ＝ＴＰＴＰ＋ＦＮ（１８）㊀㊀其中，ＴＰ㊁ＴＮ㊁ＦＰ㊁ＦＮ表示的含义见表１㊂表１㊀参数含义Ｔａｂ．１㊀Ｐａｒａｍｅｔｅｒｓｍｅａｎｉｎｇ预测真预测假实际真ＴＰＴＮ实际假ＦＰＦＮ㊀㊀本文所提方法与其他４种算法的性能对比结果见表２㊂表２㊀算法性能对比Ｔａｂ．２㊀Ｐｅｒｆｏｒｍａｎｃｅｃｏｍｐａｒｉｓｏｎｏｆａｌｇｏｒｉｔｈｍ％方法准确率召回率本文方法９３．０５８９．６３ＳＶＭ８２．３６８１．２８逻辑回归８４．１８８３．０７贝叶斯８３．７５８２．４６ＢＰ神经网络８５．１９８４．５３㊀㊀此实验分别对比了各种算法识别的准确率和召回率，可以看到，其他４类算法虽也表现出不错的识别性能，但是本文所提方法的准确率和召回率具有明显的优势㊂实验结果表明，本文采用长短期记忆网络构建计量装置状态识别模型，有效提升了状态识别的准确率和召回率㊂㊀㊀消融实验分别对３组测试数据进行测试，控制变量是采用樽海鞘群算法和不采用樽海鞘群算法，精确度实验结果和时间对比实验结果分别如图２和图３所示㊂其中，时间对比实验是基于当前训练完成后的模型，以测试样本集作为二次训练样本集，将其识别准确度作为目标函数进行二次调参，对比传统反馈调参方式，本文所提的樽海鞘群调参可在更短的时间内完成参数寻优过程，且由精确度对比数据可看出，樽海鞘群调参可基于全局探索跳出一定的局部最优，从而有效提高了模型的识别性能㊂从实验结果图可以看到，３组数据都表现出了同一种趋势，即采用樽海鞘群算法的模型具有更高的精确度和更快的调参速度，上述均表明本文所提计量装置状态识别模型具有良好的性能㊂采用樽海鞘群算法不采用樽海鞘群算法9290888684828090.35%85.68%89.92%84.72%91.05%86.17%精度/%测试数据1测试数据2测试数据3图２㊀精度对比图Ｆｉｇ．２㊀Ａｃｃｕｒａｃｙｃｏｍｐａｒｉｓｏｎｃｈａｒｔ采用樽海鞘群算法不采用樽海鞘群算法10080604020测试数据1测试数据2测试数据3823678347530时间单位/(耗比例%）图３㊀参数调整时间对比图Ｆｉｇ．３㊀Ｒｅｃｏｇｎｉｔｉｏｎｔｉｍｅｃｏｍｐａｒｉｓｏｎｃｈａｒｔ４㊀结束语文中提出了一种基于樽海鞘群优化网络调参的计量装置状态识别模型，首先采用小波分解算法进行曲线特征分解，并构建多因素的影响因子，随后采用ＬＳＴＭ算法构建状态识别模型，基于时序记忆的异常状态识别提高了计量装置状态的识别准确率，并利用樽海鞘群算法提高了模型的调参速度，从而提升了整个异常识别方法的识别效率和准确率，模型具有极高的可用性和可靠性㊂本文计量装置状态识别模型的提出，有效增强了供电公司客户服务部门的数据分析能力，提升了客户服务精益化管理水平㊂８１２智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀参考文献［１］程瑛颖，杨华潇，肖冀，等．电能计量装置运行误差分析及状态评价方法研究［Ｊ］．电工电能新技术，２０１４，３３（５）：７６－８０．［２］刘春雨，刘自发，罗群，等．电能计量装置健康度的综合评估与趋势预测方法［Ｊ］．电力系统保护与控制，２０１８，４６（２４）：４７－５３．［３］朱东花．关于电力计量装置异常原因及监测方法的探讨［Ｊ］．电子测试，２０１８（１３）：１０５－１０６．［４］王艳芹，王松，李大兴，等．一种关口电能计量装置智能故障诊断及预警技术［Ｊ］．电力科学与技术学报，２０１９，３４（３）：１０１－１０７．［５］ＺＨＡＮＧＤｉｎｇｑｕ，ＬＩＮＧｕｏｙｉｎｇ，ＳＯＮＧＱｉａｎｇ．Ａｐｐｌｉｃａｔｉｏｎｏｆｓｔａｔｅｅｖａｌｕａｔｉｏｎｏｆｅｌｅｃｔｒｉｃｅｎｅｒｇｙｍｅｔｅｒｉｄｅｖｉｃｅ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆ２０１７１３ｔｈＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＥｌｅｃｔｒｏｎｉｃＭｅａｓｕｒｅｍｅｎｔ＆Ｉｎｓｔｒｕｍｅｎｔｓ（ＩＣＥＭＩ）．ＩｎｓｔｉｔｕｔｅｏｆＥｌｅｃｔｒｉｃａｌａｎｄＥｌｅｃｔｒｏｎｉｃｓＥｎｇｉｎｅｅｒｓ．Ｙａｎｇｚｈｏｕ，Ｃｈｉｎａ：ＩＥＥＥ，２０１７：５４２－５４７．［６］ＣＨＥＮＸｉａｎｇｑｕｎ，ＨＵＡＮＧＲｕｉ，ＳＨＥＮＬｉｍａｎ，ｅｔａｌ．Ｒｅｓｅａｒｃｈｏｎｏｐｅｒａｔｉｏｎａｓｓｅｓｓｍｅｎｔｍｅｔｈｏｄｆｏｒｅｎｅｒｇｙｍｅｔｅｒ［Ｃ］／／ＩＯＰＣｏｎｆｅｒｅｎｃｅＳｅｒｉｅｓ：ＥａｒｔｈａｎｄＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅ．Ｂｅｉｊｉｎｇ，Ｃｈｉｎａ：ＩＯＰ，２０１８，１２８：０１２０５２．［７］刘会生．电能计量装置异常接线自动校验系统［Ｄ］．太原：太原理工大学，２００８．［８］张英，秦涛，程昱舒．一种新的数字电能表校验仪设计［Ｊ］．现代电子技术，２０１４（１３）：９９－１０１．［９］张振中，郭傅傲，刘大明，等．基于最大互信息系数和小波分解的多模型集成短期负荷预测［Ｊ］．计算机应用与软件，２０２１，３８（５）：８２－８７．［１０］陈连兴，牟永敏．一种改进的樽海鞘群算法［Ｊ］．计算机应用研究，２０２１，３８（６）：１６４８－１６５２．９１２第１１期郑克刚，等：基于樽海鞘群优化网络模型的计量装置状态识别方法。

1979—2021_年鄂陵湖和扎陵湖结冰日变化及主控因素分析　

第34卷第1期2023年1月㊀㊀水科学进展ADVANCES IN WATER SCIENCE Vol.34,No.1Jan.2023DOI:10.14042/ki.32.1309.2023.01.0101979 2021年鄂陵湖和扎陵湖结冰日变化及主控因素分析黄文峰1,2,李㊀瑞1,2,李志军3,张庾粟1,2,杨文焕4(1.长安大学旱区地下水文与生态效应教育部重点实验室,陕西西安㊀710054;2.长安大学水利与环境学院,陕西西安㊀710054;3.大连理工大学海岸与近海工程国家重点实验室,辽宁大连㊀116024;4.内蒙古科技大学能源与环境学院,内蒙古包头㊀014010)摘要:湖冰物候过程影响着湖泊冰封期湖泊环境的初始㊁发展和结束条件以及湖-气作用等㊂为了探究青藏高原淡水湖泊湖冰物候变化趋势及影响因素,对FLake 模型进行改进,并使用MODIS 温度数据进行验证,以鄂陵湖和扎陵湖为例,重建其1979 2021年结冰日数据序列,利用模型对湖泊结冰日进行敏感性分析㊂结果表明:改进的FLake-SELF 模型对两湖的结冰日计算精度提升了35%,重建序列显示鄂陵湖和扎陵湖结冰日分别以4.5d /(10a)㊁3.8d /(10a)的速率推迟;气温变暖㊁风速降低和水汽压增加是导致两湖结冰日推迟的最主要气象因素,气温㊁水汽压和风速的年际差异是造成两湖结冰日年际波动的关键气象因素;相同的气候变化条件下,湖泊深度的不同是造成两湖结冰日及其变化速率差异的原因;较深的湖泊,结冰日年际波动性越大㊁变化速率越大,对气候变化响应更为敏感㊂关键词:结冰日;气候变化;湖泊模型;鄂陵湖;扎陵湖中图分类号:TV11㊀㊀㊀文献标志码:A㊀㊀㊀文章编号:1001-6791(2023)01-0102-13收稿日期:2022-06-28;网络出版日期:2022-11-07网络出版地址:https :ʊ /kcms /detailʊ32.1309.P.20221107.1119.002.html基金项目:国家重点研发计划资助项目(2019YFE0197600);冻土工程国家重点实验室开放基金资助项目(SKLFSE201813)作者简介:黄文峰(1985 ),男,安徽濉溪人,副教授,博士,主要从事冰物理与冰区生态环境研究㊂E-mail:huangwenfeng@ 联合国政府间气候变化专门委员会(IPCC)研究表明,在过去的1个世纪里,世界各地的气温出现不同程度的上升,并预测未来一段时间内气温升高的现象还将持续[1]㊂青藏高原由于自身特性,对全球气候变化的响应更为显著,升温速率是全球均值的2倍[2-3]㊂高原湖泊对气候变暖响应敏感,表现在气候变化导致湖泊开始冻结及封冻历时发生改变,因此湖冰被认为是气候变化的指示因子[4-5]㊂湖冰作为冰冻圈的重要组成部分[6],年内变化不仅影响着区域能量和物质收支平衡,还具有重要的生态和社会服务功能,体现在多个方面:湖冰的存在影响湖泊与大气直接能量交换[7],湖冰较高的反射率降低了进入湖泊的太阳辐射[8],中止了风动力驱动的湖泊混合过程,隔绝了水体与大气的直接物质交换,复氧㊁大气沉降被极大削弱或中断,改变湖泊微生物的生态环境使微生物群落丰富度增加[9]㊂在北欧㊁中国黑龙江等高纬度地区,坚硬厚实的冰盖也成为跨越湖泊的天然通道等㊂因此,了解湖冰对气候变化的响应对于预测气候变化对湖泊及其相关生态系统的影响至关重要㊂湖冰过程在气候变暖的背景下正发生变化,但不同湖泊的封冻历时变化趋势并不相同㊂研究发现,纳木错湖封冻历时在1978 2017年以8.0d /(10a)的趋势缩短[10];咸水湖勒斜武担湖㊁邦达错湖封冻历时同期却出现了延长的现象[11];欧洲北部湖泊封冻历时的变化趋势要高于南部地区[12];芬兰Segozero 湖(19502009年)的开始冻结日以3.7d /(10a)的趋势推迟,同地区其他湖泊开始冻结日60a 推迟了2~12d 不等[13]㊂许多早期湖冰的研究依赖于人类对湖冰长期直接观测㊂在环境恶劣㊁人烟稀少的青藏高原,大多数湖泊没有长期的观测数据㊂不少学者借助卫星遥感资料对青藏高原湖冰进行研究,但能够成功用于湖冰物候㊀第1期黄文峰,等:1979 2021年鄂陵湖和扎陵湖结冰日变化及主控因素分析103㊀过程反演的主流遥感资料时间相对较短[14-15],难以准确揭露湖冰物候过程的长期变化趋势㊂因此使用依赖于气象数据的湖泊热力学模型可以对青藏高原地区湖泊湖冰物候进行长序列的模拟,如基于相似理论发展出来的相对简单的二层模型FLake(Fresh Lake Model)[16-17]㊁基于热扩散发展出来的CLIMO(Canadian Lake Ice Model)模型[18]和WRF(Weather Research and Forecasting Model)-lake模型[19]等㊂这些模型的水温模拟效果较好(误差约2~4ħ),但因湖泊开始冻结日期对水温变化较为敏感,可引起开始冻结日计算误差高达20d[20]㊂本文基于对影响湖泊开始冻结物理过程的分析,对FLake模型进行改进,建立FLake-SELF模型,并利用20a的遥感监测数据验证模型;基于气象观测与再分析数据重建鄂陵湖㊁扎陵湖结冰日序列(1979 2021年),分析两湖开始冻结日变化趋势,辨别和评价造成湖泊开始冻结变化的关键因素,探究不同深度的湖泊对气候变化响应差异性的原因㊂1㊀研究区概况鄂陵湖㊁扎陵湖是青藏高原大型淡水湖泊的典型代表(图1),位于青藏高原北部㊁黄河源头地区(34ʎ46ᶄ03ᵡN 35ʎ05ᶄ21ᵡN,97ʎ01ᶄ27ᵡE 97ʎ54ᶄ21ᵡE)㊂鄂陵湖海拔为4269m,常年平均水深为18.9m,最大水深为31m,南北长约32.3km,东西宽约31.6km,形似葫芦状,南宽北窄,湖水面积约679km2,是青藏高原第一大淡水湖泊,且水量正以0.08Gt/a的速率上升[21],年均气温为-3.6ħ,10月至次年4月的平均气温都在0ħ以下,湖泊每年11月末12月初开始冻结,次年4月下旬湖冰开始消融㊂最大冰厚可达0.6m以上,封冻历时长达半年以上[22-23]㊂扎陵湖位于鄂陵湖西侧㊁上游,海拔为4294m,平均水深为8.9m,最大水深为13m,位于湖心偏东北侧;该湖南北宽约21.6km,东西长约35km,形似大贝壳,面积约526km2,冰期为每年11月中下旬到次年4月中旬,封冻历时与鄂陵湖相当㊂两湖为姊妹湖,最近距离仅为11km,湖区气候条件及气候变化特征基本一致,但开始冻结㊁完全消融日期和最大冰厚却存在明显差异(图1)㊂图1㊀研究区域(Landsat8卫星遥感数据:2015-11-23)Fig.1Study area(from Landsat8satellite:November23,2015)2㊀研究资料与方法2.1㊀数据来源与处理2.1.1㊀气象数据研究需要的气温㊁风速㊁水汽压和短波辐射均来自中国区域高时空分辨率地面气象要素驱动数据集[24],104㊀水科学进展第34卷㊀该数据集以Princeton再分析资料㊁GLDAS资料㊁GEWEX-SRB辐射资料以及TRMM降水资料为背景场,融合了中国气象局常规气象观测数据制作而成㊂数据覆盖范围为1979年1月1日至2015年12月31日,时间分辨率为3h,空间分辨率为0.1ʎ㊂该数据可从国家青藏高原科学数据中心(https:ʊ)获得㊂已有研究证明该数据在中国陆面过程和水文过程研究中表现良好[17,25]㊂云量数据采用欧洲中期天气预报中心(ECMWF)ERA-Interim数据集(https:ʊapps.ecmwf.int/datasets/)进行补充[26],时间跨度为1979 2015年,时间分辨率为6h,空间分辨率为0.125ʎ㊂2016 2021年数据用ERA-5数据集补充,时间分辨率为1h,空间分辨率为0.1ʎ(气温㊁风速㊁短波辐射)和0.25ʎ(水汽压㊁云量)㊂2015年和2016年气温变幅较大,衔接误差达到2.7ħ,因此2016 2021年气温数据用距离研究区最近的玛多县气象站和中国区域高时空分辨率地面气象要素驱动数据集的气温序列进行粗略校准,即将2016 2019年ERA-5提供的鄂陵湖气温增加2.0ħ㊁扎陵湖增加1.5ħ,使数据的衔接较为平整㊂其他数据衔接误差较小,其影响可以忽略㊂2.1.2㊀遥感数据本文基于多种遥感产品提取鄂陵湖㊁扎陵湖湖冰物候信息,主要包括地表温度产品MOD11A1以及雪覆盖产品MOD10A1㊁MYD10A1经过处理之后获得的青藏高原湖冰范围数据集[27]㊂该数据集利用MODIS归一化差雪指数(NDSI)和传统的雪图算法获取晴天条件下的湖泊日冰量和覆盖范围;利用湖泊表面条件的时空连续性,通过一系列算法对云覆盖条件下的湖冰范围进行重新确定,以降低云污染的影响[28]㊂本文选用2002 2015年的每日湖冰数据,数据从国家青藏高原科学数据中心下载㊂湖面温度(Lake Surface Water Temperature,LSWT)选用MODIS地表温度数据产品MOD11A1,空间分辨率为1km,时间分辨率12h(北京时间10:30和22:30每日2次)㊂有研究表明MOD11A1产品有较高的精度,与试验地区地表温度相差1.49K[29]㊂选取2002 2021年时间段,共14586幅,数据量较大,本文采用MTR(Modis Reprojection Tool)工具进行批量投影转换和拼接处理,用水温提取程序[30],对湖泊水面上所有的数据点进行平均计算,将白天均值和夜晚均值再次求平均,取用作每日湖面温度㊂2.2㊀湖冰物候过程特征值湖冰物候指湖泊冻结㊁消融的时间,常用以下关键物候指标来表征:开始冻结(Freeze-up start,FUS,湖冰首次出现)㊁完全冻结(Freeze-up end,FUE,湖冰完全覆盖湖面)㊁开始消融(Break-up start,BUS,湖冰开始融化㊁破裂)㊁完全消融(Break-up end,BUE,湖冰完全消失)㊂湖泊冰情的演变情况可以由上述4个物候节点反映㊂例如,封冻历时(Freeze duration,FD)是湖泊开始冻结至完全消融的一段时间㊂在遥感数据出现或利用以前,湖泊开始冻结通常是指观测点视线范围内首次出现湖冰的日期,完全消融是指观测点视线范围内无冰的最后日期㊂对于小湖而言该类定义基本与实际结冰过程相符,但对于大㊁中型湖泊而言,该类定义与湖泊的冰物候存在较大差异㊂即便是遥感技术应用于湖冰过程监测后,因其重访期㊁空间分辨率和精度问题仍不能精确地解译湖泊开始冻结㊁完全消融的确切时间[31]㊂本文选择湖面温度降至低于冰点(淡水湖泊的冰点约为0ħ)作为湖泊开始冻结日;相似地,定义湖面温度开始升至冰点的日期作为湖冰完全消融日㊂尽管该定义与实际开始冻结日和完全消融日有一定出入,但可直观刻画整个湖泊结冰与冰层消失的平均状态㊂通过与湖冰发展遥感数据的比对(图2,该数据集在湖泊封冻历时前后内首次识别出湖冰的日子为FUS㊁最后一次识别湖冰的日子为BUE,s bia为偏差),发现鄂陵湖㊁扎陵湖湖面开始冻结和完全消融日湖面冰层覆盖率基本分别维持在5%ʃ6%(均值ʃ标准差,最小值不低于0)和17%ʃ25%,这与遥感数据通常定义的开始冻结日㊁完全消融日(或开湖日)十分接近,说明了该定义用于指示湖冰物候过程的合理性㊂㊀第1期黄文峰,等:1979 2021年鄂陵湖和扎陵湖结冰日变化及主控因素分析105㊀图2㊀MODIS 的LSWT 和湖冰范围数据集开始冻结日和完全消融日的比较Fig.2Comparison of LSWT and lake ice extent dataset for Freeze-up start date and break-up end 2.3㊀模型的说明与验证图3㊀Flake 模型示意Fig.3Schematic diagram ofFLake model 2.3.1㊀FLake 模型及改进通过选用湖面平均温度作为湖冰物候指标,可简化计算,将湖泊温度变化作为垂向一维问题㊂文章采用一维淡水湖泊模型FLake,采用相对简单的分层方案,在浅湖适用性较好[16]㊂FLake 将湖泊分为2层,上层湖水充分混合㊁温度趋于等温,称其为混合层(图3),与大气相接;下层为温跃层,采用自相似理论对其温度结构进行参数化,与湖底相接㊂自相似理论本质是温跃层中的量纲一温度剖面可以通过量纲一深度的通用函数以合理的精度进行参数化[32],即:θ(z ,t )=θs (t )0ɤz ɤh (t )θs (t )-[θs (t )-θb (t )]ψθ(ζ)h (t )<z ɤd {(1)式中:t 为时间;z 为深度;θ(z ,t )为深度z 处的水温;θs (t )为水面温度(此时等于混合层水温);θb (t )为湖底温度;h (t )为混合层深度;d 为湖水深度;ψθ(ζ)为深度比值ζ=[z -h (t )]/[d -h (t )]的函数,满足边界条件ψθ(0)=0和ψθ(1)=1㊂该模型可计算雪层㊁湖冰层㊁水层和湖底沉积层的温度结构,并将自相似理论应用于所有介质层㊂湖面温度受季节影响出现周期变化,春季㊁夏季湖面升温,秋季㊁冬季湖面温度下降,湖泊冻结就是水面温度降至0ħ的过程㊂对于淡水湖泊来说,水在约4ħ时密度最大㊂进入秋季,湖泊表面降温过程最为迅速,其降温过程可以以4ħ为分界线分为3个阶段:高于4ħ时湖水在风力和重力的作用下进行局部混合,4ħ时湖水在自身重力和风力的作用下达到整体混合,低于4ħ时水体仅在风动力强迫下局部混合或者无垂向混合㊂试算发现,FLake 模型计算的结冰日一般晚于观测值14~20d,存在较大误差㊂通过分析FLake 模型4~0ħ降温过程中的水温垂向曲线发现,可能是由于过于简单的分层方案使水温垂向曲线刻画比较粗略,湖泊散失一定热量时湖表降温幅度偏小,湖表降温速率偏低,使结冰日计算值晚于观测值㊂为了减小模拟误差,需要对驱动水温垂向结构和表温的物理过程模拟更加精细化,因此尝试将刻画4~0ħ阶段更为详细的SELF 模型融入FLake 模型中[33],即:降温过程中,当FLake 计算湖表温度将至4ħ后,4~0ħ阶段使用SELF 模型计算,形成FLake-SELF 联合模型,以期改善结冰日的模拟情况㊂SELF 模型将每日的降温过程分为混合阶段和降温阶段2个阶段(图4,虚线为上一时刻水温)㊂106㊀水科学进展第34卷㊀㊀㊀(1)混合阶段㊂湖水在风的作用下进行混合,使混合层内水温趋于一致,即风的动能输入用于搅动水体混合而改变水体势能,可表示为ηʏΔt0P w (t )d t =ΔE p (h )=E p (h (t ),t )-E p (h (t ),t -Δt )(2)θmix (t )=ʏh 0θ(z ,t -Δt )d z h (t )(3)式中:η为风能传递系数;P w (t )为风能;E P 为水体势能;ΔE P 为水体混合之后势能的改变量;θmix (t )为混合层水温㊂式(2)是关于h (t )单一变量的方程,由此计算混合层深度㊂(2)降温阶段㊂降温阶段仅作用于混合层,水温计算如下:Δθs (t )=θmix (t )-θs (t )=2E c (t )ρ0(t )c p h (t )(4)式中:Δθs (t )为水面与前次混合层水温的差值;E c (t )为单位时间内水面能量交换;c p 为淡水比热容;ρ0(t )为淡水密度㊂图4㊀SELF 模型示意Fig.4Schematic diagram of SELF model 2.3.2㊀模型设置FLake㊁SELF 模型驱动数据要求相似,均含有短波辐射㊁风速㊁气温㊁水汽压和云量这5个气象要素,2个模型均使用中国区域高时空分辨率地面气象要素驱动数据集和ERA 再分析数据计算湖水表面温度㊂对FLake-SELF 模型进行初始化,水深设置为平均水深(鄂陵湖18.9m,扎陵湖8.9m),初始日期设置为夏季1979年6月1日㊂由于缺少初始混合层温度和厚度,初始水温和混合层厚度利用重复迭代的方法获得,在模拟过程中用1979年的驱动数据反复迭代模拟10a,使湖泊温度不再发生变化,以消除模型初始值的影响[32]㊂鄂陵湖㊁扎陵湖水的消光系数(λ)根据经验公式估算[34],模型其他参数依赖内部的经验公式和数值数据估算,湖泊依赖性较小,不需要重新调整[35]㊂计算消光系数的经验公式为λ=1.1925d -0.424(5)模型的气象驱动数据来自于中国区域高时空分辨率地面气象要素驱动数据集[24]和ERA 数据集产品[26],模拟结果用MODIS 遥感数据进行验证,以均方根误差(E RMS )㊁s bia 作为评估指标㊂s bis =m -o(6)E RMS =1n ðn i =1(m i -o i )2(7)㊀第1期黄文峰,等:1979 2021年鄂陵湖和扎陵湖结冰日变化及主控因素分析107㊀式中:m为模拟结果;o为遥感结果;m为模拟结果平均值;o为遥感结果平均值;下标i为第i年(1979年为第1年),i=1,2, ,n,n为模拟数量㊂3㊀结果与讨论3.1㊀鄂陵湖和扎陵湖湖冰物候特征分析鄂陵湖和扎陵湖2002 2015年不同遥感监测方案的开始冻结日和完全融化日序列如图5所示㊂扎陵湖开始冻结多始于11月中旬,次年4 5月完全融化,多年平均开始冻结日为319d,完全消融日为470d(366d 为次年1月1日),封冻历时为151d,标准差为18d;鄂陵湖多于11月底12月初开始冻结,次年5 6月完全消融,多年平均开始冻结日为334d,完全消融日为486d,封冻历时151d,标准差为12d㊂鄂陵湖开始冻结晚于扎陵湖,但是两者封冻历时没有明显差别㊂2002 2014年13个冰封期内两湖湖冰物候变化趋势不明显㊂不同的方法比较可以看出,由湖面温度获得湖泊冰封期变化浮动小于由湖冰范围得到的冰封期,这表明由温度数据得到的湖泊冰封期更加稳定㊂图5㊀鄂陵湖和扎陵湖卫星提取数据湖冰物候信息Fig.5Lake ice phenology of Lakes Ngoring and Gyaring extracted from satelli te data3.2㊀FLake-SELF模型的验证已有的遥感数据序列可用于检验FLake-SELF的模拟效果,图6给出了鄂陵湖㊁扎陵湖非冰期湖面温度模拟结果㊂模型计算的湖面温度与MODIS监测数据高度一致(相关系数R2=0.84),鄂陵湖s bia=3.3ħ㊁E RMS=4.2ħ,扎陵湖s bia=3.6ħ㊁E RMS=4.3ħ,两湖模拟效果类似㊂Crosman等[36]研究发现MODIS的观测值要低于实际观测值,并且云存在导致MODIS观测温度有较大的负偏差㊂Wen等[37]认为,FLake模型在湖泊封冻历时内忽略了太阳辐射透过冰层对湖水的加热效应,低估了冰封期内湖泊的热容量及水温,因此模拟的完全消融日期晚于观测值,且相差较大,鄂陵湖E RMS=17.4d,扎陵湖E RMS=23.5d;但是开始冻结日模拟结果与观测值相差较小,鄂陵湖E RMS=13.4d,扎陵湖E RMS=9.2d㊂改进的FLake-SELF模型开始冻结日模拟效果较FLake模拟结果更接近遥感观测值(图7)㊂鄂陵湖FLake 模拟开始冻结日最大误差出现在2004年,为36d;新模型同年误差为23d,减少了13d㊂扎陵湖Flake模拟最大误差出现在2019年,为24d;新模型为19d,减少了5d㊂扎陵湖的FLake开始冻结日E RMS=14.2d,鄂陵湖E RMS=20.5d;新模型扎陵湖开始冻结日模拟精度提升了35.2%,鄂陵湖提升了34.6%㊂可见,用新模型来重建鄂陵湖㊁扎陵湖开始冻结日期序列,可以更好地探究开始冻结日期变化规律㊂108㊀水科学进展第34卷㊀图6㊀2002 2021年FLake-SELF模拟结果与MODIS湖表温度对比Fig.6Comparison of FLake-SELF simulation results with MODIS lake surface temperature from2002 2021图7㊀FLake㊁FLake-SELF模拟结果与MODIS开始冻结日对比Fig.7Comparison of FLake and FLake-SELF simulation results with MODIS ice-on dates3.3㊀鄂陵湖和扎陵湖开始冻结日变化趋势利用改进的FLake-SELF模型重构两湖1979 2021年开始冻结日序列,如图8所示㊂多年平均而言,鄂陵湖开始冻结出现在340d,扎陵湖为322d,鄂陵湖开始冻结日晚于扎陵湖约18d,与遥感观测结果一致(图5)㊂基于Mann-Kendall非参数检验法的开始冻结日变化趋势分析表明,1979 2021年鄂陵湖㊁扎陵湖开始冻结日推迟变化趋势均达到99%的显著性水平㊂43a中,鄂陵湖开始冻结日期已从11月下旬变化到12月中旬,扎陵湖从11月中旬变化到12月上旬,两湖开始冻结日期均明显推迟㊂鄂陵湖开始冻结日平均推迟4.5d/(10a),扎陵湖平均推迟3.8d/(10a),鄂陵湖开始冻结日延后速率略大于扎陵湖㊂两湖开始冻结日年际变化有明显的一致性(R2=0.82),最早开始冻结日均出现在1985年,可能是两地相似的气候条件造成的,鄂陵湖㊁扎陵湖在1985年年均气温分别为-5.77㊁-6.01ħ,这是43a内观测到的最低年均气温㊂㊀第1期黄文峰,等:1979 2021年鄂陵湖和扎陵湖结冰日变化及主控因素分析109㊀图8㊀鄂陵湖和扎陵湖重建开始冻结日序列Fig.8Reconstructed ice-on date series of Lakes Ngoring and Gyaring3.4㊀影响湖泊开始结冰的主要气象因素以扎陵湖为例,1979 2021年每10a年均气温增长0.62ħ㊁水汽压增长17Pa㊁风速减少0.2m/s㊁短波辐射减少0.2W/m2㊁云量增加0.01,各气象要素均发生不同程度变化㊂通过设置敏感性试验来识别引起结冰日变化的关键因素㊂将气象驱动数据进行组合开展5种虚拟试验,即假定1979 2021年只保留其中1个气象要素取实测序列,其他气象要素43a间均用1980年数据替换而保持年过程不变㊂如短波辐射(R)组,其气温㊁水汽压㊁风速㊁云量1979 2021年均维持1980年的年变化过程不变,仅有短波辐射取43a的实际观测数据㊂以此类推,定义气温(T a)组㊁水汽压(e)组㊁风速(W)组和云量(C)组㊂驱动数据的背景值选择1980年,是因为该年各气象因素年均值与1979 1982年间的平均值相差最小,仅为7%,可以用于表征扎陵湖模拟初期的气候状态㊂模拟结果表明(图9),气温㊁水汽压㊁风速㊁云量和短波辐射单独变化时可造成扎陵湖开始冻结日每10a 分别推迟2.1d㊁推迟1.4d㊁推迟0.9d㊁推迟0.6d和提前0.5d㊂横向比较可以发现,气温变化对扎陵图9㊀模型试验结果Fig.9Model experiment results110㊀水科学进展第34卷㊀湖开始冻结日影响最大,其引发的开始冻结日变化与实际变化相关性最高(相关系数R 2=0.81),其次为水汽压(R 2=0.79)和风速(R 2=0.52)㊂另一方面,重建序列的方差(D )和变差系数(C V )分别为6.3d 和1.9%,气温组试验结果的方差和变异系数分别为4.3d 和1.3%,与重建序列最为接近,表明其对开始冻结日年际差异性贡献最大;其次为风速(D =2.8d,C V =0.9%)和水汽压(D =2.3d,C V =0.7%)㊂可见,气温㊁风速㊁水汽压是扎陵湖开始冻结日年际差异性和推迟的关键气象因素㊂3.5㊀不同深度湖泊开始冻结日对气候变化响应的差异对比发现,扎陵湖平均气温㊁水汽压㊁风速㊁短波辐射和云量分别比鄂陵湖低0.5ħ㊁低5Pa㊁低0.026m /s㊁高0.83W /m 2和低0.001,相差极小,两湖气象条件基本一致㊂扎陵湖气象要素平均每10a 变化6.51%,鄂陵湖平均每10a 变化6.56%,两湖气象要素变化趋势基本相同㊂为了消除气候差异对两湖开始冻结日的影响,将两湖气候条件互换模拟,结果表明互换气候条件之后扎陵湖开始冻结日变化仅为1.28d,因此,可以推测气象要素不是造成鄂陵湖㊁扎陵湖结冰日期表现不同的主要原因㊂为了探究两湖结冰日不同的原因,考虑湖泊形态特点,设计了5组不同湖深(5㊁10㊁20㊁30㊁40m)的模型模拟,以分析湖泊深度对开始冻结日在相同气候变化下的影响㊂图10㊀不同深度湖泊开始冻结日模拟结果Fig.10Simulation results of ice-on dates of lakes with different depths 结果表明,相同气候变化情势下,随湖泊深度的增加开始冻结日逐渐推迟(图10)㊂平均湖深为5㊁10㊁20㊁30㊁40m 时近40a 平均开始冻结日期分别出现在311㊁324㊁339㊁347㊁355d㊂湖深20m 开始冻结日比10m 时晚出现14.8d,这与卫星观测的鄂陵湖(18.9m)比扎陵湖(8.9m)平均结冰日(2002 2021年)晚14d 的结果相近㊂因此可推断主要是两湖深度的不同造成了两湖开始冻结日的差异㊂同时还发现,湖深若为40m 时,2017年则可能出现不结冰的现象㊂不同深度湖泊过去43a 推迟日数也存在明显差异㊂湖深5㊁10㊁20㊁30㊁40m 时近40a 开始冻结日期推迟速率分别为每10a 推迟3.5㊁3.7㊁5.2㊁6.0㊁7.0d㊂随着湖深的增加结冰日推迟天数不断增大㊂43a 湖深10m 与20m 推迟天数相差1.5d,这也与鄂陵湖㊁扎陵湖开始冻结日重建结果(相差0.7d)相近㊂不同深度的湖泊开始冻结日年际波动幅度不同,5㊁10㊁20㊁30㊁40m 深的湖泊在过去43a 的时间序列里开始冻结日期标准差分别为6.3㊁6.6㊁7.9㊁9.0㊁10.2d,随着深度的增加开始冻结日年际波动幅度也在增加㊂3.6㊀湖泊开始冻结日敏感性分析IPCC 第6次报告指出,当前地球气候变暖是前所未有的,预计到2100年根据不同温室气体排放气温将升温1.3~5ħ[1]㊂根据中国1960 1990年30a 的短波辐射量研究,发现全国大部分地区太阳辐射量降低了15%左右[38]㊂研究指出西南地区1969 2009年风速以每10a 减小0.24m /s 的速率显著降低[39]㊂因此,对气温㊁短波辐射㊁风速3个气象因素进行敏感性分析㊂以扎陵湖气候要素为背景值,各气象要素分3次进行敏感性分析(气温分别增加1.5㊁3.0㊁4.5ħ;短波辐射分别减少5%㊁10%㊁15%;风速分别减少0.4㊁0.8㊁1.2m /s)(图11)㊂结果表明:气温组开始冻结日变化最为明显,增温4.5ħ时平均开始冻结日从初始条件的322d 推迟至332d,推迟了10d;其次为短波辐射组,辐射量减少15%时平均开始冻结日期较初始条件提前了5d;风速组开始冻结日变化不明显,风速减少1.2m /s 时平均开始冻结日期较初始条件仅推迟了2.3d㊂气温的增加和风速的减小均削弱了湖泊与大气的热量交换过程,造成了开始冻结日推迟的现象;短波辐射是湖水的主要能量来源,因此短波辐射的㊀第1期黄文峰,等:1979 2021年鄂陵湖和扎陵湖结冰日变化及主控因素分析111㊀减小造成了湖泊蓄能降低,湖面更容易达到冰点,开始冻结日提前㊂图11㊀敏感性分析结果Fig.11Sensitivity analysis results既然气温是造成开始冻结日变化最重要的因素,则根据IPCC气温预测结果,可对两湖未来开始冻结日的变化进行大致预测㊂以2015年气温为基础,将5ħ升温幅度平均地分配在2016 2100年,构建出未来气温变化㊂其他气象要素保持不变,均采用与近5a均值最接近的年份数据,即水汽压采用2017年数据㊁风速和云量采用2020年数据㊁短波辐射采用2021年数据㊂使用该数据计算的2016 2021年开始冻结日与上面构建的开始冻结日序列相比,误差仅为4.3d,说明这种处理的气象数据具有一定的合理性㊂预测结果表明,两湖的开始冻结日仍维持推迟现象,鄂陵湖推迟速率为2.9d/(10a)㊁扎陵湖为1.6d/(10a);到2100年,鄂陵湖开始冻结日为373d,扎陵湖开始冻结日为349d,相比于近5a,开始冻结日将分别推迟23d和12d㊂4㊀结㊀㊀论本文将计算预冻结期的SELF模型融入FLake模型,构建了计算湖泊开始冻结日的FLake-SELF模型,对研究区开始冻结日进行了模拟和重建,研究了青藏高原鄂陵湖㊁扎陵湖1979 2021年开始结冰日的演变特征,并通过敏感性试验识别㊁分析了湖泊开始结冰的主控因素,主要结论如下:(1)将SELF模型融入FLake模型来模拟淡水湖结冰日,并以MODIS湖面温度数据作为验证㊂新模型对鄂陵湖㊁扎陵湖开始冻结日模拟精度均有提升㊂利用该模型重建了两湖1979年以来的开始冻结日序列,发现两湖开始冻结日均呈现出不同程度的推迟(鄂陵湖推迟速率为4.5d/(10a)㊁扎陵湖为3.8d/(10a))㊂(2)模型试验揭示,1979年以来,气温㊁风速㊁水汽压的年际波动是鄂陵湖㊁扎陵湖开始冻结日年际。