趙子皓， 江曉東， 楊沈斌

(江蘇省農(nóng)業(yè)氣象重點實驗室/南京信息工程大學(xué)氣象災(zāi)害預(yù)報預(yù)警與評估協(xié)同創(chuàng)新中心/南京信息工程大學(xué)應(yīng)用氣象學(xué)院，江蘇南京 210044)

冠層指植物枝葉的稠密頂層，是植物的地上部分。本研究所指的水稻冠層溫度包括稻田水面以上30、60、90 cm的溫度，冠層溫度以及土溫、水溫會對作物的生長發(fā)育造成影響，但數(shù)據(jù)的獲取需要進(jìn)行觀測，常規(guī)氣象觀測不提供該類數(shù)據(jù)。利用環(huán)境氣象要素與作物表型參數(shù)模擬冠層溫度是簡便且相對準(zhǔn)確的方案。相較于環(huán)境大氣，冠層空氣直接接觸作物，冠層溫度是作物生理研究的重要參數(shù)之一，對作物的生長發(fā)育造成重要影響。早在20世紀(jì)90年代，Chauham等研究發(fā)現(xiàn)，水稻灌漿期的冠層溫度與水稻產(chǎn)量呈負(fù)相關(guān)關(guān)系。灌漿成熟期的冠層高溫還與稻米的直鏈淀粉含量呈正相關(guān)關(guān)系，高溫會對稻米的品質(zhì)造成不利影響。另外，水稻冠層溫度對水稻葉面積指數(shù)、根系分布、葉片基角、開張角等眾多生理指標(biāo)造成影響。除了冠層溫度外，水溫和土溫也會對水稻生長造成影響。適當(dāng)提高水溫可以使水稻幼苗的株高生長速度加快。Yin較早分析了稻田水層溫度對水稻抽穗開花期的影響，結(jié)果表明，水層溫度在水稻生長早期對其發(fā)育進(jìn)程的影響超過氣溫。但在水稻生長發(fā)育中后期，水層溫度影響有限，冠層溫度對水稻生長發(fā)育以及產(chǎn)量形成造成較大影響。土溫升高可以促進(jìn)高寒地區(qū)水稻干物質(zhì)積累以及分蘗數(shù)增長。冠層溫度作為直接影響作物生長發(fā)育的氣象要素，被廣泛用于各項作物生理研究，例如改進(jìn)作物生長發(fā)育模型、判斷作物缺水程度、計算作物水分利用率、建立灌溉指標(biāo)等都會用到作物冠層溫度。水稻冠層的溫度與環(huán)境溫度存在差異，采用環(huán)境溫度可能會導(dǎo)致作物生理研究結(jié)果的誤差。因此，獲取作物冠層溫度以及土溫和水溫具有重要意義。而由于水稻冠層的特殊結(jié)構(gòu)，水稻不同器官主要位于冠層內(nèi)的不同高度，例如冠層底部主要為水稻的莖，冠層中部主要包含水稻的莖和葉，冠層上部主要包含水稻的葉和穗。故冠層內(nèi)不同高度層的溫度對水稻的生長發(fā)育及產(chǎn)量的影響不同，研究水稻冠層內(nèi)不同高度層的溫度模擬同樣具有重要意義。

回歸模型是模擬冠層溫度的方法之一，段永紅等對不同天氣和土壤條件下小麥的冠層溫度、土壤溫度建立回歸方程，效果較好，在晴朗濕潤麥地里，94.7%的模擬冠層溫度誤差小于2 ℃。王春玲等選擇溫室外的溫度、風(fēng)速、相對濕度、太陽高度角等4個要素，利用反向傳播(BP)神經(jīng)網(wǎng)絡(luò)對溫室內(nèi)的溫度進(jìn)行模擬，效果較好。相較于回歸模型，BP神經(jīng)網(wǎng)絡(luò)和支持向量機(SVM)模型的機器學(xué)習(xí)模型具有自學(xué)習(xí)、非線性等優(yōu)點，也常用于人工溫室內(nèi)溫度、作物需水量、葉面積指數(shù)(LAI)、產(chǎn)量等要素的模擬或預(yù)測，并取得了較好的效果，說明利用機器學(xué)習(xí)模型模擬稻田冠層溫度是可行的。

可見作物冠層各層溫度以及土溫和水溫的準(zhǔn)確獲取具有重要意義。為模擬稻田冠層各層溫度以及水層和土層溫度，本研究選用相對容易獲取的環(huán)境氣象要素資料以及水稻表型參數(shù)資料，利用線性回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型、SVM模型等方法模擬水稻30、60、90 cm冠層溫度以及土溫、水溫，以期為冠層溫度和水溫土溫的模擬提供技術(shù)支撐。

1 資料與方法

1.1 試驗設(shè)計

選取兩優(yōu)培九品種水稻，于2019年在南京信息工程大學(xué)農(nóng)業(yè)氣象實驗站(118°42′17″E，32°12′24″N)開展大田分播期試驗。播種期分別為4月10日、4月20日、4月30日，插秧期分別為5月3日、5月17日、6月2日，栽插密度為23穴/m。在水稻孕穗至成熟期間，于7月28日至9月29日進(jìn)行溫度觀測。利用溫濕度儀(HOBO U23-001，USA)觀測并記錄田間5 cm土溫、水溫以及30、60、90 cm冠層溫度，每間隔5 min測定1次，并取1 h均值用于各層溫度模擬。間隔1 h觀測和記錄大田2 m處溫度(HOBO U23-001，USA)以及風(fēng)速(HOBO S-WCB-M003，USA)資料。每周定時觀測記錄水稻株高、LAI。株高利用直尺人工觀測，觀測3次取平均值；葉面積利用LI-3000型葉面積儀(Li-COR，USA)測定。試驗期間記錄試驗地每日天氣情況。依據(jù)GB/T 35663—2017《天氣預(yù)報基本術(shù)語》，根據(jù)云量觀測資料對記錄的天氣條件進(jìn)行訂正。天空總云量0～2成的日期記錄為晴天。存在降雨的日期記錄為雨天。其余少云、多云、陰天天氣都記為多云。云量和降水量資料由南京信息工程大學(xué)大氣觀測場提供。

1.2 研究方法

1.2.1 BP神經(jīng)網(wǎng)絡(luò) BP神經(jīng)網(wǎng)絡(luò)模型包括輸入層、中間層、輸出層等3層結(jié)構(gòu)(圖1)，包括輸入數(shù)據(jù)的正向傳播以及誤差的反向傳播訂正2個主要計算過程，當(dāng)完成一次正向傳播后，模型計算誤差，并將誤差向后傳遞至輸入層，并改變各步驟相應(yīng)的權(quán)值。更新權(quán)值后重新訓(xùn)練模型，不斷重復(fù)上述過程，直到達(dá)到一定設(shè)定條件時，模型停止訓(xùn)練。

模型中間層節(jié)點數(shù)設(shè)置如下：

(1)

式中：表示中間層節(jié)點數(shù)量；表示輸入層的節(jié)點數(shù)量；表示輸出層的節(jié)點數(shù)量；表示調(diào)節(jié)數(shù)，的取值范圍是1～10?？紤]到增強模型的魯棒性以及獲得更大數(shù)據(jù)量，將3個播期的資料統(tǒng)一處理，不單獨針對某一播期建立模型。將數(shù)據(jù)分為晴天、多云、雨天3類。在每一類數(shù)據(jù)中，分別利用環(huán)境溫度、風(fēng)速、水稻株高、水稻LAI建立模型。在本研究192 d數(shù)據(jù)中，雨天共計93 d，多云共計59 d，晴天共計40 d，為了保證各類天氣訓(xùn)練效果一致，取樣本數(shù)相同的訓(xùn)練集和測試集，在雨天、多云天氣中隨機選取40 d(960 h)數(shù)據(jù)，保證3種天氣都取40 d數(shù)據(jù)用于模型訓(xùn)練和預(yù)測。將水稻株高、LAI以及環(huán)境溫度、風(fēng)速要素分為測試集(每種天氣10 d，占25%)以及訓(xùn)練集(除測試集之外的30 d數(shù)據(jù)，占75%)輸入BP神經(jīng)網(wǎng)絡(luò)模型，調(diào)整模型中間層節(jié)點數(shù)、模型訓(xùn)練次數(shù)等，將模型調(diào)試到最準(zhǔn)確的狀態(tài)，對水稻冠層溫度進(jìn)行模擬。

1.2.2 支持向量機 SVM將輸入向量通過非線性變換映射到一個高維特征空間，以結(jié)構(gòu)風(fēng)險最小化為原則，按照一定誤差閾值分離數(shù)據(jù)的最優(yōu)超平面。SVM模型包括輸入層、中間層和輸出層3個部分，中間層節(jié)點與輸入樣本和支持向量的內(nèi)積(，)對應(yīng)，輸出是多個中間層節(jié)點的線性組合。本研究選取徑向基函數(shù)作為核函數(shù)，徑向基函數(shù)見公式(2)。使用LIBSVM軟件包實現(xiàn)建模。

(，)=exp(-‖-‖)，>0。

(2)

式中：表示樣本；、表示樣本序號；為模型的待定系數(shù)，將影響模型支持向量的個數(shù)，從而影響訓(xùn)練與預(yù)測的速度。

將水稻株高、LAI以及環(huán)境溫度、風(fēng)速等要素分為測試集(每種天氣10 d)以及訓(xùn)練集(除測試集之外的30 d數(shù)據(jù))輸入SVM模型，調(diào)整模型懲罰系數(shù)等參數(shù)，將模型調(diào)試到最準(zhǔn)確的狀態(tài)，對水稻冠層溫度進(jìn)行模擬。

1.2.3 模型評價指標(biāo) 選用均方根誤差(RMSE)、皮爾遜相關(guān)性系數(shù)()、絕對誤差()以及相對誤差(RE)對模型模擬效果進(jìn)行評價。各評價指標(biāo)計算方法如下：

(3)

(4)

(5)

(6)

2 結(jié)果與分析

2.1 線性回歸模型

由表1可知，線性回歸模型對各層溫度模擬RMSE較大，各天氣和分層的RMSE都大于1。模型絕對誤差較大，除雨天 30 cm 冠層溫度、雨天60 cm冠層溫度絕對誤差小于1 ℃外，其余情況的絕對誤差都大于1 ℃。各天氣和分層情況下模擬值與觀測值相關(guān)性都達(dá)到極顯著水平(<0.01)，但相關(guān)性系數(shù)較低，僅各天氣條件下60 cm冠層溫度以及多云和晴天條件下30 cm冠層溫度相關(guān)系數(shù)達(dá)到0.90及以上。各天氣和分層情況下相對誤差都較大，晴天時90 cm冠層溫度相對誤差最大(8.52%)?？梢娋€性回歸模型對各層溫度模擬誤差較大，精度無法滿足業(yè)務(wù)需求。模型對土溫、水溫模擬值誤差較小，對冠層溫度模擬誤差較大，這是由于土溫和水溫日變化幅度較小，數(shù)值較穩(wěn)定，而冠層溫度日變化幅度較大，影響冠層溫度的因素較多，給冠層溫度的模擬造成了一定困難。

表1 線性回歸模型測試集評價結(jié)果

由圖2可知，線性回歸模型對土溫、水溫模擬值(即圖中預(yù)測值，下同)的日變化幅度大于觀測值，模擬值的日最高溫度大于觀測值，日最低溫度小于觀測值。線性回歸模型對土溫、水溫模擬值的絕對誤差較小，但對溫度日極值模擬誤差較大，這是由于土溫、水溫的日變化幅度本身較小，所以較小的絕對誤差也會造成對日最高、日最低溫度模擬效果較差。線性回歸模型對30、60、90 cm 冠層溫度的日變化規(guī)律模擬效果較好，模擬值與觀測值變化趨勢接近，但由于30、60、90 cm冠層溫度數(shù)值較大，且日變化幅度較大，故模擬值的平均絕對誤差仍然大于對土溫、水溫模擬值的平均絕對誤差。

由圖3可以看出，各天氣下土溫、水溫的模擬值與觀測值距離1 ∶1線較遠(yuǎn)，決定系數(shù)()較小。這是由于土溫、水溫的日變化幅度較小，所以即使絕對誤差較小，但模擬值與觀測值仍然偏離1 ∶1線較遠(yuǎn)。另外，由于土溫、水溫的日變化幅度小于冠層溫度的日變化幅度，所以當(dāng)天的土溫、水溫數(shù)據(jù)在圖中比較集中，形成了幾個較為獨立的區(qū)域。30、60、90 cm冠層溫度的模擬值與觀測值均勻分布在 1 ∶1 線兩側(cè)，較土溫、水溫的模擬結(jié)果有明顯提高。各冠層溫度的模擬值與觀測值的都≥0.70。其中，30、60 cm冠層溫度的較高，各天氣條件下 90 cm 冠層溫度的值較低，全部低于0.80。

2.2 BP神經(jīng)網(wǎng)絡(luò)模型

將環(huán)境溫度、風(fēng)速、水稻株高、LAI輸入BP神經(jīng)網(wǎng)絡(luò)模型，調(diào)整模型參數(shù)，使模型達(dá)到較為準(zhǔn)確的狀態(tài)。最終采用的中間層節(jié)點數(shù)為10個，學(xué)習(xí)率為1×10，訓(xùn)練次數(shù)為15萬次。由表2可以看出，BP神經(jīng)網(wǎng)絡(luò)模型與線性回歸模型各項評價指標(biāo)數(shù)值接近，準(zhǔn)確度沒有明顯改善。各天氣各分層的RMSE全部大于1。除雨天30 cm冠層溫度、雨天60 cm冠層溫度的絕對誤差小于1 ℃外，其余情況的絕對誤差都大于1 ℃。各天氣條件和分層的模擬溫度與觀測溫度的相關(guān)性全部達(dá)到極顯著水平，但相關(guān)性系數(shù)較低，僅60 cm冠層溫度以及多云和晴天條件下30 cm冠層溫度的模擬溫度與觀測溫度的相關(guān)系數(shù)達(dá)到0.90及以上。模型相對誤差整體較大，尤其以 90 cm 冠層溫度的相對誤差最大，晴天90 cm冠層溫度的相對誤差達(dá)到8.45%。

表2 BP神經(jīng)網(wǎng)絡(luò)模型測試集評價結(jié)果

由圖4可以看出，與線性回歸模型相比，BP神經(jīng)網(wǎng)絡(luò)模型同樣無法準(zhǔn)確模擬土溫、水溫的日變化規(guī)律。模型對土溫、水溫的日最高溫度模擬值大于觀測值，對日最低溫度模擬值小于觀測值，模擬溫度的日變化幅度遠(yuǎn)大于觀測值。BP神經(jīng)網(wǎng)絡(luò)模型對30、60、90 cm冠層溫度的日變化規(guī)律模擬效果較好，模擬值與觀測值變化趨勢接近?？傮w而言，BP神經(jīng)網(wǎng)絡(luò)模型與線性回歸模型效果接近，對土溫、水溫模擬值的絕對誤差較小，對土溫、水溫的日最高、日最低溫度模擬效果較差，對冠層溫度模擬值的絕對誤差較大。

由圖5可以看出，土溫、水溫的模擬值與觀測值分布較分散，距離1 ∶1線較遠(yuǎn)，較小，說明模型對土溫、水溫模擬的誤差較大。BP神經(jīng)網(wǎng)絡(luò)模型對30、60、90 cm冠層溫度的模擬值與觀測值均勻分布在1 ∶1線兩側(cè)。與線性回歸模型結(jié)果相似，BP神經(jīng)網(wǎng)絡(luò)模型對30、60、90 cm冠層溫度模擬值與觀測值的都≥0.70。其中，60 cm冠層溫度模擬值與觀測值的較高，各天氣條件下全部達(dá)到0.80以上，90 cm冠層溫度模擬值與觀測值的較低，各天氣條件下全部低于0.80。

2.3 支持向量機模型

將測試集數(shù)據(jù)輸入訓(xùn)練好的模型，以檢驗?zāi)Ｐ蛯Ω鲗訙囟饶M的準(zhǔn)確性，測試集模型評價結(jié)果見表3，可以看出，相比線性回歸模型以及BP神經(jīng)網(wǎng)絡(luò)模型，SVM模型對稻田各層溫度的模擬準(zhǔn)確度得到提高，各天氣、各高度層的最大RMSE為2.01，最小相關(guān)系數(shù)為0.85，相關(guān)性全部達(dá)到極顯著水平。模型對90 cm冠層溫度模擬誤差較大，最大絕對誤差為1.29 ℃，最大相對誤差為4.91%。SVM模型尤其對土溫、水溫的模擬效果較好，RMSE與絕對誤差、相對誤差都得到了有效的控制。

表3 SVM模型測試集評價結(jié)果

由圖6可以看出，與線性回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型相比，SVM模型對土溫、水溫日最高和日最低溫度模擬誤差大幅降低，模型能夠有效模擬土溫、水溫的日變化規(guī)律。多云和晴天條件下模擬值與觀測值基本一致，但雨天條件下部分時刻的土溫、水溫模擬仍存在較大誤差。SVM模型對各層冠層溫度模擬的也較準(zhǔn)確，對各天氣、各分層溫度模擬結(jié)果都好于線性回歸模型以及BP神經(jīng)網(wǎng)絡(luò)模型，模型適用性較好。

由圖7可以看出，SVM模型對各層溫度模擬效果都較好，各天氣條件下各分層溫度的模擬值與真實值都均勻分布在1 ∶1線兩側(cè)，各天氣條件下各分層的最小為0.75。除晴天90 cm冠層溫度外，其他多云、晴天條件下各層溫度模擬值與觀測值的全部超過0.90，雨天條件下SVM模型的較低，但雨天條件下SVM模型的仍然大于線性回歸模型以及BP神經(jīng)網(wǎng)絡(luò)模型。SVM模型對土溫和水溫模擬的效果優(yōu)于各層冠層溫度。

由圖8可以看出，線性回歸模型與BP神經(jīng)網(wǎng)絡(luò)模型對各層溫度模擬效果基本一致，平均絕對誤差大于SVM模型，SVM模型溫度模擬平均絕對誤差最小。3種模型對90 cm冠層溫度的模擬平均絕對誤差最大，對冠層內(nèi)較低高度的溫度模擬平均絕對誤差較小。不同天氣條件下模型對各層溫度模擬效果存在一定差異，線性回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型對雨天各層溫度模擬的平均絕對誤差最小，對晴天各層溫度模擬的平均絕對誤差最大。SVM模型在不同天氣條件下模擬的平均絕對誤差均較小，說明SVM模型適用性較好，在不同天氣條件下都有較好的表現(xiàn)。

3 討論

線性回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型對稻田各層溫度模擬結(jié)果較接近，模擬誤差較大，無法滿足應(yīng)用需求。尤其是線性回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型無法準(zhǔn)確模擬土溫和水溫的日極值溫度，對土溫和水溫的日變化規(guī)律模擬效果較差。SVM模型對各層溫度的模擬誤差較小，模型能夠準(zhǔn)確模擬土溫、水溫的日變化規(guī)律，對土溫、水溫的日極值模擬準(zhǔn)確度遠(yuǎn)高于線性回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型。SVM模型精度最高，對不同天氣條件下各層溫度模擬的最大絕對誤差為1.29 ℃(晴天90 cm冠層溫度)，最小絕對誤差為0.09 ℃(多云5 cm土溫)。將環(huán)境溫度、風(fēng)速、水稻株高、LAI參數(shù)輸入SVM模型可準(zhǔn)確模擬稻田各層溫度，為更加便捷準(zhǔn)確地獲取稻田土溫、水溫和冠層溫度提供了科學(xué)依據(jù)。

BP神經(jīng)網(wǎng)絡(luò)和SVM模型都是非線性自學(xué)習(xí)的機器學(xué)習(xí)模型。BP神經(jīng)網(wǎng)絡(luò)的3層結(jié)構(gòu)，其本質(zhì)主要由一系列計算公式組成。這些公式的形式固定，系數(shù)(也就是權(quán)值)未知，在第1次正向計算前，通過隨機函數(shù)對這些系數(shù)賦值，然后將輸入數(shù)據(jù)代入公式逐步計算，得到輸出值后計算輸出值與真實值的誤差，再將誤差反向傳遞，去訂正這些公式的系數(shù)，誤差反向傳遞主要是通過對這些計算公式求偏導(dǎo)以及權(quán)值訂正公式得到對每個系數(shù)的訂正值，完成所有系數(shù)的訂正后，再進(jìn)行下一次正向計算，如此循環(huán)往復(fù)，直到誤差小于閾值或訓(xùn)練次數(shù)達(dá)到設(shè)置值。BP神經(jīng)網(wǎng)絡(luò)容易出現(xiàn)過擬合現(xiàn)象，也就是模型學(xué)習(xí)能力過強，識別到了錯誤樣本的規(guī)律，導(dǎo)致模型在訓(xùn)練集效果較好，但在測試集誤差較大。在本研究的模型構(gòu)建過程中，在利用公式(1)計算中間層節(jié)點數(shù)的前提下，適當(dāng)降低中間層節(jié)點數(shù)，可以降低模型的復(fù)雜程度，削弱模型的學(xué)習(xí)能力，從而減輕過擬合現(xiàn)象。SVM模型模擬誤差小于BP神經(jīng)網(wǎng)絡(luò)，這是由于SVM模型在數(shù)據(jù)分類原理上不同于BP神經(jīng)網(wǎng)絡(luò)，SVM模型將數(shù)據(jù)投影到特征三維空間，通過結(jié)構(gòu)化風(fēng)險最小原則構(gòu)建最優(yōu)超平面實現(xiàn)數(shù)據(jù)分類。SVM模型的模擬主要由少數(shù)支持向量決定，模型可以抓住關(guān)鍵樣本，避開部分錯誤樣本數(shù)據(jù)，從而減少過擬合。另外，SVM模型的復(fù)雜程度取決于支持向量的數(shù)量，而不是數(shù)據(jù)維度，而支持向量由模型選取，不同于BP神經(jīng)網(wǎng)絡(luò)需要人工設(shè)置一個合適的中間層節(jié)點數(shù)。所以在控制模型學(xué)習(xí)能力方面，SVM模型可以實現(xiàn)對數(shù)據(jù)的自適應(yīng)，從而避免過擬合，提高測試集模擬精度。

由于冠層最高層接收太陽輻射最多，作物光合作用最強，作物生理過程產(chǎn)生熱量交換，對冠層溫度的模擬不利，且水稻冠層頂部葉片集中，葉片氣孔的蒸騰作用同樣導(dǎo)致較多熱量交換，增加了模型的誤差。因此3種模型都對90 cm冠層溫度模擬的誤差最大，對葉片較少的30 cm冠層溫度模擬的誤差較小。由于土溫、水溫的日變化較小，溫度值變化較平穩(wěn)，所以3種模型對土溫、水溫模擬的誤差小于冠層溫度。線性回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型都對雨天各層溫度模擬的誤差最小，晴天誤差最大。主要是由于晴天光照較強，作物光合作用、蒸騰等生理過程產(chǎn)生的熱量交換為溫度模擬增加了難度。由于SVM模型效果較好，模型對不同天氣條件下各層溫度模擬誤差比較接近，誤差都較小。SVM模型適用性較好，適用于不同天氣條件。

利用SVM模型模擬水稻冠層溫度以及土溫和水溫是可行的。本研究所用數(shù)據(jù)包括3個播期共計120 d(包括2 880 h)的觀測資料，其中雨天、多云、晴天各40 d(960 h)。雖然SVM模型對各天氣條件下各層溫度模擬的誤差已經(jīng)較小，但獲取更大量的觀測數(shù)據(jù)有望進(jìn)一步提高模型訓(xùn)練效果，從而減小溫度模擬的誤差。且本研究僅選用了當(dāng)?shù)刂髟缘乃酒贩N，不同水稻品種的株高、LAI存在差異，對水稻冠層內(nèi)能量的傳輸造成一定影響，而水稻的株高和LAI參數(shù)在本研究構(gòu)建的模型中發(fā)揮重要作用，如果能對更多水稻品種進(jìn)行試驗，則可以加入水稻品種參數(shù)，對模型進(jìn)一步完善。

4 結(jié)論

利用環(huán)境溫度、風(fēng)速以及水稻LAI、株高表型參數(shù)，實現(xiàn)對不同天氣下水稻冠層各層溫度以及土溫、水溫的模擬。在線性回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型、SVM模型中，SVM模型模擬效果最好，平均誤差最小，對日最高、最低溫度模擬準(zhǔn)確度最高。在不同分層中，模型對90 cm冠層溫度模擬的誤差最大。在不同天氣中，模型對晴天溫度模擬誤差最大。SVM模型對溫度模擬準(zhǔn)確度較高，可用于各種天氣條件下對水稻冠層各層溫度以及土溫和水溫的模擬。