2.5　本章小结

根据上述研究，可以得到如下结论。

（1）利用一般天气预报信息和模糊神经网络知识所建立的预测日参照腾发量模型，计算精度较高，使用方便，节省气象数据或者建造自动气象站的费用，可以推广应用。同时，本预测系统所需输入项仅需日最高气温和天气情况，输入和操作简单，智能化较高。

（2）本方法具有地域特征，在使用时必须率定。使用前必须先获得当地地理位置参数，率定当地一年内每天对应的理论日照时数或辐射值，以解析天气预报信息。当地天气预报信息准确度在很大程度上会影响本方法的精确度。

（3）解析方法在不同气候区不同经纬度的应用分析结果表明，该方法可以进行区域ET0的估算，预测精度较高，尤其更适用于湿润、半湿润地区。

（4）用实际田间作物生育期数据和实际天气预报信息及模糊神经网络方法计算3种ET0值，并进行对比，通过4种统计指标的分析可见，在现有预报精度的支撑下，由天气预报信息进行预测ET0的方法是可行的。随着天气预报信息精度的提高，本方法的预测精度也将会大大提高。

（5）本书在根据实时天气预报信息推求参照腾发量的方法上，应用作物根区土壤水量平衡方程，提出了实时估算作物腾发量的方法。为检验该方法所可靠性和实用性，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，并用冬小麦6种田间灌溉试验土壤水分数据对模型预报结果检验分析。结果表明，该方法可以有效地实时估算作物腾发量，为田间实时灌溉管理与决策提供较为可靠的参数，并且因为天气预报信息数据来源为免费的公共资源，方便、经济，易于推广应用。

（6）该方法在得到区域天气预报信息和作物、土壤分布数据后，可以应用于大面积作物腾发量实时预报。但需要考虑空间变异性和数据插分方法的选择。如何进行区域的作物腾发量预报并进行合理性和有效性检验，以及用于不同地区和不同作物，将需进一步的深入研究。