發表文章

Tipping Bucket Model (1)

第一講 DSSAT Water Balance 架構 1.1 DSSAT 水分模擬的核心思想 DSSAT(Decision Support System for Agrotechnology Transfer)不是用完整物理水流方程描述土壤水分,而是採用:soil-layer based, cascading reservoir model(分層串聯水庫模型),也就是常說的Tipping Bucket Model。 基本假設: 土壤剖面被切割成數個水平土層(soil layers)。 每層是一個獨立水庫。 水進入某層後: 儲存在該層 超過容量後向下流動 被根吸收 被蒸發消耗 因此 DSSAT 的土壤水分不是求解水勢,而是追蹤: Water storage in each layer 1.2 DSSAT 水分模組的位置 DSSAT CSM(Cropping System Model)的架構: Weather | ↓ ┌───────────────────┐ │ Daily Weather Data│ └───────────────────┘ | ↓ ┌───────────────────┐ │ Soil Water Module │ └───────────────────┘ | ┌──────────────┼──────────────┐ ↓ ↓ ↓ Infiltration Evaporation Drainage | ↓ Soil Water Profile | ↓ Root Water Uptake | ↓ Crop Growth 也就是: 氣象 → 水分平衡 → 植物生長 1.3 DSSAT 每日水分平衡方程 每天土壤水分更新: $ SWi(t+...

農業溫室氣體排放估算 - 水田甲烷(參數篇)

基本概念可參考上一篇文章 https://learncropmodel.blogspot.com/2025/05/blog-post.html 上一篇文章提及碳排係數在Tier1當中的拆解方式如下,我們來看看文獻裡的參數吧 $EF_i = EF_c \cdot SF_w \cdot SF_p \cdot SF_o$ EF i : i條件的每日排放係數 EF c : 無施用有機肥料下持續灌溉水田的排放係數 SF w : 不同水分管理區域的調整因子(表 5.12) SF p : 不同種植前水分管理調整因子(表 5.13) SF o : 有機質肥料型態或施用量之調整因子(Eq. 5.3, 表5.14) Baseline emission factor 也就是EF c 的預設係數來自於表5.1 (page 5.53) 表5.1 預設水田甲烷排放係數,假設水稻栽培時間小於180天、連續淹水、未施用有機質 World Regional Emission factor (kg CH 4 ha -1 d -1 ) Error range (kg CH 4 ha -1 d -1 ) Region Emission factor (kg CH 4 ha -1 d -1 ) Error range (kg CH 4 ha -1 d -1 ) 1.19 0.80 - 1.76 Africa 1.19 0.80 - 1.76 East Asia 1.32 0.89 - 1.96 Southeast Asia 1.22 0.83 - 1.81 South Asia 0.85 0.58 - 1.26 Europe 1.56 1.06 - 2.31 North ...

GLYCIM模式介紹-植物參數

GLYCIM模式最早在1982由Dr. Acock等人建立,經過Dr. V.R. Reddy, Dr. Yakov Pachevsky, Dr. Dennis Timlin 等人測試與修訂,根據Dr. Reddy口述,Ken Boote最早也有參與GLYCIM模式開發,後來依據GLYCIM模式的基礎建立CROPGRO模式,因此CROPCRO與GLYCIM模式有一定的相似度。原本的GLYCIM模式使用Penman monteith進行水平衡模擬、Hyperbolic equation模擬光合作用,該模式相當令人驚豔之處在於能夠反映淹水情境下,根部活性降低、生長速率下降與根瘤死亡,可以從上述的現象探討淹水情境下,大豆的生理變化以及元素平衡,對於最終產量的影響。 Dr. Timlin在20年以前就開始協助GLYCIM模式土壤模型的建立,這幾年重新將GLYCIM模式與2DSOIL結合成為2DGLYCIM,並且使用FvCB取代Hyperbolic equation進行光合作用模擬,可想像是另一個昇級版的大豆模式。目前模式的原始碼仍然是公開的,只要有興趣的人都可以在Github上找到GLYCIM,Dr. Reddy的團隊一直歡迎大家取用模式,這個氣度永遠是我無法企及的。 GLYCIM模式所需的作物參數檔下表,可以看到參數檔當中有相當大的部分用來模擬作物的發育,模式的時步(time step)是小時,在這個模式既可以觀察到Dr. Acock盡量使用生長/發育速率的取代累積溫度,很大的程度影響到MAIZSIM模式。GLYCIM模式假設的基礎溫度是0℃,並無optimum temperature,值得觀察高溫環境下是否能使用beta function來取代現行的linear equation。 代碼 Definition 定義 備註 MG maturity group number (group 00 = 1) 成熟群 SEEDLB number of seeds per pound weight typical for cultivar 每磅籽粒數 Sink FILL Seed f...

CERES-RICE 品種參數

P1:基本營養生長期 (P1) 從出土到對光週期變化變得不敏感之前的這段時間。這段期間,水稻的生長主要受溫度影響。它的時間長度以「生長積溫」(GDD, 攝氏度-天) 表示,基溫為 9°C。 ! P1 Time period (expressed as growing degree days [GDD] in oC-d above a ! base temperature of 9oC) from seedling emergence during which the ! rice plant is not responsive to changes in photoperiod. This period ! is also referred to as the basic vegetative phase of the plant. ! Range: 150-800 oC-d. 數值範圍: 150-800 °C-d。 校準: 具有彈性,可以與實際觀察到的幼穗分化和開花日期進行比較來調整。 P2O 中文翻譯: 臨界光週期 (P2O) 說明: 這是指水稻發育達到最快速度所需的最長日照時間(以小時為單位)。如果日照時間超過這個臨界值,發育速度會減慢,導致生長延遲。 數值範圍: 11-13 小時,預設值為 12 小時。 校準: 除非有相關數據,否則不建議低於 11 小時。 P2R 中文翻譯: 光週期敏感係數 (P2R) 說明: 當日照時間每增加一小時超過臨界光週期 (P2O) 時,水稻發育(特別是幼穗分化)所延遲的時間,以生長積溫 (GDD) 表示。 數值範圍: 5-300 °C-d。 校準: 現代水稻品種的數值通常在較低範圍內。 P5 中文翻譯: 灌漿期 (P5) 說明: 這是從灌漿開始(開花後約 3 至 4 天)到生理成熟的這段時間,同樣以生長積溫 (GDD) 表示,基溫為 9°C。 數值範圍: 150-850 °C-d。 校準: 在正確校準了 P1、P2O 和 P2R 以符合開花日期後,再根據實際成熟日期來校準 P5。 G1 中文翻譯: 潛在小穗數係數 (G1) 說明: 這是根據開花期時主莖(不包括葉片和葉鞘,但包括穗部)的乾重,估算出的每克乾重所含的潛...

農業溫室氣體排放估算 - 水田甲烷

水田甲烷(CH 4 ) IPCC(2019) vol. 4,第5章, p5.49 方法 1 - Tier 1 $CH_{4,Rice} =\sum\limits_{i, j, k} (EF_{i,j,k} \cdot t_{i,j,k} \cdot A_{i,j,k} \cdot 10^{-6})$ CH 4,rice : 每年水稻栽培造成的甲烷排放量, Gg CH 4 yr -1 EF i, j, k : i, j, k情況下水稻栽培每日甲烷排放量, kg CH 4 ha -1 day -1 t i, j, k : i, j, k 情況水稻栽培時間, day A i, j, k : i, j, k 情況下水稻栽培面積, ha yr -1 i, j, and k: 代表不同的生態環境、水分管理、有機質肥料施用型態與施用量以及其他會影響甲烷排放量的變因 Tier 1 適用兩種情況的國家:(1) 水稻甲烷排放不是關鍵類別、(2) 沒有國家排放係數。必須將水稻的年收穫面積依照至少3種基本水分管理方式進行分類,包括灌溉、看天田、陸稻。另外建議儘可能納入影響甲烷排放的其他多種條件。將國家劃分成不同的小區,每個小區排放量是透過基準預設排放係數(適用於栽種前180天內無淹水,且持續淹灌且無添加有機質區域),與各種調整因子相乘來修正,如Eq.5.2 所示。每種水分管理方式及有機質添加情形的計算方式可參考Eq. 5.3 。 每日排放係數調整因子 (scaling factor) $EF_i = EF_c \cdot SF_w \cdot SF_p \cdot SF_o$ EF i : i條件的每日排放係數 EF c : 無施用有機肥料下持續灌溉水田的排放係數 SF w : 不同水分管理區域的調整因子(表 5.12) SF p : 不同種植前水分管理調整因子(表 5.13) SF o : 有機質肥料型態或施用量之調整因子(Eq. 5.3, 表5.14) 有機質肥料施用 $SF_o = (1+\sum\limits_{i}ROA_i \cdot CFOA_i)^{0.59}$ ROA i : 有機資材i的施用量,可以是乾稻稈種或其他有機資材的鮮種,tonne ha -1 CFOA i : 有機資材i的轉換係數,表5.14 方法2 -Tier 2 Tier 2 ...

農業溫室氣體排放估算 - 氧化亞氮

從簡單到複雜可以分成三種方法  Tier 1:最簡單的使用方法,公式最為簡單、使用預設參數值  Tier 2:類似於Tier 1,但是選擇國家或區域參數,通常會使用較高時間與空間解析度的活動資料,並進行更細緻的分類,以對應特定區域和專業化土地利用或畜牧類別的國家自訂係數。  Tier 3:較為高階的方法,例如使用基於過程的模型 (process-based model)或依據國家情況量身打造的清查測量系統 氧化亞氮 (N 2 O) IPCC(2019) vol. 4,第11章 Tier 1 - 主要方程式如下 N 2 O Direct -N = N 2 O-N N inputs + N 2 O-N OS + N 2 O-N PRP (Eq. 11.1) 其中 N 2 O Direct -N: 每年土壤直接的N 2 O-N排放量, kg N 2 O-N yr -1 N 2 O-N N inputs : 每年氮投入所導致的 N 2 O-N排放量,單位同上 N 2 O-N OS : 每年土壤有機質管理所影響的 N 2 O-N排放量,單位同上 N 2 O-N PRP : 每年因有放牧和糞尿施用所影響的 N 2 O-N排放量,單位同上 也就是氧化亞氮的排放量主要來自於氮投入和土壤有機值得釋出,但因為台灣的土壤有機質條件未達到IPCC(2019)規範。 其中從氮投入(N 2 O-N N inputs )的部分可以再進行拆解 N 2 O-N N inputs = (F SN + F ON + F CR + F SOM ) * EF 1 F SN : 每年化學肥料氮投入量, kg N/yr F ON : 每年有機質肥料氮投入量, kg N/yr F ON : 每年作物殘體氮(包含地上部與地下部)回到土壤的量, kg N/yr F SOM : 因為田間管理或擾動造成每年有機質礦化釋出的氮量, kg N/yr N 2 O-N OS 是指有機質土壤分解的氧化亞氮,IPCC (2019) 說明如下 如果土壤符合以下第1與第2項,或第1與第3項的條件,即可被歸類為有機土壤(FAO, 1998): 厚度達10公分或以上。若土層厚度少於20公分,則混合至20公分深度時,其有機碳含量須達12%以上。若土壤在任何...

模式結果分析

比較模擬結果的方法有很多種,我們可以分為兩種類類型,(1) 模擬值與量測值的相關性、(2) 模擬與量測值的誤差。 基於相關性的模擬結果評估方法 基於相關性的評估方法中,最常見的方法是進行模擬與實測值的簡單線性回歸,通常會將模擬值輸出為y軸,實測值輸出為x軸,當斜率接近1、截距接近0、R 2 接近1時,我們可以可以認定為良好的模式。 另一個方法就是計算  r - 相關係數(Correlation coefficient) $r=\tfrac{\sum\limits_{i=1}^n(o_i-\bar{o})(s_i-\bar{s})} {\sqrt{\sum\limits_{i=1}^n(o_i-\bar{o})^2}\sqrt{\sum\limits_{i=1}^n(s_i-\bar{s})^2}}$ 符號 $o_i$ 代表實測值、 $s_i$ 代表相對應的模擬值 基於誤差的評估方法 常見的包括RMSE, RRMSE, MAE, EF,以下分別進行說明, 所使用的符號 $o_i$ 代表實測值、 $s_i$ 代表相對應的模擬值 均方根差 (RMSE) 最常見的方法為均方根誤差(root mean squre error,RMSE),計算公式如下: $RMSE = \sqrt{ \tfrac{1}{n} \times \sum\limits_{i=1}^n (o_i - s_i)^2 }$ 另外也可以將RMSE除以實測值的平均值,成為相對均方根誤差(relative root mean square error, RRMSE),公式如下 $RRMSE = \tfrac{RMSE} {\bar{o_i} }$  通常均方根誤差都帶有單位,例如RMSE = 653.2 (kg/ha),代表模擬與實測的產量誤差有653.2,RRMSE就可以代表相對值例如0.23,可以提供我們了解RMSE 的的佔比。 無腦指標 - EF 推薦一個無腦的指標就是EF (Nash–Sutcliffe Efficiency),公式如下   $EF=1-\tfrac{ \sum\limits_{i=1}^n (o_i-s_i)^2 } { \sum\limits_{i=1}^n (o_i - \bar{o_i})...