【Hydro】不同潜在蒸散发计算方法说明

一、基本概念说明

蒸发$E$、散发$T$、蒸散发$ET$

蒸散发 Evapotranspiration 包括蒸发 Evaporation 和散发（或蒸腾） Transpiration。

潜在蒸散发$E{T}_p$、参考作物蒸散发$E{T}_0$、实际蒸散发$E{T}_a$及作物实际蒸散发$E{T}_c$

蒸散发$ET$是指水从地表蒸发并进入大气中的过程；
潜在蒸散发(Potential Evaportranspiration，$E{T}_p$)亦称为可能蒸散发或蒸散发能力，简而言之，是指下垫面充分供水时的蒸散发；目前关于潜在蒸散发的定义还存在很大的分歧，不同学者根据不同的假设条件，提出了具有本质差别的定义。
参考作物蒸散发$E{T}_0$则是指假设作物冠层与大气之间连续充分通气的条件下，作物叶面蒸腾和棵间蒸发损失的总和；
实际蒸散发$E{T}_a$则是指在农田中实际发生的蒸散发，而作物实际蒸散发$E{T}_c$则是指作物实际发生的蒸散发。
下图是几个相关概念的从属关系，$E{T}_a$、$E{T}_c$、$E{T}_p$、$E{T}_0$都是ET的次级概念，其中$E{T}_p$和$E{T}_0$都能与$E{T}_a$产生关联，因此有一定的共性。而$E{T}_c$是$E{T}_a$的一部分，因为$E{T}_c$将$E{T}_a$的范围缩小至特定的作物，进而与林地等的$E{T}_a$进行区分。

二、部分潜在蒸散发估算方法表

国际上估算潜在蒸散发的模型有近50种；分为温度法、质量传输法、辐射法、综合法四类；彭曼方法被证明在不同条件下准确估算潜在蒸散发的值；但该方法需要大量气象数据，受资料和数据精度限制。
下表为13 种估算潜在蒸散发的方法，其中有综合法( P - M 方法) 、4 种温度法、2 种质量传输法以及 6 种辐射法：

三、SWAT模型中的潜在蒸散发计算

SWAT模型中包括三种潜在蒸散发计算：Penman-Monteith法(Monteith, 1965; Allen, 1986; Allen et al.,1989),Priestley-Taylor法(Priestley and Taylor,1972)和Hargreaves法(Hargreaves and Samani,1985)。SWAT模型也可以读入用户采用其他方法计算的潜在蒸散发量。

SWAT模型中三种方法需要的输入项不同：Penman-Monteith法需要太阳辐射、气温、相对湿度和风速；Priestley-Taylor法需要太阳辐射、气温和相对湿度；Hargreaves法只需要气温。

Penman-Monteith法

Priestley-Taylor法

Hargreaves法

四、气象干旱等级规范（GB/T 20481—2017）

根据气象干旱等级规范，计算MI（相对湿润度指数）时，标准推荐两种方法计算潜在蒸散量，即Thornthwaite方法和FAO Penman-Monteith方法。其中，FAO Penman-Monteith方法计算误差小，但需要的气象要素多，Thornthwaite 方法计算相对简单，需要的气象要素少，但有一定的局限性。使用者请根据资料条件选择合适的计算方法。

Thornthwaite方法

以下是Thornthwaite方法介绍

Thornthwaite方法python代码

以下是摘自互联网，基于Thornthwaite方法的python计算代码
原始数据：

处理后的数据：

代码：

#!usr/bin/env python
# -*- coding:utf-8 -*-
"""
@author: Su
@file: calculateMI.py
@time: 2023/08/17
@desc:
"""
import pandas as pd
import numpy as np


df = pd.read_excel('processdata/lianxi/鄂尔多斯.xlsx')
df[df['temp']<0] = np.nan
ab = df.dropna(axis=0,how='all')

# 计算Hi
temp = ab.temp.values
T = np.power(temp/5,1.514)
Hi = pd.DataFrame(T)

# 创建一个新DataFrame放入分类好后的站点数据
df2 = pd.DataFrame(ab)
df2.insert(loc=7, column='Hi',value=Hi.values)
# 给站点分类
nameList1 = set(df2.name.values)


# 想将结果写入excel，需创建空的dataframe
df_all = pd.DataFrame(data=None)

for i in nameList1:
    # 进行站点遍历
    dfName = df2[df2['name'] == i]
    df3 = pd.DataFrame(dfName)
    # 分年求和
    nameList2 = set(df3.year.values)


    for j in nameList2:
        # 按年遍历
        dfYear = df3[df3['year'] == j]
        df4 = pd.DataFrame(dfYear)
        # 计算Hi的和
        H_sum = dfYear['Hi'].sum()
        df4.insert(loc=8, column='H_sum', value=H_sum)
        # 计算A值
        A = (6.75e-07)*np.power(H_sum,3) - (7.71e-05)*np.power(H_sum,2) + (1.792e-02)*H_sum + 0.49
        df4.insert(loc=9, column='A', value=A)
        # 提取temp、H_sum、A用于计算PET
        temp = df4.temp.values
        H_sum = df4.H_sum.values
        A = df4.A.values
        # 计算PET
        PET = 16 * np.power((10*temp)/H_sum,A)
        df4.insert(loc=10, column='PET',value=PET)
        df5 = pd.DataFrame(df4)
        # concat 合并有相同字段名的dataframe
        df_all = pd.concat([df_all, df5],ignore_index=True)

# 避免字段名重复写入，一般会做去重处理
data_list = df_all.drop_duplicates(keep='first')
# 写出数据
df_all.to_excel('processdata/lianxi/鄂尔多斯PET.xlsx', index=False)

六、潜在蒸散发计算Python代码

源代码下载：潜在蒸散发计算Python源代码
具体包括以下方法

• ETBase
• Abtew
• Albrecht
• BlaneyCriddle
• BrutsaertStrickler
• Camargo
• Caprio
• ChapmanAustralia
• Copais
• Dalton
• DeBruinKeijman
• DoorenbosPruitt
• GrangerGray
• Hamon
• HargreavesSamani
• Haude
• JensenHaiseBasins
• Kharrufa
• Linacre
• Makkink
• Irmak
• MattShuttleworth
• McGuinnessBordne
• Penman
• PenPan
• PenmanMonteith
• PriestleyTaylor
• Romanenko
• SzilagyiJozsa
• Thornthwait
• Ritchie
• Turc
• Valiantzas

，测试数据集camels_aus测试数据集下载方法：
pip install camels_aus，使用代码下载读取数据集

from camels_aus.repository import CamelsAus, download_camels_aus
download_camels_aus(path=r"E:/Other/ET_Python/data") # 下载到指定目录

读取文件

repo = CamelsAus()
repo.load_from_text_files(r"E:/Other/ET_Python/data")
dataset = repo.data

参考文献

论潜在蒸散发、参考作物蒸散发、实际蒸散发及作物实际蒸散发之差异
计算潜在蒸散量PET的方法
伍海，等，变化环境下12种潜在蒸散发估算方法 在不同干湿区的适用性
气象干旱等级规范（GB/T 20481—2017）