news 2026/5/16 13:19:29

WOFOST学习笔记总结

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
WOFOST学习笔记总结

Data providers
pcse.input 模块包含所有用于读取天气文件的类,参数文件和农业管理文件。
classpcse.input.NASAPowerWeatherDataProvider(latitude, longitude, force_update=False, ETmodel=‘PM’)[source]
用于使用 NASA POWER 数据库配合 PCSE 的 WeatherDataProvider
Parameters:
latitude – latitude to request weather data for
longitude – longitude to request weather data for
force_update – Set to True to force to request fresh data from POWER website.
ETmodel – “PM”|” P” for selecting penman-monteith or Penman method for reference evapotranspiration. Defaults to “PM”.
ETmodel 参数: “PM” = Penman-Monteith;“P” = Penman(1948)
二者都是“参考作物蒸散量(ET₀)”的经典算法,但精度、数据需求、适用范围不同,一句话区别:
Penman-Monteith 是世界粮农组织 FAO-56 推荐的唯一标准方法;
Penman(1948)是老版本、简化版,现在基本被 PM 取代。

WOFOST 作物模拟流程
classpcse.crop.phenology.DVS_Phenology(**kwargs)
WOFOST 用无量纲尺度来描述物候进程:
出苗 = 0;开花(Anthesis)= 1;成熟 = 2
这种“0-1-2”框架主要面向谷类作物。
其他作物被强行套用这个标尺,虽然对某些作物并不完全合适。
例如:马铃薯在第 1 阶段并不代表开花,而是块茎开始形成。
物候发育主要由温度驱动:
开花前:温度为主,还可被日长和春化作用修正。
开花后:仅受温度影响,发育速率不再受日长和春化调节。

调用不同模型模拟区别

ModelProduction levelCO₂ impactBiomass reallocationN dynamicsWater balanceN balance
Wofost72_PhenoPhenology only
Wofost72_PPPotential
Wofost72_WLP_CWBWater-limitedClassic
Wofost73_PPPotential
Wofost73_WLP_CWBWater-limitedClassic
Wofost73_WLP_MLWBWater-limitedMulti-layer
Wofost81_PPPotential
Wofost81_WLP_CWBWater-limitedClassic
Wofost81_WLP_MLWBWater-limitedMulti-layer
Wofost81_NWLP_CWB_CNBWater & N limitedClassicClassic
Wofost81_NWLP_MLWB_CNBWater & N limitedMulti-layerClassic
Wofost81_NWLP_MLWB_SNOMINWater & N limitedMulti-layerSNOMIN
Lingra10_PPPotential
Lingra10_WLP_CWBWater-limitedClassic
Lingra10_NWLP_CWB_CNBWater & N limitedClassicClassic
Lintul10_NWLP_CWB_CNBWater & N limitedClassicClassic
Alcepas10_PPPotential
FAO_WRSI10_WLP_CWBWater-limitedClassic
版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/5/13 18:29:41

【垂直行业AI落地指南】:基于Open-AutoGLM的7个关键实施步骤

第一章:Open-AutoGLM在垂直行业的应用前景Open-AutoGLM作为一款开源的自动化通用语言模型框架,凭借其灵活的架构设计与强大的自然语言理解能力,在多个垂直行业中展现出广阔的应用潜力。该模型支持领域知识注入、任务自适应推理与低资源微调&a…

作者头像 李华
网站建设 2026/5/9 22:16:35

【大模型工程化新范式】:Open-AutoGLM驱动的多智能体协作全流程详解

第一章:大模型工程化的新范式探索随着大模型在自然语言处理、计算机视觉等领域的广泛应用,如何将这些复杂模型高效部署到生产环境成为关键挑战。传统机器学习工程流程难以应对大模型对算力、存储和推理延迟的严苛要求,推动了工程化新范式的诞…

作者头像 李华
网站建设 2026/5/12 3:57:20

【AutoGLM工程化落地权威指南】:7个必知的适配开发最佳实践

第一章:Open-AutoGLM 新应用适配开发流程概述Open-AutoGLM 是一个面向通用语言模型集成与自动化推理的应用框架,支持快速接入多种下游任务场景。其核心设计理念是通过标准化接口实现模型能力的解耦与复用,从而降低新应用的开发门槛。开发者在…

作者头像 李华
网站建设 2026/5/9 8:23:48

Java动态创建JSON不再难:GeoJSON完整实现指南

目录 前言 一、动态属性应用场景 1、场景介绍 2、需要考虑的问题 二、Java动态属性实现 1、设计原则 2、核心类解析 2.1主核心类 JsonPropertyManager 2.2编辑器类:JsonEditor - 核心业务对象 2.3数组编辑器类:ArrayEditor - 组合模式应用 3、…

作者头像 李华
网站建设 2026/5/10 3:23:29

Linly-Talker在驾校模拟器中的语音指导实践

Linly-Talker在驾校模拟器中的语音指导实践 在传统驾校培训中,学员常常面临这样的窘境:刚起步就忘了松手刹,教练一声怒吼“你怎么又忘了!”;变道时后视镜没看全,却被简单一句“注意观察”带过。这种依赖经验…

作者头像 李华
网站建设 2026/5/11 11:23:20

模型精度提升50%的秘密,Open-AutoGLM微调优化全链路拆解

第一章:模型精度提升50%的秘密,Open-AutoGLM微调优化全景透视在大语言模型微调领域,Open-AutoGLM 以其自动化梯度累积、动态学习率调整和智能样本加权机制,实现了模型精度平均提升超过50%的突破性成果。其核心在于将传统人工调参过…

作者头像 李华