摘要：针对参考作物蒸散量（Reference crop evapotranspiration,ETo）估算模型中,标准估算模型——FAO PenmanMonteith（FAO-PM）模型需要充分的气象数据,而基于气温的估算模型精度不足的问题,参考FAO-PM模型结构,基于气温和月序数,融合分治法（Divide and conquer,DC）和误差反向传播神经网络（Back propagation neural network,BP-NN）,提出了一种采用DC-BP-NN的月度ETo估算模型;以FAO-PM模型计算的ETo为标准,利用河西走廊酒泉气象站1958年1月—2013年9月的月度气象数据,将DC-BP-NN模型与其余6种基于气温的ETo估算模型（Blaney-Criddle模型、Hargreaves-Samani模型、2种改进的Hargreaves-Samani模型、BP-NN模型、BP-NN1模型）进行对比。结果表明,DC-BP-NN模型的估算精度（均方根误差5.99 mm/月,平均偏差0.99 mm/月,平均绝对百分误差7.18%,决定系数0.988 6）优于其余6种ETo估算模型,该模型可以用于河西走廊农田气象数据不充分条件下的月度ETo估算。

关键词：参考作物蒸散量 气温 月序数 分治法 神经网络 

单位：中国科学院合肥智能机械研究所 合肥230031 中国科学技术大学信息科学技术学院 合肥230026