基于BP神经网络的大棚作物腾发量预测模型

在分析影响大棚作物腾发量的气象因子的基础上,以气象因子为输入向量,以大棚作物腾发量为输出向量,构建了气象资料不足情况下计算大棚作物腾发量的BP神经网络模型。利用鄂州节水灌溉实验基地逐日气象资料对所建模型进行反复训练和预测,并把预测结果与用传统的Penman Monteith公式计算而得的同期作物ET值相比较。BP神经网络模型的预测值与公式计算的ET值的相关系数为0．986。研究结果表明：构建的模型计算精度较高,方法简便可行,能满足实际生产需要。     

基于BP 神经网络的大棚作物腾发

在分析影响大棚作物蒸发蒸腾量的气象因子的基础上, 以气象因子输入向量, 以大棚作物腾发量为输出向量, 构建了气象资料不足情况下计算大棚作物腾发量的BP 神经网络模型BP ET。利用鄂州节水灌溉实验基地逐日气象资料对所建模型进行反复训练和预测, 并把预测结果与传统的Penman－Monteith 公式计算而得的同期作物ET 值相比较。其中, BP ET 的预测值与ET值的相关系数为0.986。研究结果表明, 本文构建的模型计算精度较高, 方法简便可行, 能满足实际生产需要。     

基于主成分BP人工神经网络的参考作物腾发量预测

影响参考作物腾发量的气象因素众多,且相关程度较高。基于主成分分析原理,将影响ET0的7个主要气象因素以及旬序数进行特征提取,形成3个综合影响因子,既可保证气象信息的完整性,又可避免气象信息的交叉重叠。以江苏省无锡市某区作物腾发量预测为例,经主成分分析并简化的参考作物腾发量BP神经网络模型具有结构简单、收敛快、精度高的特点,可用于ET0预测。     

考虑“蒸发悖论”的洱海灌区逐日参考作物蒸散发预测

【目的】为估算参考作物蒸散发(ET₀)和灌溉实时预报调度、区域农业干旱评估提供依据。【方法】以滇中高原上洱海湖滨灌区的大理气象站为例,探究“蒸发悖论”现象出现的时期,采用气象因子线性回归模型、蒸发皿折算系数K_p模型、气象因子+蒸发皿蒸发(E_pan)多元回归模型、Normal Copula模型等4种方法计算逐日ET₀进行预测对比,并与Penman-Monteith公式计算所得的ET₀进行对比。【结果】①1954—2018年大理站20 cm蒸发皿蒸发量呈下降趋势,ET₀和气温呈上升趋势,但ET₀的上升趋势更平缓;虽然在长时间序列上ET₀和蒸发皿蒸发量有相反的变化趋势,但在年代际存在显著的差异性,1960年和2000全年以及四季均出现“蒸发悖论”,1970年则是全年以及夏、秋、冬三季出现“蒸发悖论”,1990年仅夏季出现“蒸发悖论”,2010年秋季出现“蒸发悖论”。②在未出现“蒸发悖论”时期,加入E_pan后的气象因子多元回归模型法(ET_0,Epan+Metr)所得逐日ET₀预测结果与标准值的误差最小,其次为单纯的气象因子多元线性回归模型法(ET₀,Metr),最差为K_p模型法(ET₀,K_p);加入E_pan后的气象因子多元回归模型(ET₀,ET_0,Epan+Metr)逐日ET₀预测的相对误差(ERR)小于15%、20%、25%的样本数达到了79.18%~90.16%、89.32%~97.23%、94.79%~98.36%。③出现“蒸发悖论”时,蒸发皿蒸发与ET₀的变化趋势相反,只能采用Copula联合分布函数模型预测,构建T-T_max二维Normal Copula模型的精度更高,ERR小于15%、20%、25%的样本数为73.70%~86.56%,82.51%~92.95%,89.89%~98.52%。【结论】通过M-K检验判别是否处于“蒸发悖论”期,以决策选用加入E_pan后的气象因子多元回归模型,还是T-T_max二维Normal Copula模型,二者均可显著提高逐日ET₀预测模拟的精度。     

Elman、LS-SVM方法在ET_0预测中的对比分析

参考作物腾发量（ET0）是估算作物腾发量的关键参数,其准确预测对提高作物需水预报精度具有十分重要的意义。Elman神经网络是BP网络的改进结构,具有适应时变性的特点;最小二乘支持向量机（LS-SVM）是支持向量机（SVM）的一种优化算法,它基于结构风险最小化准则,可兼顾模型的经验风险和推广能力。将两种方法应用于参考作物腾发量预测中,并以铁岭市为例,对比分析LS-SVM模型与Elman模型的预测值。结果表明：LS-SVM模型学习速度快,具有比Elman模型更高的模拟性能和预测精度,更适合参考作物腾发量的预测。     

三江平原ET0时空特征及其未来情景下预测研究

参考作物蒸发量(Reference crop evapotranspiration, ET₀)的预测对作物需水量计算与田间水分管理具有重大意义,可为农业节水和水资源高效利用提供重要的科学依据。基于三江平原6个气象站1961—2010年逐日气象资料,采用Penman-Monteith(P-M)公式计算ET₀,对历史期(1961—2010年)ET₀及相关气象要素的时空特征进行分析;依据美国国家环境预报中心再分析数据以及大气环流模型(GCM)中加拿大CanESM2模式的预报因子日序列的输出数据,采用统计降尺度模型(SDSM)对未来RCP4.5和RCP8.5两种排放情景下的ET₀进行预测。结果表明：历史期ET₀呈上升趋势,多年年平均气温与ET₀趋势相同,而年平均风速、相对湿度和净辐射整体呈下降趋势,空间分布上多年年平均ET₀总体表现为中部高于周边、西部高于东部的趋势;模拟精度检验方面,基于CanESM2模式下historical情景模拟的ET...     

基于主成分分析与BP神经网络的参考作物腾发量预测

为解决采用神经网络模型预测参考作物腾发量研究中预测能力不足的问题.将气象因子包括最高、最低和日平均温度、日照时数、气压、水汽压、相对湿度和风速进行主成分分析.提取主成分,建立了基于主成分的三层BP神经网络模型.选取新疆昌吉市气象站2006年3-6月的日气象资料.采用Matlab神经网络工具箱进行模型训练与预测,并以传统BP网络模型作为对照.结果表明,主成分网络模型能够很好地反映诸多影响因子与参考作物腾发量之间的关系,尤其时训练样本以外的验证样本,主成分网络模型具有显著优于传统BP网络模型的识别能力,取得更为可靠的预测结果.     

MARS模型在渭河流域参考作物蒸散量计算中的适应性研究

为有效提高气象资料缺失时渭河流域参考作物蒸散量(ET₀)计算精度,选取流域及附近20个气象站58 a (1960-2017年)逐日气象资料,基于不同气象要素组合,构建16种基于多元自适应回归样条(MARS)的ET₀计算模型,并将计算结果与Hargreaves-Samani、Makkink和Irmark-Allen模型进行对比,评价MARS模型在渭河流域的适应性及可移植性。结果表明：MARS模型能很好地甄别ET₀与各输入因子间的非线性关系,MARS2 (T_max、T_min、R_a)计算精度(平均MAE为0.225 mm/d,平均RMSE为0.327 mm/d,平均R²为0.897)能满足应用要求,模型精度随输入气象要素数量的增加而升高;输入因子中引入地球外辐射R_a,可明显提高MARS模型精度;在输入因子相同时,MARS模型精度高于Hargreaves-Samani、Irmark-Allen和Makkink模型;MAR...     

Elman、LS-SVM方法在ET0预测中的对比分析

参考作物腾发量(Eto)是估算作物腾发量的关键参数,其准确预测对提高作物需水预报精度具有十分重要的意义.Elman神经网络是BP网络的改进结构,具有适应时变性的特点;最小二乘支持向量机(LS-SVM)是支持向量机(SVM)的一种优化算法,它基于结构风险最小化准则,可兼顾模型的经验风险和推广能力.将两种方法应用于参考作物腾发量预测中,并以铁岭市为例,对比分析LS-SVM模型与Elman模型的预测值.结果表明:LS-SVM模型学习速度快,具有比Elman模型更高的模拟性能和预测精度,更适合参考作物腾发量的预测.     

四川省不同SPEI指数计算方法适用性评价

为探究不同参考作物腾发量(ET₀)算法及相应标准化降水蒸散指数(SPEI)在四川省的适用性,针对四川省3个区域(川西高原、川西南山地和川中盆地),利用34个气象站点1967—2016年的气象资料,以Penman-Monteith(PM)法计算的ET₀为标准,对FAO-24Radiation(FAO-Ra)、Priestley-Taylor(PT)、Makkink(MK)、Hargreaves-Samani(HS)、Blaney-Criddle(BC)、World Meteorological Organization(WMO)、Rohwer(Ro)7种方法的ET₀计算结果进行比较,并选取其中综合表现较好的3种方法进行相应的SPEI计算。通过时间序列分析、误差分析、K-S检验及小波分析等方法,探讨各区域不同ET₀算法下的SPEI适用性。结果表明：7种方法在不同区域计算精度差异显著,在川西高原及川西南山地,PT法均方根误差(RMSE)均在99.11 mm以下,大部分气象站点的相对误差(RE)介于-3.8...     

BP神经网络与GA-BP农作物需水量预测模型对比

农作物需水量预测是制定合理灌溉制度的重要依据.针对BP神经网络的不足,利用遗传算法(GA)具有全局搜索能力强的特点,建立基于GA-BP神经网络的农作物需水量预测模型.以广州辣木农庄试验田农作物作为研究对象,结果表明:基于BP神经网络农作物需水量预测模型测试集均方误差和确定性系数分别为0.037和0.648;GA-BP神经网络农作物需水量预测模型测试集均方误差和确定性系数分别为0.013和0.882,GA-BP农作物需水量预测模型收敛速度、确定性系数和性能均优于BP农作物需水量预测模型.     

基于公共天气预报的三江平原ET0预报模型比较及敏感性分析

为了提出适合我国三江平原的高精度ET0预报方法,基于该区6个气象站点的天气预报数据和实测气象数据,以FAO56-Penman-Monteith(FAO56-PM)公式计算值为基准,比较Hargreaves-Samani(HS)、Thornthwaite(TH)和Blaney-Criddle(BC)3个ET₀预报模型的效果,对最优模型进行敏感性分析。结果表明:3个模型1~7 d预见期平均绝对误差均值分别为0.66、0.65、0.65 mm/d,均方根误差分别为0.93、0.96、0.95 mm/d,相关系数分别为0.857、0.828、0.840。1~5 d预见期最优预报模型为HS模型,6~7 d为TH模型。总体上预报精度由高到低为HS、TH、BC模型,建议采用HS模型在三江平原开展ET₀预报,HS模型预报对最高温预报的敏感性大于最低温。其预报值在夏季受温度预报误差影响最大,冬季最小,4季整体误差较小。研究可为灌溉预报提供较准确的数据基础。     

气象数据缺测对BP-ET_0模型预测精度的敏感性分析

以柳圆口灌区2002~2005年的气象数据为基本资料,采用参考作物腾发量预测的前馈网络模型(BP-ET0),研究了参考作物腾发量对气象因子的敏感性。研究结果表明:在参考作物腾发量预测的6个气象因子中,相对湿度对BP-ET0预测效果影响最大,缺少它时预测合格率只有64.93%,其次是实际风速和日照时数,缺少它们时预测合格率分别为73.15%和76.98%,最高气温、最低气温和平均气温对预测效果影响较小,缺少它们时预测合格率均在80%以上。     

基于气温预报和HS公式的参考作物腾发量预报

为探索精确预报未来短期参考作物腾发量ET0的方法,提出基于气温预报和HargreavesSamani(HS)公式进行ET0预报.收集了南京站2001—2011年逐日气象观测数据和2011年预见期为4 d的逐日天气预报数据,采用FAO-56Penman-Monteith公式计算逐日ET0,用2001—2010年计算的ET0率定HS公式参数;用率定后的公式和2011年的天气预报气温数据进行未来4 d的ET0预报;比较2011年ET0的计算值与预报值、气温观测值与预报值以评价ET0预报精度及误差原因.结果表明:最低气温预报准确率达81.9%,最高气温预报准确率为80.1%;经过参数校正后,HS公式精度较高.ET0预报准确率为85.7%,平均绝对误差为1.01 mm/d,均方根误差为1.42 mm/d,相关系数为0.74;各项预报误差随着预见期的增大而增大.产生误差的主要原因为气温预报误差和HS公式未考虑平均风速和相对湿度的影响.总体而言,基于气温预报和HS公式的ET0预报方法精度较高,可为灌溉预报及决策提供较为准确的ET0预报数据.     

基于气温预报和HS公式的不同生育期参考作物腾发量预报

根据南京站2001-2011年实测气象数据,以Penman-Monteith(PM)公式计算得到的参考作物腾发量ET0值作为基准值,对仅需要气温数据计算参考作物腾发量的Hargreaves-Samani(HS)公式进行参数率定,采用率定后的HS公式依据2012年6月-2015年6月气温预报数据对南京水稻、冬小麦不同生育期未来1~7d的ET0进行预报,并与基于实测气象数据的PM法计算的ET0值进行比较,评价HS法的ET0预报精度。结果表明:最低、最高气温实测值与预报值相关系数分别为0.97和0.93,最低气温预报精度略高于最高气温;预见期1~7d内,水稻、冬小麦不同生育期ET0预报值与PM法计算值变化趋势基本一致,整个生育期内冬小麦ET0预报值与PM法计算值吻合程度更好,水稻、冬小麦相关系数分别达0.60、0.80左右;水稻各生育期平均准确率为66.0%~97.5%,平均绝对误差为0.65~1.22mm/d,均方根误差为0.76~1.42mm/d,冬小麦各生育期平均准确率为75.4%~99.5%,平均绝对误差为0.33~1.06mm/d,均方根误差为0.43~1.23mm/d;作物生育期各阶段对气温预报误差越敏感,ET0预报精度越低,随着生育期的推进,水稻对气温预报误差的敏感程度逐渐减小,相应的ET0预报精度逐渐增加,而冬小麦反之;但整体上预见期1~7d的气温预报及ET0预报精度达到可利用程度,可为快速灌溉预报及灌溉决策提供数据支撑。     

南方低山丘陵区滴灌葡萄蒸发蒸腾量实时预报

以浙江低山丘陵区永康灌溉试验站为背景,运用Penman-Monteith公式计算分析了永康长系列参考作物腾发量ET0及其变化规律,建立了ET0实时预报模型,并分析了参数A0取值方法对预报精度的影响。采用双作物系数法确定了滴灌葡萄逐日作物系数,建立了滴灌葡萄蒸发蒸腾量实时预报模型。运用实测的土壤含水率资料,根据水量平衡原理分析计算葡萄实际蒸发蒸腾量,与模型的预报值比较表明所建立的模型及其参数合理。     

豫北地区基于天气预报的ET_0预测模型

运用茆智提出的ET0预测方法,并结合其他学者对方法的改进,利用日常的天气预报信息,分别对豫北地区的冬小麦和夏玉米生育期内的ET0进行了预测。结果表明,在冬小麦生育期的ET0预测值,返青前绝对误差不超过0.8mm/d,返青以后93%的预测结果相对误差小于20%,53%的预测结果小于10%;在夏玉米生育时期内的预测值,95...     

基于气温和 DC - BP - NN 的河西走廊月度 ETo 估算模型

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。     

基于气温预报的参考作物腾发量预报方法比较

为探索精确预报未来短期ET0的方法,比较了4种基于气温预报ET0预报模型,即Hargreaves-Samani(HS)、Thornthwaite(TH)、简化的Penman-Monteith(PT)及McCloud(MC)模型。收集了西藏林芝站2001年1月1日至2013年12月31日的实测逐日气象数据和2012年6月6日至2013年12月31日逐日对未来7d的气象预报数据,在气温预报精度评价的基础上,采用4种基于温度的参考腾发量计算模型直接进行ET0预报,然后采用率定后的模型进行ET0预报,最后与实测气象数据和FAO-56PM公式计算的ET0值进行比较。结果表明,未率定的4种模型预报误差均较大,其中PT公式精度稍高。经率定后,4种公式的预报精度都有所提高,平均准确率为70%,MAE值HS模型最小,平均为0.57mm/d,其他3个模型为1.27~1.50mm/d;RMSE都在2.0mm/d左右;r值总体仍不高,TH模型平均仅有0.19,其他3种模型在0.6左右。综合来看,PT模型的预报效果稳定性优于其他3个模型。对于林芝地区附近的灌区,无论有无气象观测数据供模型率定,建议采用PT模型进行ET0预报。