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。     

基于公共天气预报的参考作物腾发量预报

针对Penman Monteith公式的应用局限性,以公共天气预报可测因子及历史气象数据计算ET₀为基准,对广州站2017-01-01-2019-03-31预报气象信息风力状况进行量化后,以2017,2018年气象预报信息为输入因子、ET₀为输出因子,分别建立基于回归型支持向量机(SVR)预报模型与BP神经网络预报模型,选择性能较优预报模型对2019年ET₀进行预报,并与计算值进行对比分析.结果表明:回归型支持向量机参考作物腾发量预报模型测试集确定性系数为0.896、均方误差为0.206,BP神经网络参考作物腾发量预报模型测试集确定性系数为0.851、均方误差为0.305,SVR参考作物腾发量预报模型均方误差及决定系数要明显优于BP神经网络;基于SVR模型的预报值与PM公式计算值相关系数为0.761,没有明显差异,表现出显著的相关性以及整体吻合度,可为灌溉预报及决策提供较为准确的ET₀预报数据.     

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。     

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.     

灰色—周期外延组合模型在参考作物腾发量预测中的应用

参考作物腾发量ET0是计算作物需水量、制定灌溉制度和进行水资源优化配置的重要参数之一。因参考作物腾发量随季节性变化,并呈现以年为周期波动的特点;在这种情况下,提出了一种基于灰色GM（1,1）与周期外延相结合的预测模型,即灰色-周期外延组合模型。以沈阳、鞍山、铁岭、盘锦4个地区1997—2006年参考作物腾发量季节值为例进行分析和模拟。结果表明：运用灰色-周期外延组合模型预测参考作物腾发量比原有的GM（1,1）模型预测精度高。该模型预测过程简单,预测结果可靠,适应性强。因此,该模型可广泛的应用于参考作物腾发量的季节预测。     

基于GA-BP神经网络的作物参考腾发量预测

采用黄金分割原理优化算法确定BP神经网络的隐含层节点数,进而确定BP神经网络的结构,并针对BP神经网络容易陷入局部极小值和全局搜索能力弱的缺点,引人遗传算法(GA)优化网络权值,建立GA-BP网络模型,预测作物参考腾发量ET0.以北京地区的相关资料为基础,选用6种输入因子组合方案,对该模型进行验证,结果表明该网络模型具有较好的预测能力;同时,对6种方案比较分析表明,方案4最优,该方案只需选用4项输入因子(日序数、平均气温、风速和日照时数),就能以较高的精度预测作物参考腾发量.     

干旱荒漠草原应用Penman-Monteith与Penman修正式计算ET_0的偏差分析

甘肃天祝草原位于我国西北干旱荒漠草原,应用天祝县二道墩试验站2005年的实测气象资料,利用Penman-Monteith公式和Penman修正式计算参考作物腾发量(ET0)并进行了比较。Penman修正式计算的参考作物腾发量ET0值略小于Penman-Monteith公式计算的值,最大绝对偏差0.5 mm/d。分析发现生育期辐射项ETrad是导致参考作物腾发量ET0产生偏差的主要原因。2种方法计算的空气动力项ETaero差别较小,最大绝对偏差不超过0.2 mm/d。导致计算偏差的原因在于2种公式采用了不同的辐射项和空气动力学项计算公式和参数。2个公式计算的参考作物腾发量具有显著的线性相关性。     

耦合模拟退火优化最小二乘支持向量机的日参照蒸散量模拟计算

针对传统最小二乘支持向量机模型的训练速度慢、不易在线训练、计算量大及参数选择困难等缺陷,提出采用耦合模拟退火优化最小二乘支持向量机算法,建立基于耦合模拟退火优化最小二乘支持向量机的参照作物蒸散量预测模型。选取陕西省的榆林、安康和西安气象站监测的1971-2014年气象资料进行模型训练、测试与验证,研究气象监测获取原始数据作为网络输入,参照蒸散量ET0为输出,构建CSA-LSSVM预测模型,并将CSA-LS-SVM预测结果与LSSVM模型及经典ET0模型模拟计算结果进行比较。结果表明,CSA-LS-SVM模型模拟计算精度和总ET0模拟模型都优于LSSVM模型及其他经典模型模拟结果。该研究CSA-LS-SVM模型为陕西地区气象资料缺乏情况下ET0精确计算提供科学依据,为作物需水量的智能决策提供参考。     

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。     

基于主成分分析的参考作物腾发量预测研究

为准确估算作物需水量,提高水分利用效率,采用RBF神经网络预测参考作物腾发量,由于参考作物蒸发蒸腾量的影响因子很多,且各影响因子间的相关性很大,运用主成分分析的原理,将影响参考作物蒸发蒸腾量的因子降低维数.以山西省某灌区的参考作物腾发量为例,运用DPS软件找出了3个综合因子来代表众多因子并作为RBF人工神经网络的输入,运用Matlab7.0进行编程,对参考作物腾发量进行预测.结果发现其预测结果与用Pen-man-Monteith公式算得的值具有很高的一致性,与BP神经网络相比,RBF神经网络具有学习速度快等优点,将此方法用于参考作物腾发量的预测可以收到理想的效果.     

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.     

基于Elman和BP神经网络的逐月参

参考作物腾发量是估算作物蒸发蒸腾量的关键参数,它的准确预测对提高作物需水预报精度具有十分重要的意义。由于参考作物腾发量随时间变化具有一定的动态特性,将动态的Elman神经网络引用于参考作物腾发量预测中,并以铁岭市为例,对比分析了Elman模型与BP模型的预测结果。分析表明：Elman模型不仅能反应系统的动态特性,还具有比BP模型更高的预测精度、逼近性和稳定性。     

四湖流域参考作物腾发量的变化特征分析

根据四湖工程管理局排灌实验站2001-2010年逐日气象资料.利用Penman-Monteith公式计算逐日参考作物腾发量,分析其变化特征和各气象因子对其的影响程度.结果表明,各气象因子对日参考作物腾发量的影响程度顺序为:日最高温度＞日最低温度＞日平均温度＞饱和差＞平均风速＞日照时数.同时考虑日最高气温、日最低气温、日平均气温、饱和差、平均风速及日照时数6个气象因子,对日参考作物腾发量的模拟效果最好.     

基于小波神经网络的参考作物腾发量预测模型研究

为提高某一地区农业用水效率,进行区域水资源的优化配置。本文以辽宁大连地区1954-2005年参考作物腾发量资料为依据,借助于Matlab工具,分别建立结构为8-12-4和10-12-2的小波神经网络进行参考作物腾发量预测,结果表明:在年度和季节尺度上,小波神经网络模型预测结果与参考作物腾发量计算值绝对相对误差均值分别达到5.5%和4.3%,达到了较好的预测效果。该模型预测过程简单,预测结果可靠。为参考作物腾发量预测提供新方法。     

鞍山地区参考作物腾发量演变特征

采用鞍山地区4个气象站1958--2006年的气象资料,应用Penman—Montieth公式计算参考作物腾发量（ET0）,并对ET0的年际变化特征、季节变化特征及趋势进行了分析。结果表明,49a来鞍山地区的ET0值呈缓慢下降趋势。     

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。     

我国参考作物腾发量等值线图绘制及其应用

<正> 参考作物腾发量(reference crop evapo-trans—piration)反映了气象因子对作物需水量的影响,可根据常规气象资料(如气温、湿度、光照、风速等)计算求得。联合国粮农组织FAO在《作物需水量》一书中定义,参考作物腾发量(ET_0)是指高度一致、生长旺盛、完全遮盖地面而不缺水的8～15cm高的牧草地腾发速率。参考作物腾发量是作物需水量计算的重要参数。     

Hargraeves公式计算参考作物腾发量在新疆地区的适用性研究

新疆维吾尔族自治区地域辽阔,气候特征空间差异性显著。准确估算各地区的参考作物腾发量(ET0)是新疆节水灌溉设计的基础。以阿克苏地区30年的气象资料为基础计算了ET0,并以Penman-Monteith公式和修正Penman公式为参考标准,进行对比分析评价Hargraeves公式的精度和地区适应性。结果显示Hargraeves公式计算的参考作物蒸发蒸腾量,精度较Penman公式高,较Penman-Monteith公式低,但满足实际生产精度要求,特别适用与阿克苏地区气候类似的西部地区,基础气象资料不全的地区的参考作物蒸发蒸腾量的计算。     

白洋淀西部平原参考作物腾发量长期变化趋势及其成因

参考作物腾发量ET0是作物需水量计算的关键因子,是水循环研究的重要因素.研究气候变化背景下参考作物腾发量长期变化规律,阐明其主要成因,可为应对气候变化对农业产生的影响和区域水资源规划管理提供基础.采用FAO推荐的Penman-Monteith公式计算了淀西平原1955-2018年逐日ET0,分析了ET0及其构成项辐射项...