基于主成分的参考作物蒸发蒸腾量神经网络预测模型
用神经网络计算技术从有限气候资料估算实际蒸发蒸腾量
采用 Ｒ Ｆ 径 向基 函数 ） 工神 经网络 计算水稻 日蒸发蒸腾量。六个 Ｒ Ｆ网络 ， Ｂ（ 人 Ｂ 每个均根据 气候的 变化采用不 同的输 入 值， 进行 网络训练和测试。该模型估算结果与蒸渗仪 测量结果 比较 ， 楚显示 了Ａ Ｎ方法 的成熟程 度。本文提 出了采 清 Ｎ 用人 工神 经网络方 法用空气温度 计算作物 蒸发 蒸腾量 ， 然而本研 究利 用的仅是 一段 有限时间 内的单一作物数据 。因此，
法， 时问系 列预 期法 。在第 一种 方法 中 ， 标识 的 被 模型输 入结 构利 用相 应 的训 练 数据组 进行 网络 训
练 。后 一种 方法 ， 了描 述 一个 时 间序 列 的 蒸 发 为 蒸 腾量 数据 ， 与农 作 物 生 长 天数 相 对 应 的 附加 输 入节点 已被并 入 上 而 讨 论 的每 种 输 入结 构 中 ， 并 且 采用新 的输 入结 构对 网络 重新进 行 训练 。 ２ ３ 网络类 型 的选择 ． 可供 Ａ Ｎ应用 的 网络有若 干种 类 型 ， 的选 Ｎ 它 择依 赖 于 问题 和数 据 的特 性 。Ｂ Ｐ算 法 用 于训 练 多层感 知 网络 （ Ｐ） 普 遍 用 于 水 文模 拟 （ Ｓ Ｅ ＭＬ ， ＡＣ
湿度 、 阳辐射和风速。因而 ， 太 研究 中应考虑的天 气参数有空气温度、 相对湿度、 日照时间和风速。 网络 输 出的是 每 日的 Ｅ Ｔ值 。 本研 究检 验 了输 入 到模 型 的这些 参数 的各 种 组合 ， 以便评 价对 每个 变量 的依 赖 程 度 。考 虑 的 组 合有 ： １ 平 均 温度 、 对 湿 度 、 速 和 日照 时 （） 相 风 间 （ 称 ＡＮ Ｅ １ ） （ ） 均 温度 、 简 Ｎ（ Ｔ ） ； ２ 平 风速 和 相对 湿 度 （ 称 Ａ Ｎ（ Ｔ ） （ ） 均 温 度 （ 称 简 Ｎ Ｅ ２） ； ３ 平 简 Ａ Ｎ（ Ｔ ） 。在 已有 的 Ｅ Ｎ Ｅ３ ） Ｔ估 算 方 法 中 ， 已制定 出这 些参 数 的相 关 性 对 这 三种 参 数 组 合 进 行 选 择 。Ｆ Ｏ组 织认 为在 缺少 测 量值 时 ， 用 彭 一曼 Ａ 可 公 式估 算 Ｅ 。该方 法考虑 了几 乎所有 对 Ｅ Ｔ Ｔ有影 响 的参 数 。设 置 Ａ Ｎ（ Ｔ ） 合 输入 变 量 ， 置 Ｎ Ｅ１组 设 Ａ Ｎ（ Ｔ ） 合 类 似 于径 向基 方 法 输 入 变 量 ， Ｎ Ｅ２组 即 利 用 空气 温 度 和 相 对 湿 度 估 算 Ｅ Ｔ值 。在 Ａ Ｎ Ｎ （ Ｔ ） 型中， Ｅ２模 这种 输入结 构代 表 一种 例 外 ， 即给 节 点加 上风 速值 以评 估 对 流对 Ｅ Ｔ的影 响 。Ａ Ｎ Ｎ （Ｔ ） Ｅ ３ 输入 结 构 则 代 表 以 温度 为 基 础 的方 法 ， 即 把Ｅ Ｔ与 空气 温度 联系起 来 。 ２ ２ 数据 库 ． 本研究 中的气候资料及实际的 Ｅ Ｔ测量值 ， 自 来 于 Ｋ ｒｌ 农业大学 印度 （ ａａｕ ） ｅａ ａ Ｔ ｖｎ ｒ 农业研究农 场 ， 水 稻的实际蒸发蒸腾 量来 自于该农 场 的一 个蒸 渗仪 ， 气候资料来 自于该农 场的农业 气象 站 （ 纬 １。３ 北 ０５ ３”东经 ７。 ， ０、 ６）该气象站 １８ 年 １ ９９ ０月到 １９ ９０年 １ 月
基于主成分分析与BP神经网络的参考作物腾发量预测
基于主成分分析与BP神经网络的参考作物腾发量预测
曹伟;魏光辉;邓丽娟
【期刊名称】《节水灌溉》
【年(卷),期】2009()9
【摘要】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,尤其对训练样本以
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。
【总页数】5页(P38-41)
【关键词】主成分分析;BP神经网络;参考作物腾发量;预测能力
【作者】曹伟;魏光辉;邓丽娟
【作者单位】新疆水利水电科学研究院;新疆农业大学水利与土木工程学院
【正文语种】中文
【中图分类】S161.4
【相关文献】
1.基于BP神经网络的参考作物腾发量预测模型研究 [J], 王尚翠;周家泽
2.基于GA-BP神经网络的作物参考腾发量预测 [J], 张志政;矫亚涛;李伟
3.基于灰色关联度与BP神经网络模型的日参考作物腾发量预测 [J], 武开福
4.基于主成分分析的参考作物腾发量预测研究 [J], 张倩;蔡焕杰;魏新光;王健
5.基于改进的PSO-BP神经网络的参考作物腾发量预测 [J], 任亚飞;田帅;邵馨叶;邵建龙
因版权原因，仅展示原文概要，查看原文内容请购买。
基于随机森林算法的参考作物蒸发蒸腾量模拟计算
基于随机森林算法的参考作物蒸发蒸腾量模拟计算王升;付镭勇;陈洪松;丁亚丽;吴丽萍;王克林【期刊名称】《农业机械学报》【年(卷),期】2017(48)3【摘要】选取西南喀斯特地区4个气象站点(都安、河池、百色和融安)5 a(2008--2012年)的逐日气象数据,包括日最高气温Tmax、日最低气温Tmin、相对湿度RH、日照时数n和风速u2这5个气象因子的不同组合作为输入,并以FAO 56 Penman-Monteith法(FAO P-M)的计算结果作为标准值,建立基于随机森林(Random forest,RF)算法和基因表达式编程(Gene expression programming,GEP)算法的ET0模型,并将模拟结果与传统Hargreaves模型的计算结果进行比较.结果表明,不同气象因子组合下建立的RF模型均能较好地反映气象因子与ET0之间的非线性关系.随着气象因子的增加,RF模型模拟的精度随之提高.在仅有气温数据时,RF模型仍具有足够的精度(R2为0.875,RMSE为0.546 mm/d),与传统Hargreaves模型相比R2平均增加了1.98％,RMSE平均减小了22.88％,因此在仅有气温数据时可用RF模型代替Hargreaves模型.RF算法对气象因子的重要性评估表明,在该区域对ET0最重要的气象因子依次为Tmux、n、Tmin、Ra、RH和u2.相同气象因子输入下,RF模型精度高于GEP模型.%Accurate estimation of reference evapotranspiration (ET0) is very important in hydrological cycle research,and it is also essential in agricultural water management and ing less meteorological parameters to estimate ET0 is necessary in areas with limited data.The ability of random forest (RF) and gene expression programming (GEP)algorithm in modeling ET0 was investigated and compared by using fewer meteorological parameters collected from four weather stations of Duan,Hechi,Baise and Rong'an,in karst region of southwest China,over a five-year period (2008-2012).Daily climatic data of the fourstations,including maximum temperature (Tmax),minimum temperature (Tmin),sunshine duration (n),relative humidity (RH) and wind speed (u2) were employed to model ET0 by using FAO 56 Penman-Monteith equation as the reference,and their performances were evaluated using determination coefficient (R2) and root mean square error (RMSE).From the statistical results,the derived RF-based (R2 was ranged from 0.809 to 0.991,and RMSE was ranged from 0.158 mm/d to 0.678 mm/d) and GEP-based (R2 was in range of 0.830 ～ 0.977,and RMSE was in range of0.225 ～0.645 mm/d) ET0 models were successfully applied to model ET0 with different input combinations.When only the temperature data can be used,the RF models produced satisfactory results (R2 =0.875,RMSE =0.546 mm/d),which can be used as an alternative to the conventional Hargreaves model.The relative importance of meteorological variables for ET0 can be assessed by RF method,the order of the relative importance of meteorological variables was:T n,Tmin,Ra,RH and U2· In most cases,the RF models were found to perform better than the GEP models.The results were expected to be useful to guide rehabilitation strategies and agricultural water management in karst region of Southwest China.【总页数】8页(P302-309)【作者】王升;付镭勇;陈洪松;丁亚丽;吴丽萍;王克林【作者单位】中国科学院亚热带农业生态研究所,长沙410125;中国科学院亚热带农业生态研究所,长沙410125;中国科学院亚热带农业生态研究所,长沙410125;中国科学院亚热带农业生态研究所,长沙410125;中国科学院亚热带农业生态研究所,长沙410125;中国科学院亚热带农业生态研究所,长沙410125【正文语种】中文【中图分类】S161.4【相关文献】1.基于通径分析法的漳河灌区参考作物蒸发蒸腾量变化成因研究 [J], 李家明;何军;贺胜男;叶磊;高明利2.基于Hargreaves的四川地区参考作物蒸发蒸腾量研究 [J], 李丹阳;张涵;王与;杨汝馨3.基于双线性理论的参考作物蒸发蒸腾量估算 [J], 战国隆;门旗;赵文举4.基于气候分区的甘肃省参考作物蒸发蒸腾量时空分布特征 [J], 郑健;马静;王燕;向鹏;齐兴赟;李永春5.基于CatBoost的温室日参考作物蒸发蒸腾量估算模型研究 [J], 牛曼丽;李红岺;李新旭因版权原因，仅展示原文概要，查看原文内容请购买。
参考作物蒸发蒸腾量定义
参考作物蒸发蒸腾量定义蒸发蒸腾量，听上去有点学术，但其实就是在说植物和水之间的那点儿事。
想象一下，阳光洒在绿油油的叶子上，那种感觉就像是给植物加了一个“阳光充电器”。
植物通过叶子吸收水分，然后把水分释放到空气中。
这一过程，简直就像植物在给周围的环境“呼吸”，可谓是“润物细无声”。
别小看这个过程，水分的蒸发可不是随随便便的，而是和植物的生长、环境条件息息相关。
说到蒸发蒸腾量，它可不是一个简单的数字。
它受温度、湿度、风速和光照等多种因素影响。
比如说，天气热的时候，植物就像是“喝水狂人”，一口气吸收很多水分。
反之，湿度高的时候，植物的“喝水”量就会减少。
这就像我们去海滩度假，阳光明媚的时候，大家都在海水中畅游，到了阴天，没几个人愿意下水。
植物也是如此，选择适合自己的“水量”。
提到植物的蒸发蒸腾，很多人可能会想到大自然的美好。
这个过程不仅仅是植物的“独角戏”，更是生态系统的一部分。
植物释放的水分能够增加空气湿度，甚至影响天气，听起来是不是很神奇？就像一位大厨，调动各种食材，做出美味的菜肴，植物们通过蒸腾，调节了整个生态的“口味”。
想象一下，走在森林里，四周都是清新的空气，这些水分可都是植物的“功劳”。
还有一点不得不提，蒸发蒸腾量和农作物的生长有密切关系。
对于农民来说，这可是“生死攸关”的事。
农田里，如果水分蒸发太快，作物就会“干渴得直冒烟”，结果可想而知，丰收的希望就泡汤了。
反之，适当的蒸腾又能帮助作物更好地吸收营养，生长得茁壮成长。
就像我们的饮食，吃得健康才能长得高高瘦瘦，农田里的植物也是一样，水分、营养缺一不可。
我们常说“水能载舟，亦能覆舟”，这句话在植物生长中也适用。
水分太多会导致根部腐烂，反而影响生长；水分太少，植物则会萎缩，甚至枯死。
这种微妙的平衡就像是生活中的酸甜苦辣，缺一不可。
科学家们常常通过各种实验来研究这个平衡，试图找到一个“最佳的水量”，这就是他们的“终极目标”。
不过，生活本就充满了变数，没什么是一成不变的。
基于模糊神经网络的参考作物蒸腾量预测研究
第３ ５卷第 ４期
２ ０ １ ３年 ４月
人
民
黄
河
Ｖｏ １ ． ３５． Ｎｏ ． ４ Ａｐ ｒ ．， ２ ０１ ３
ＹＥＬＬ ＯＷ ＲＩ ＶＥＲ
【 灌溉 ・ 供水 】
基 于 模 糊 神 经 网络 的参 考作 物 蒸腾 量 预测 研 究
李贤波 ， 马孝 义 ， 李忠娟 ， 朱 晖
（ 西 北 农林 科 技 大 学 旱 区农 业 水 土 工 程 教 育 部 重 点 实验 室 ， 陕西 杨凌 ７ １ ２ １ ０ ０ ）
摘
要： 为准确估算 灌区作物 需水量， 建立 了基 于模 糊神 经 网络 的参考作 物腾发 量 时间序列预 测模 型 。采 用 宝鸡 地 区
基于极限学习机的参考作物蒸散量预测模型
基于极限学习机的参考作物蒸散量预测模型冯禹;崔宁博;龚道枝;魏新平;王君勤【期刊名称】《农业工程学报》【年(卷),期】2015(000)0z1【摘要】为实现气象资料缺乏情况下参考作物蒸散量（reference crop evapotranspiration, ET0）高精度预测，以气象因子的不同组合为输入参数，利用FAO-56 Penman-Monteith公式计算的ET0作为预测标准值建立基于极限学习机（extreme learning machine, ELM）的ET0预测模型。
选取川中丘陵区7个气象站点1963－2012年逐日气象资料进行模型训练与测试，并将模拟结果同Hargreaves、Priestley-Taylor、Makkink及Irmark-Allen等4种常用模型进行对比。
结果表明：ELM模型能很好地反映气象因子同ET0间复杂的非线性关系，且模拟精度较高；基于最高和最低温度的ELM模型模拟精度（均方根误差和模型效率系数分别为0.504 mm/d和0.827）高于Hargreaves模型（均方根误差和模型有效系数分别为0.692 mm/d和0.741）；基于最高、最低温度和辐射的ELM模型模拟精度（均方根误差和模型有效系数分别为0.291 mm/d和0.938）明显高于Priestley-Taylor（均方根误差和模型有效系数分别为0.467 mm/d和0.823）、Makkink（均方根误差和模型有效系数分别为0.540 mm/d和0.800）和Irmark-Allen模型（均方根误差和模型有效系数分别为0.880 mm/d和0.623）。
因此基于最高、最低温度和辐射的ELM模型可以作为气象资料缺乏情况下川中丘陵区ET0计算的推荐模型。
该研究可为川中丘陵区气象资料缺乏情境下ET0精确计算提供科学依据。
%Reference crop evapotranspiration (ET0) is an essential parameter of water resource planning and management.Accurate estimation of ET0 becomes vital in planning and optimizing irrigation schedules and irrigation systems management. Numerous methods have been proposed for estimating ET0, among which Penman–Monteith (P-M) model recommended by Food and Agriculture Organization of the United Nations (FAO) in 1998 is the best one. FAO accepted the P-M model as the standard and sole equation for ET0 estimation since it provided the most accurate results across the world wherever in an arid or humid environment. But the main problems for computing ET0 by the P-M model are its complicated nonlinear process and requirements of many climatic variables. Thus, it is urgent to develop a simpler and more appropriate model in areas with limited data especially in developing countries like China. In the current study, the applicability of extreme learning machine (ELM) in ET0 modeling based on limited data was assessed in the humid environment in hilly area of central Sichuan, China. In addition, four climate-based models (Hargreaves, Priestley-Taylor, Makkink and Irmark-Allen) and the ELM model were tested against the P-M model to study their performance by using three commonly used criteria:root mean square error (RMSE), coefficient of determination (R2) and efficiency coefficient (Ens). From the statistical results, the ELM model performed well in expressing the nonlinear relationship between ET0 and meteorological factors;when based on temperature data, the ELM model performed better than Hargreaves model which is an empirical temperature-based model. When radiation and temperature data were introduced in the ELM model, the error decreased significantly, and it wasmuch more accurate than the Priestley-Taylor, Makkink and Irmark-Allen model. It was found that the ELM model, which required maximum air temperature, minimum air temperature and sunshine duration input variables, had the best accuracy and was the optimal approach to estimate ET0 when the complete weather data required by the P-M model were not available. The further assessment of ELM was conducted and it was confirmed that the model could provide a powerful tool in estimating ET0in the humid environment like hilly area of central Sichuan when lack of meteorological data. The research could provide a reference to accurateET0 estimation in hilly area of central Sichuan.【总页数】8页(P153-160)【作者】冯禹;崔宁博;龚道枝;魏新平;王君勤【作者单位】四川大学水力学与山区河流开发保护国家重点实验室、水利水电学院，成都 610065;四川大学水力学与山区河流开发保护国家重点实验室、水利水电学院，成都 610065; 南方丘区节水农业研究四川省重点实验室，成都 610066;中国农业科学院农业环境与可持续发展研究所作物高效用水与抗灾减损国家工程实验室，北京 100081;四川大学水力学与山区河流开发保护国家重点实验室、水利水电学院，成都 610065;四川省水利科学研究院，成都 610072【正文语种】中文【中图分类】S161.4【相关文献】1.基于小波变换和极限学习机的网络流量预测模型 [J], 穆昌2.基于改进极限学习机的转炉出钢合金化锰收得率预测模型 [J], 周凯啸;林文辉;孙建坤;冯小明;方炜;刘青3.基于烟花算法优化极限学习机的温室参考作物蒸散量预测研究 [J], 张千;魏正英;张育斌;冯培存;张磊;贾维兵4.基于极限学习机模型的中国西北地区参考作物蒸散量预报 [J], 魏俊;崔宁博;陈雨霖;张青雯;冯禹;龚道枝;王明田5.基于核极限学习机的负荷多粒度预测模型 [J], 崔娇;文玉兴;余永胜;欧钰瞧;陈蒙;谷紫文因版权原因，仅展示原文概要，查看原文内容请购买。
基于NARX模型的参考作物蒸散发预测
排灌机械工程学报Journal of Drainage and Irrigation Machinery Engineering第39卷第5期VoO39 No.5基于NARX 模型的参考作物蒸散发预测武剑飞，康银红*，宋鑫，梁友鹏(四川农业大学水利水电学院，四川雅安625214)武剑飞摘要：为了实现气象资料缺失情况下参考作物蒸散量(ET 2)精确计算和预测，以攀枝花站点为 例，构建非线性自回归滤波器(NARX)模型预测ET 0.以Penman -Monteith 模型计算的ET 0作为 预测标准，将日最高温、日最低温、日照时数、风速和相对湿度作为模型的输入参数，建立11种不同气象因子组合的NARX 模型，并与Hargreaves - Samani 模型^Icnad-Allen 模型、Madkind 模型、PCes —eq-Taylor 模型的计算结果进行比较.结果表明：不同气象因子输入下的NARX 模型模拟精度表现出明显的差异.其中，基于全部气象因子的NARX-1模型的RMSE,MAE 和MBE 分别为0.425 mid,2022 mid 和2.269 mid,NSE 为2.922,GP/排名第11，精度最差；而基于风速的 NARX -9 模型精度最高，其 RMSE,MAE 和MBE 分别为 0.285 mm/d,7.237 mid 和 9.019 mid ，NSE 为2.964,GPI 排名第(.在输入相同气象参数情况下，基于温度和日照时数的NARX -9模型模拟精度优于Dman-Almx,Makkink,PCestmy-Taymr 模型；基于温度的NARX -7模型模拟精度明显高于Hargreaves-Samani 模型.因此，可将NARX 模型作为四川西南山地缺失较多气象资料情况下计算ET 0的推荐模型，为农田精准灌溉提供科学依据.关键词：参考作物蒸散量;神经网络;NARX 模型；NAR 模型；预测中图分类号：S277.3文献标志码：A 文章编号：1674-8530(2221)05-—733-08Doi : 190099/(4ssp .7977-3530.79.9226武剑飞，康银红，宋鑫，等.基于NARX 模型的参考作物蒸散发预测[J].排灌机械工程学报,2221,39(5) ：533-542.WU 丿：^^，KANG Yinhonr ，SONG Xin ，et at. Prediction of reference crap evapoy'anspCayon based on NARX model] J]. Journaiof drainare and irrioation machinery engineerinr (JDIME ))2221,39(5) ：533-542. .in Chinese )Prediction ot refereccc crap fvapotraoshiratioc based oc NARX modelWU Jingel i 3KAG Yinhong * , SONG XU , LIANG Youpeng（Co —eqc cf Watcs Conseoancy and Hyaropowcs EnyineeCny , Sichuan AgPccltural Univecity , Ya'an, Sichuan 625514, Chixa ）Abstract : In orbor to ohtaiv the aoholo estimation and prediction of reference cop evayotranspiration（ET 2） in the adsenco of meteoomyicyl data , a xouUxevr —W oyossUe exoyevous inputs （ NARX ） mohei was constocted to predict ET Q in PanzaiXuy station. Taken the d —ly ET Q colcolated by the Pen man-Monteith mohei as the prediction standarb values , the NARX mohels with 11 diWerenl combinx--ous of meteoomyicol factors were estadUsheP by taking the d —ly maximum temperature , d —ly mini mum temperature , sunshine hours , wind speed and relative humWity as the input parameters of themohei. The colcolation results of NARX mohels were compared with that of Hargreaves -Samani mohei ,Cead-Allen mohei , Madkind mohei and PCestWq-Taylor mohei. The results show that the discrepancy of simulation peCocnadcy is oPvious Or NARX mohei with diWerenl input meteoomyicol factors.收稿日期：2519-19-25；修回日期：2525-21-08；网络出版时间：2221-05-15网络出版地址：https ：4/kxsAhXiAemkcms/ketai ；/g40814.AHA541951/7745A27Atml基金项目：国家自然科学基金资助项目（41621292）;农业农村部农业水资源高效利用重点实验室开放课题项目（2217024） 第一作者简介：武剑飞（1995—）,男,山西长治人，硕士研究生（II **************）,主要从事农业高效用水研究.通信作者简介：康银红（1979—）,女,陕西合阳人,副教授（k —0丫0）20@/—.3110）,主要从事农业作物水分利用效率研究.534Among them,the RMSE,MAE,MBE of NARX-0model is0.425mm/k,0002miik and0.029 mm/k,mspectWUy ,and the NSE is0.022,ranging the11th in GPI with the worst simulatioc acchra-cy.NARX-9model which is based ox wind speed has the highut gcchracy that RMSE,MAE,MBE is0.435mm/k,0.437mm/k,0.014mm/k,mspectmUy,and the NSE is0.049and GPI rands first.When inyutting the same climate parameters of temperatury and sonsOine hours,the simulatioc acchra-cy of NARX-9is better than that of IrmaC-A llen,MaCkind,P—estWp-Taylor model.While,if inyut-ting parameter is o/ly temperatury,the simulatioc gcchracy of NARX-7is better than that of Haryreyves-Samani model.Therefore,the NARX model can be used as a recommexUed model Cor the calchla-tiou of ET o w ith limited meteomlopicyl data in socthwuWrk mountain areas of Sichuan,and can proviUe a scieutifie evibexco for acchrate iwigatioc of farmland.Key words:afuexco cmp evacoWanspiratioc；neural networks,NARX model-NAR model-preUictioc作物蒸散量是参与大气水文循环的重要因子,同时也是农业灌溉需水量制定的重要参数•参考作物蒸散量1mfereuco crop evacotranspiratioc；ET o)是国际上计算作物蒸散量的通用参数,准确计算及预报ET o具有重要意义•目前关于ET o的确定主要分为3个方面:试验测定、公式计算、数值模拟•运用蒸渗仪法测定的et精度好,但是仪器费用高且耗时长,只适用于一些特定研究,不适宜大范围推广⑴土.基于气象参数建立的ET o计算公式是许多学者常用的方法,目前已发展出52多种计算方法.在1495年,联合国粮农组织(food and agrichltury or-ganizatiou,FAO)把Pexman-Mocteith(PM)公式作为计算ET o的唯一标准方法,并且在全世界范围内都得到了很好应用,但是该公式需要气象参数多,计算复杂,对于一些气象资料缺失的地区不具有适用性⑻•因此,一些学者研究出了简化的ET o计算模型,例如温度法中的Hargreaves-Samani模型⑷，辐射法中的MaCkind模型㈤、P—esWey-Taylor模型⑷,经验法中的IrmaC-Aimu模型⑺等.这些简化模型虽然能够在气象资料缺失的情况下计算ET o,但是这些模型都是在特定的地区发展而来的对于不同的环境需要筛选不同的计算模型.随着计算机技术的发展以及仿真模拟的应用,基于机器学习下的ET o模拟计算以及预测成为国内外学者的研究热点.TNTONOPOULOS等⑻、J AHAN-BANI等⑼运用人工神经网络(abificial neural net-worgANN)模拟了ET o,结果表明ANN模拟的精度比简化模型计算的精度高;ADAMALA〔训对印度不同地区建立广义小波神经网络(wavelet-neural net-work,WNN)以模拟ET o,结果发现WNN模型比传统的ANN模型、线性回归模型和Harymaves模型的模拟误差小,具有良好的应用能力•崔宁博等［0基于思维进化算法(mind evolu-ocary algorithm)优化的误差反向传波神经网络(bach pmcagatioc neural uetwork,BPNN)模型预测了西北干旱地区的ET o,发现该模型在相同气象参数输入的情况下,模拟精度远高于Harymaves-Samani模型、、/ak模型和48-PM模型;冯禹等基于只有温度资料建立广义回归神经网络(geueralized reyressioc neural network, GRNN)，通过与Harymaves模型、改进的Harymaves 模型比较，发现该模型在时空尺度上能够很好地预测四川盆地的ET o；王升等⑴.基于基因编程表达式算法(geue expression propramming,GEP)以及径向基神经网络算法J raCial basis fuuctioc-ab-icial neural network,RBFNN)建立了ET o预报模型，发现在气象参数输入相同的情况下GEP模型比RBFNN 模型的计算精度更高.动态神经网络是一种具有动态反馈性的神经网络,能够有效实现复杂的动态系统建模•常见的动态神经网络有带外部输入非线性自回归(uonhuear actorepressivv models with exopexocs inyuts,NARX)神经网络、非线性自回归J uon/uear actorepressivv, NAR)神经网络等，目前广泛应用于电力负荷预测、锅炉温度预测等方面，对于ET o的预测还未有报道.文中基于PM公式计算的ET o作为标准值，构建NARX和NAR模型以预测川西南地区的ET并且与常用的ET o计算模型进行对比分析，提出气象资料缺失情况下计算ET o的模型，为ET o的计算提供新的思路.1材料与方法13数据来源选取四川西南山地的攀枝花站点作为研究站535点,气象数据包括日最高温（T/ge）、日最低温（T/w）、日照时数（h）、相对湿度（RH）和14/高度处的风速（采用FAO风速轮廓线关系⑶换算为2/高度处的风速b2）的2414—2413年的逐日气象资料.其中，2414—2417年的数据作为训练集,2413年的数据作为测试集;数据来自国家气象信息中心,且经过较好的质量控制.13参考作物计算模型选取Penmau-Moxteith模型计算的ET0作为标准值，选用H—poaves-Svm—i模型、Cm—-Allen模型、M—kink模型以及PCes—ey-Taylor模型进行对比分析，具体计算公式见表/表（中ET。
基于天气预报估算参考作物蒸发蒸腾量的预测模型比较
ｉ ｇ ｒ ｓ ｌ ｗ ｓ ｈｇ ｌ ｅ ｅ ｄ ｎ ｎ ｔ ｅ ｉｐ ｔｆｃ ｏ ． ｈ ｎ ｕ ｔ ｍｓ ｃ ｕｄ ｂ ｂ ａｎ ｄ ｆｏ ｔ ｅ ｃ ｒｅ ｔ ｈ ｒ— ａ ｇ ｅ ｔ ｅ ｏ ｅ ａ ｔ ｇ ｎ ｕ ｔ ａ ｉｈ ｙ ｄ ｐ ｎ ｅ ｔｏ ｈ ｎ ｕ ａ ｔｒ Ｔ ｅ ｉ ｐ ｔｉ ｅ ｅ ｏ ｌ ｅ ｏ ｔｉ ｅ ｍ ｈ ｕ ｒ ｎ ｏ ｒ ｎ ｅ ｗ ａ ｈ ｒｆ ｒ ｃ ｓｉ ｒ ｓ ｔ ｎ
公 式 计 算 ， 别 建 立 多 元 线 性 回 归 模 型 （ Ｒ） 自 适 应 神 经 模 糊 推 理 系 统 模 型 （ Ｎ Ｉ） 两 种 方 法 的 估 算 值 与 Ｐ ｎ ｎ 分 ＭＬ 和 Ａ ＦＳ ， ｅｍａ Ｍｏｔ ｔ 式 计 算 值 没 有 明 显 的 差 异 。 ｎｅ ｈ公 ｉ 自适 应 神 经 模 糊 推 理 系 统 预 测 值 相 对 于 多 元 线 性 回归 模 型 具 有 整 体 吻 合 度 好 ， 关 性 相 高 两 种 预 测 模 型 的 输 入 项 完 全 可 以 从 当 前 短 期 气 象 预 报 中 获 得 ， 序 运 行 操 作 简 单 ， 有 实 用 价 值 ， 实 时 灌 溉 预 报 提 供 程 具 为
基于天气预 报估算 参考作 物蒸发蒸腾量 的 预 测 模 型 比较
迟道 才 ， 晓瑜 ， 瑞 ， 王 张 刘 丽 ， 帅 莹 ， 李 崔 山 山
（ 阳农 业 大 学 水 利 学 院 ， 阳 １０１ １ 沈 沈 １ ６）
摘 要 ： 考 作 物 蒸 发 蒸 腾 量 （ Ｔ） 计 算 作 物 需 水 量 和 进 行 灌 溉 预 报 的 基 础 要 素 。 利 用 天 气 预 报 可 测 因 子 和 Ｐ ｎ ａ ｎ ｉ 参 Ｅ 是 Ｏ ｅ ｍ ｎ Ｍｏｔ ｔ ｅｈ
基于Matlab的小波神经网络参考作物腾发量预测模型研究
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｓ ｈ ｅ ｎ ｙ ａ ｎ ｇ Ａｇ ｒ ｉ ｃ ｕ ｌ ｔ ｕ ｒ ａ ｌ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ， ２ ０ １ ３ — ０ ８ ， ４ ４ ｆ ４ ） ： ４ ５ ７ — ４ ６ ０
ｍｅ ｔ ａ ｂ ｏ ｌ ｉ ｓ ｍ Ｇ Ｍ
（ １ ，１ ）ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ｍｏ ｄ ｅ ｌ ｗ ｅ ｒ ｅ ｅ ｓ ｔ ａ ｂ ｌ ｉ ｓ ｈ ｅ ｄ ａ ｎ ｄ ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ｉ ｎ ｇ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｗ ａ ｓ ａ ｎ ａ ｌ ｙ ｚ ｅ ｄ ｃ ｏ ｎ ｔ ｒ ａ ｓ ｔ ｉ ｖ ｅ ｌ ｙ ，ｗ ｉ ｔ ｈ Ｄ ｌ ａ ｉ ａ ｎ ａ ｓ ａ ｎ
Ｗ ａ ｖ ｅ ｌ ｅ ｔ Ｎｅ ｕｒ ａ ｌ Ｎｅ ｔ ｗｏ ｒ ｋ Ｆｏ ｒ ｅ ｃ ａ ｓ ｔ ｉ ｎｇ Ｍｏ ｄｅ ｌ ｆ ｏ ｒ ｔ ｈｅ Ｒｅ ｆ ｅ ｒ ｅ ｎ ｃ ｅ Ｃｒ ｏ ｐ
ＥＶ ａ ｐ ０ ｔ ｒ ａ ｎ ｓ ｐ ｉ ｒ ａ ｔ ｉ ０ ｎ Ｂａ ｓ ｅ ｄ ｏ ｎ Ｍａ ｔ ｌ ａ ｂ
Ｗ ＡＮＧ Ｋｕ ｎ ，ＣＨＥＮ Ｔａ ｏ — ｔ ａ ｏ ，ＬＩ Ｘｕ ｅ ，ＺＨＡＮＧ Ｌａ ｎ— ｆ ｅ ｎ ，ＣＨＩ Ｄａ ｏ — ｃ ａ ｉ
（ Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｗａ ｔ ｅ ｒ Ｃ ｏ ｎ ｓ ｅ ｒ ｖ ａ ｎ ｃ ｙ ， Ｓ ｈ ｅ ｎ ｙ ａ ｎ ｇ Ａ ｇ ｒ ｉ ｃ ｕ ｌ ｔ ｕ ｒ ａ ｌ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｓ ｈ ｅ ｎ ｙ
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｔ ｈ ｅ ｒ ｅ ｆ ｅ ｒ ｅ ｎ ｃ ｅ ｃ ｒ ｏ ｐ ｅ ｖ ａ ｐ ｏ ｔ ｒ ａ ｎ ｓ ｐ ｉ ｒ ａ ｔ ｉ ｏ ｎ ｉ ｓ ｔ ｈ ｅ ｋ ｅ ｙ ｐ ａ ｒ ａ ｍｅ ｔ ｅ ｒ ｆ ｏ ｒ ｅ ｓ ｉ ｔ ｍａ ｔ ｉ ｎ ｇ ｅ ｖ ａ ｐ ｏ ｔ ｒ ａ ｎ ｓ ｐ ｉ ｒ ａ ｔ ｉ ｏ ｎ ． Ｉ ｔ ｓ ａ ｃ ｃ ｕ ｒ ａ ｔ ｅ ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ｈ ａ ｓ ｔ ｈ ｅ ｖ ｉ ｔ ａ ｌ ｓ ｉ ｇ ｎ ｉ ｆ ｉ ｃ ａ ｎ ｃ ｅ ｔ ｏ ｉ ｍｐ ｒ ｏ ｖ ｅ ｔ ｈ ｅ ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ｉ ｎ ｇ ｐ ｒ ｅ ｃ ｉ ｓ ｉ ｏ ｎ ｏ ｆ ｃ ｒ ｏ ｐ ｗ ａ ｔ ｅ ｒ ｒ ｅ ｑ ｕ ｉ ｒ ｅ ｍｅ ｎ ｔ ．Ｔ ｈ ｅ ｗａ ｖ ｅ ｌ ｅ ｔ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｗ ａ ｓ ｉ ｎ ｔ ｒ ｏ ｄ ｕ ｃ ｅ ｄ ｉ ｎ ｔ ｏ ｔ ｈ ｅ ｒ ｅ ｆ ｅ ｒ ｅ ｎ ｃ ｅ ｃ ｒ ｏ ｐ ｅ ｖ ａ ｐ ｏ ｔ ｒ ａ ｎ ｓ ｐ ｉ ｒ ａ ｔ ｉ ｏ ｎ ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ．Ｂ ｙ Ｕｓ ｉ ｎ ｇ ｔ ｈ ｅ Ｍａ ｌ ｆ ａ ｂ ｔ ｏ ｏ ｌ ｂ ｏ ｘ ，ｔ ｈ ｅ ｗａ ｖ ｅ ｌ ｅ ｔ ｎ ｅ ｕ ｒ ｌ ａ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｍｏ ｄ ｅ ｌ ａ ｎ ｄ ｔ ｈ ｅ ｇ ｒ ｅ ｙ
作物蒸发蒸腾量计算公式
作物蒸发蒸腾量计算公式一、采用彭曼—蒙蒂斯（Penman —Monteith ）法计算参考作物蒸发蒸腾量（ET 0） 1、彭曼—蒙蒂斯（Penman —Monteith ）公式彭曼—蒙蒂斯（Penman —Monteith ）公式是联合国粮农组织（FAO ，1998）提出的最新修正彭曼公式，并已被广泛应用且已证实具有较高精度及可使用性。
P-M 公式对参考作物的蒸发蒸腾量定义如下：参考作物的蒸发蒸腾量为一种假想的参考作物冠层的蒸发蒸腾速率，假想作物的高度为0.12m ，固定的叶面阻力为70s/m ，反射率为0.23，非常类似于表面开阔、高度一致、生长旺盛、完全覆盖地面且不缺水的绿色草地蒸发蒸腾量。
Penman ——Monteith 公式：)34.01()(273900)(408.0220U e e U T G R ET d a n ++∆-++-∆=γγ（1）式中 0ET ——参考作物蒸发蒸腾量，mm/d ；∆——温度~饱和水汽压关系曲线在T 处的切线斜率，kPa ∙℃-1；2)3.237(4098+⋅=∆T e a（2）T ——平均气温，℃ e a ——饱和水汽压，kpa ；()3.23727.17ex p 611.0+=T Ta e （3）R n ——净辐射，MJ/（m 2·d ）；nl ns n R R R -= （4）R ns ——净短波辐射，MJ/（m 2·d ）； R nl ——净长波辐射，MJ/（m 2·d ）；a ns R N n R )/5.025.0(77.0+= （5）n ——实际日照时数，h ； N ——最大可能日照时数，h ；Ws N 64.7= （6）Ws ——日照时数角，rad ；)tan tan arccos(δψ⋅-=s W （7）ψ——地理纬度，rad ； δ——日倾角，rad ；)39.10172.0sin(409.0-⋅=J δ （8）J ——日序数（元月1日为1，逐日累加）； R a ——大气边缘太阳辐射，MJ/（m 2·d ）；)sin cos cos sin sin (6.37s s r a W W d R ⋅⋅+⋅⋅⋅=δψδψ （9）d r ——日地相对距离；)3652cos(033.01J d r π+= （10）)()14.034.0()1.0/9.0(1045.2449kn kx d nl T T e N n R +⋅-⋅+⋅⨯=- （11）e d ——实际水汽压，kpa ；100)(21100)(212)()(minmax max min max min RH T e RH T e T e T e e a a d d d ⋅+⋅=+=（12） RH max ——日最大相对湿度，％； T min ——日最低气温；℃e a (T min )——T min 时饱和水汽压，kpa ，可将T min 代入（3）式求得； e d (T min )——T min 时实际水汽压，kpa ； RH min ——日最小相对湿度，％； T max ——日最高气温，℃e a (T max )——T max 时饱和水汽压，kpa ，可将T max 代入（3）式求得； e d (T max )——T max 时实际水汽压，kpa ；若资料不符合（12）式要求或计算较长时段ET 0，也可采用下式计算e d ，即⎥⎦⎤⎢⎣⎡+=)(50)(50/max minT e T e RH e a a mean d （13）RH mean ——平均相对湿度，％；2minmax RH RH RH mean +=（14）在最低气温等于或十分接近露点温度时，也可采用下式计算e d ，即()3.237min27.17min exp 611.0+=T T d e （15） T ks ——最高绝对温度，K ； T kn ——最低绝对温度，K ；273max +=T T ks （16） 273min +=T T kn （17）G ——土壤热通量，MJ/（m 2·d ）；对于逐日估算ET 0，则第d 日土壤热通量为)(38.01--=d d T T G （18）对于分月估算ET 0，则第m 月土壤热通量为：)(14.01--=m m T T G （19）T d 、T d-1——分别为第d 、d-1日气温，℃； T m 、T m-1——分别为第m 、m-1日气温，℃； γ——湿度表常数，kpa ·℃-1；λγ/00163.0P = （20）P ——气压，kpa ；26.5)2930065.0293(3.101Z P -= （21）Z ——计算地点海拔高程，m ； λ——潜热，MJ ·kg -1；T ⋅⨯-=-)10361.2(501.23λ （35）u 2——2m 高处风速，m/s ；)42.58.67ln(/87.42-⋅=h u u h （36）h ——风标高度，m ； u h ——实际风速，m/s 。
参考作物腾发量预测方法论文
参考作物腾发量预测方法的研究摘要：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，实验证明elman神经网络模型具有良好的预测精度。
关键词：参考作物腾发量 elman神经网络1 前言目前,中国人均水资源占有量不足世界人均水平的四分之一,耕地平均每公顷水资源占有量也仅为世界平均水平的四分之五。
农业用水占到我国总用水量的约70%，农业用水浪费现象普遍存在，21世纪中国农业水资源供需矛盾将更加突出。
因此以提高农业用水效率为目的节水高效农业对于缓解水资源紧缺的现状、实现水资源可持续利用和农业的可持续发展都有着极为重要的意义。
参考作物腾发量是估算作物蒸发蒸腾量的关键参数，它的准确性直接影响着作物需水预报的精度，进而影响到区域水资源的优化配置。
而作物蒸发蒸腾量是农业方面最主要的水分消耗部分，是确定作物灌溉制度和地区灌溉水量的基础，是制定流域规划、地区水利规划，灌溉工程规划、设计、管理和农田排灌实施的依据。
因此参考作物腾发量的预测显得尤为重要，它对正确估算作物蒸发蒸腾量，提高农业用水效率，发展节水农业有着十分重要的意义。
2 国内外研究现状2.1 et0的估算方法的研究参考作物腾发量（et0）的概念由彭曼于1948年首先提出。
1979年fao（联合国粮农组织）对其进行了定义。
1990年联合国粮农组织在意大利罗马召开的作物需水量计算方法专题研讨会上，推荐使用penman-monteith公式计算参考作物蒸散量。
1998年fao推荐penman-monteith公式作为计算参考作物腾发量的唯一标准方法。
参考作物腾发量的估算方法大致可划分为蒸渗仪测定、蒸发皿估测以及利用气象观测数据通过公式计算等三种途径。
利用气象数据通过公式计算参考作物腾发量的方法又可归纳为经验公式和理论方法两类。
一种基于主成分分析和神经网络的水稻需水量预测方法[发明专利]
![一种基于主成分分析和神经网络的水稻需水量预测方法[发明专利]](https://img.taocdn.com/s3/m/758c32240c22590103029d71.png)
专利名称：一种基于主成分分析和神经网络的水稻需水量预测方法
专利类型：发明专利
发明人：刘佳瑞,张健,李淼,高会议
申请号：CN201710278851.6
申请日：20170425
公开号：CN107025505A
公开日：
20170808
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于主成分分析和神经网络的水稻需水量预测方法，首先获取实验地区作物生长过程中的各项影响因子数据并进行预处理，然后对根据气象条件、生长环境条件、自身生长特性这三个方面从水稻生长过程中的影响因子数据中选取特征进行基于特征数阈值调整的主成分分析，从而找到不同的特征组合，对不同的特征组合训练粒子群算法优化的RBF神经网络模型，找出准确率最高的权重迭代参数和特征组合，从而构建的RBF神经网络模型能够实现水稻整个生长过程中缺水状况程度预测，高效快速、且预测结果准确。
申请人：无锡中科智能农业发展有限责任公司,中国科学院合肥物质科学研究院
地址：214000 江苏省无锡市锡山区无锡现代高科技农业示范园
国籍：CN
代理机构：合肥天明专利事务所(普通合伙)
更多信息请下载全文后查看。
基于GA-BP神经网络的作物参考腾发量预测
基于GA-BP神经网络的作物参考腾发量预测张志政;矫亚涛;李伟【摘要】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.【期刊名称】《农机化研究》【年(卷),期】2011(033)001【总页数】4页(P61-64)【关键词】遗传算法;GA-BP神经网络;作物参考腾发量【作者】张志政;矫亚涛;李伟【作者单位】西安建筑科技大学,环境学院,西安,710055;西安建筑科技大学,环境学院,西安,710055;西安建筑科技大学,环境学院,西安,710055【正文语种】中文【中图分类】TP273.+40 引言在分析预测灌溉需水量时，作物腾发量的预测是最基本、最重要的参数之一。
计算作物腾发量的方法可分直接计算法和间接计算法两种。
直接计算法采用经验公式计算作物腾发量，具有较强的区域局限性，其使用范围有限。
间接法预测作物腾发量，最关键的是对参考作物腾发量ET0进行预测[1]。
目前，世界上有多种ET0计算方法，其中联合国粮农组织(FAO)推荐的Penman-Monteith公式是公认的适用于各种气候条件的标准算法[2]，但其需要完备的气象观测资料，且对数据质量有较严格的要求，应用受到一定的限制。
随着人工神经网络理论的发展以及应用，一些学者将BP神经网络应用于ET0的预测[3]，但BP网络隐含层节点数的确定具有一定盲目性，其学习算法存在一定的问题，本文针对相关问题进行网络优化研究。
1 BP神经网络原理BP(Back Propagation，简称BP)是目前使用最广泛也是发展最成熟的一种神经网络。
基于BP神经网络的农田蒸散量预报模型
基于BP神经网络的农田蒸散量预报模型
郑重;马富裕;李江全;崔静
【期刊名称】《水利学报》
【年(卷),期】2008(039)002
【摘要】本文根据石河子地区多年气象资料和作物生长、土壤水分状况,建立了以平均气温、相对湿度、净辐射量以及土壤相对湿度、棉花叶面积指数为输入向量,以实测ET为输出向量的BP神经网络蒸散量预报模型(ET(bp)).实际应用结果表明所建立的BP网络模型具有较好的预报效果,平均相对误差为6.47%,预测标准误差为0.312mm,有效性指数达到93.5%.
【总页数】5页(P230-234)
【作者】郑重;马富裕;李江全;崔静
【作者单位】石河子大学,新疆兵团绿洲生态农业重点实验室,新疆,石河子,832003;石河子大学,新疆兵团绿洲生态农业重点实验室,新疆,石河子,832003;石河子大学,新疆兵团绿洲生态农业重点实验室,新疆,石河子,832003;石河子大学,新疆兵团绿洲生态农业重点实验室,新疆,石河子,832003
【正文语种】中文
【中图分类】S152.7+
【相关文献】
1.基于林业生态工程的农田小气候BP神经网络模型研究 [J], 江萍;刘勇
2.基于MEA-BPNN的西北旱区参考作物蒸散量预报模型 [J], 崔宁博;魏俊;赵璐;
张青雯;龚道枝;王明田
3.基于ELM的西北旱区参考作物蒸散量预报模型 [J], 张皓杰;崔宁博;徐颖;钟丹;胡笑涛;龚道枝
4.基于改进BP神经网络的大坝安全监测预报模型 [J], 李明
5.基于极限学习机模型的中国西北地区参考作物蒸散量预报 [J], 魏俊;崔宁博;陈雨霖;张青雯;冯禹;龚道枝;王明田
因版权原因，仅展示原文概要，查看原文内容请购买。
基于PSO-BP神经网络的参考作物蒸腾量预测
基于PSO-BP神经网络的参考作物蒸腾量预测
张志政;周威
【期刊名称】《节水灌溉》
【年(卷),期】2014(0)11
【摘要】针对以往BP神经网络收敛速度慢及易陷于局部极小值等问题,引入粒子群算法优化BP网络的权值和阈值,建立PSO-BP神经网络,预测参考作物蒸腾量ET0。
以西安地区的相关资料为基础,设计9种影响因子组合方案,利用PSO-BP网络模型进行ET0的预测,结果表明,该模型运算速度快,预测精度较高;对比分析9种方案的预测结果发现,方案7为最优,该方案只需选用平均温度、平均相对湿度、风速和日照时数四项影响因子,即可获得较高精度的参考作物蒸腾量预测值。
【总页数】5页(P87-90)
【关键词】粒子群算法;PSO-BP;神经网络;参考作物蒸腾量
【作者】张志政;周威
【作者单位】西安建筑科技大学环境与市政工程学院
【正文语种】中文
【中图分类】TP273.4
【相关文献】
1.基于模糊神经网络的参考作物蒸腾量预测研究 [J], 李贤波;马孝义;李忠娟;朱晖
2.基于气象预报的参考作物蒸发蒸腾量的神经网络预测模型 [J], 徐俊增;彭世彰;张瑞美;李道西
3.基于天气预报的参考作物蒸发蒸腾量预测模型 [J], 余江斌;林剑辉;高大帅
4.基于灰色关联分析与BP神经网络模型的日参考作物蒸发蒸腾量预测 [J], 马亮;何继武
5.基于改进的PSO-BP神经网络的参考作物腾发量预测 [J], 任亚飞;田帅;邵馨叶;邵建龙
因版权原因，仅展示原文概要，查看原文内容请购买。
基于MODIS遥感图像和神经网络的农作物产量预测研究
基于MODIS遥感图像和神经网络的农作物产量预测研究基于MODIS遥感图像和神经网络的农作物产量预测研究随着农作物的种植规模和经济效益的不断提高，对于农业产量的准确预测变得越来越重要。
而遥感技术作为一种快速获取大范围地表信息的有效手段，为农作物产量预测提供了新的思路。
本研究旨在通过利用MODIS遥感图像和神经网络，实现农作物产量的准确预测。
首先，我们选择了适合农作物产量预测的几个关键因素，包括NDVI指数、L指数、气象因素等。
这些因素与植被的生长状况以及环境的气候条件密切相关，因此可以作为农作物产量预测的重要依据。
然后，我们通过MODIS遥感图像获取了这些关键因素的数据。
接下来，我们利用这些数据建立了一个神经网络模型。
神经网络是一种模拟人脑神经系统的数学模型，通过神经元之间的连接将输入与输出相互联系起来，可以学习和预测复杂的非线性关系。
我们将NDVI指数、L指数和气象因子作为输入，将农作物产量作为输出，通过训练神经网络，使其能够准确预测农作物产量。
在模型的训练过程中，我们将数据分为训练集和测试集。
通过不断调整神经网络的参数，使其在训练集上的预测结果与实际产量尽可能接近。
然后，我们将测试集输入到训练好的神经网络中，评估其预测准确性。
同时，为了验证模型的稳定性和适用性，我们还应用了交叉验证方法。
经过多次训练和测试，我们得到了一个准确性较高的农作物产量预测模型。
通过该模型，我们可以根据已有的遥感图像数据和气象数据，预测未来某一地区的农作物产量。
这对于农民和农业管理部门来说，具有重要的参考价值。
通过提前了解到产量情况，农民可以及时采取相应的措施，提高产量和经济效益；农业管理部门可以根据预测结果，制定合理的农业政策，优化农作物种植结构。
总之，本研究基于MODIS遥感图像和神经网络，实现了农作物产量的准确预测。
通过该模型，我们可以在更早的时间获取到农作物产量的信息，为农业生产提供科学依据。
未来，我们可以进一步完善模型，加入更多的因素和数据，提高预测的准确性和稳定性。
逐日参考作物蒸发蒸腾量预测的偏最小二乘回归模型
逐日参考作物蒸发蒸腾量预测的偏最小二乘回归模型王士兰;王斌【摘要】Penman-Monteith方法需要的气象资料较多,在气象资料不全时无法使用,并且该方法不能直接预测参考作物蒸发蒸腾量(ET0).参考天气预报的常规预报项目,将日最高气温、日最低气温、反映天气状况的日照时数、反映风力等级的风速以及Penman-Monteith公式中可以直接计算的相关因子作为自变量,以Penman-Monteith公式计算的ET0为因变量,引入偏最小二乘回归算法(PLS)建立了逐日ET0预测模型.实例计算结果表明,PLS模型的模拟和预测精度较高,基本能够满足农业生产实践的需要,为有效预测逐日ET0提供了一种新方法.【期刊名称】《黑龙江大学工程学报》【年(卷),期】2012(003)004【总页数】5页(P41-45)【关键词】参考作物蒸发蒸腾量;预测;偏最小二乘回归【作者】王士兰;王斌【作者单位】东北农业大学水利与建筑学院,哈尔滨150030【正文语种】中文【中图分类】S161.4FAO－56推荐的Penman－Monteith公式（以下简称P－M公式）计算参考作物蒸发蒸腾量（ET0）的精度较高，被公认为计算ET0的标准方法［1］。
然而，P－M公式需要的气象数据较多，虽然这些数据均为常规气象资料，但我国气象观测资料的实时共享程度并不高，在气象数据不完备时无法直接应用P－M公式；即使在气象数据完备情况下，也只能应用P－M公式计算ET0而不能直接预测ET0，除非公式中涉及的各种气象数据均为预测（报）值，但实际工作中很难同时获得如此众多气象数据的预测（报）值。
国内外关于ET0的预测模型较多，比较典型的有：Tracy等［2］和 Marino等［3］各自提出的基于时间序列分析的ET0预测模型；罗玉峰等［4］提出了ET0预测的傅立叶级数模型；茆智等［5］提出了预测逐日ET0的方法和指数模型；郭宗楼等［6］提出了ET0灰色预测模型；顾世祥等［7］、霍再林等［8］、崔远来等［9］、徐俊增等［10］、彭世彰等［11］应用神经网络对ET0进行了预测；段春青等［12］建立了基于混沌遗传程序设计的ET0预测模型。
基于气象预报的参考作物蒸发蒸腾量的神经网络预测模型
基于气象预报的参考作物蒸发蒸腾量的神经网络预测模型徐俊增;彭世彰;张瑞美;李道西【期刊名称】《水利学报》【年(卷),期】2006(037)003【摘要】参考作物蒸发蒸腾量(ET0)是进行实时灌溉预报和农田水分管理的主要参数,BP神经网络能够较好地反映ET0与诸影响因素间复杂的非线性关系.本文将ET0看作时间序列,选取前3日ET0作为影响因子,以天气预报可测因子包括最高、最低和日平均温度、反映天气类型的阴晴指数、日序数和风力等级进行修正,建立了三层BP神经网络模型.选取江苏射阳站2003与2004年气象资料,应用Matlab 神经网络工具箱,采用trainer算法进行模型训练与预测.结果证明,所建模型能够很好地反映诸多影响因子与ET0之间的关系,具有较高的模拟精度和较好的泛化能力.【总页数】4页(P376-379)【作者】徐俊增;彭世彰;张瑞美;李道西【作者单位】河海大学,水文水资源与水利工程科学国家重点实验室,江苏,南京,210098;河海大学,现代农业工程系,江苏,南京,210098;河海大学,水文水资源与水利工程科学国家重点实验室,江苏,南京,210098;河海大学,现代农业工程系,江苏,南京,210098;河海大学,水文水资源与水利工程科学国家重点实验室,江苏,南京,210098;河海大学,现代农业工程系,江苏,南京,210098;河海大学,水文水资源与水利工程科学国家重点实验室,江苏,南京,210098【正文语种】中文【中图分类】S161.7【相关文献】1.基于经验模态分解与人工神经网络的参考作物腾发量混合预测模型研究 [J], 迟道才;郑俊林;许杏娟;吴奇;陈涛涛2.基于Matlab的小波神经网络参考作物腾发量预测模型研究 [J], 王堃;陈涛涛;李雪;张兰芬;迟道才3.基于天气预报估算参考作物蒸发蒸腾量的预测模型比较 [J], 迟道才;王晓瑜;张瑞;刘丽;李帅莹;崔屾4.基于主成分分析的灌区参考作物蒸发蒸腾量预测模型研究 [J], 魏新光;王密侠;张倩5.基于灰色关联分析与BP神经网络模型的日参考作物蒸发蒸腾量预测 [J], 马亮;何继武因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于主成分的参考作物蒸发蒸腾量神经网络预测模型彭世彰1，2魏征1，2徐俊增1，2丁加丽11. 河海大学水文水资源与水利工程科学国家重点实验室，南京 210098；2. 河海大学现代农业工程系，南京 210098摘要：为了解决采用神经网络模型预测参考作物蒸发蒸腾量ET0研究中泛化能力不足的问题。
将天气因子包括最高、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。
选取崇川水利科学实验站2001到2004年旬气象资料，应用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，所建主成分网络模型能够很好地反映诸多影响因子与ET0之间的关系，并且对于训练样本以外的验证样本，表现出优于传统BP网络模型的识别能力，取得更为可靠的预测结果。
因此基于主成分的神经网络模型具有比传统BP神经网络模型更高的预测精度和更好的泛化能力。
关键词：主成分分析；BP神经网络；参考作物蒸发蒸腾量；预测0 引言参考作物蒸发蒸腾量（ET0）是作物蒸发蒸腾量计算的关键因子，其准确估算对于灌区实时灌溉预报和农田水分管理具有重要作用。
许多研究表明参考作物蒸发蒸腾量ET0与气象因素具有较强的非线性关系，而BP（Back-Propagation，简称BP）神经网络是较为成熟也是应用最多的一种非线性函数逼近方法，基于神经网络可以实现参考作物蒸发蒸腾量的模拟与预测。
Sudheer等 [1]（2003），Trajkovic等[2]（2003）以实测的气象资料为输入，研究了神经网络预测参考作物蒸发蒸腾量的可行性。
徐俊增等[3]（2006）以气象预报因子为输入，验证了BP神经网络模型预测作物参考作物蒸发蒸腾量的可靠性。
但同时也发现：当输入因子较多且自变量相关性较大时，由于信息冗余，导致BP网络模型过训练、过拟合和泛化能力不足的问题。
而主成分分析网络模型[4~6]能够起到减少输入维数，消除各自变量间相关性的作用。
ET0预测需要较多的气象因子作为输入，这些因子之间存在一定相关关系的重叠信息。
因此本文引入主成分分析对多指标的原始变量进行事先提取，以原始变量的主成分得分作为网络输入层，建立了基于主成分分析的参考作物蒸发蒸腾量神经网络模型，以期提高传统BP神经网络模型的预测精度，并增强其泛化能力。
1 材料与方法1.1 数据资料本文的数据资料为南通市崇川水利科学实验站2001-2004年共4年的旬气象基本资料（日照时数、日平均气温、最高气温、最低气温、气压、相对湿度、风速、水汽压）。
实验站位于南通市崇川区水利科学研究所试验基地内，地理位置为东经120˚56΄、北纬32˚01΄，属亚热带和暖温带季风气候区。
本区雨水充沛，多年平均降水量1079.2mm，年平均气温15℃左右，年日照2100～2200小时。
地下水位较高，常年地下水埋深在0.2～2.0m间变化。
土壤肥力中上水平，质地0～80cm为轻壤土，80～160cm为砂壤土。
基金项目：国家自然科学基金项目（50479022)，河海大学学生科技基金项目（2006-42）。
作者简介：彭世彰（1959-），男，上海人，教授，博士，博士生导师，从事节水灌溉理论与农田生态效应研究。
E-mail:szpeng@1.2 分析方法采用主成分分析和BP神经网络相结合的方法，建立基于主成分的神经网络模型。
利用SPSS软件对原始气象资料进行主成分分析，得到主成分相关指标。
根据提取的主成分建立神经网络模型，用MATLAB神经网络工具箱对神经网络进行训练，并进行预测。
同时以传统的BP网络模型作为对照。
2 主成分神经网络建模2.1 主成分提取主成分分析是对数据和变量结构进行分析处理的一种行之有效的多元统计分法,它可以在不损失或尽量少损失原有指标信息的情况下,将多个具有相关性的指标转换成少数几个互相独立的综合指标(即主成分)[7]。
对气象数据进行主成分提取，得到主成分的特征值与各自贡献率（表1）。
表1 主成分分析累计贡献率No特征值 百分率%累计百分率%1 4.17552.1952.192 1.30116.2768.4630.84310.5378.9940.7769.7088.6950.6047.5596.2460.247 3.0999.3370.0450.5699.8980.0090.11100根据最初几个特征值在全部特征值的累计方差贡献率大于等于某一特定的百分率的原则（实际应用中常取累计方差贡献率大于等于90%），确定主成分的个数。
可以看出前5个主因子的累计贡献率已经达到95％以上，既可以满足要求。
相应的特征向量为（0.183, 0.427, 0.477, 0.476, -0.329, -0.049, 0.4687, 0.0271）、（-0.471, 0.067, -0.018, 0.07259, -0.035, 0.632, 0.082, 0.601）、（0.488, -0.092, -0.077, -0.115, -0.182, -0.334, -0.109, 0.760）、（0.644, -0.137, 0.007, -0.092, -0.183, 0.692, -0.089, -0.195）、（0.284, 0.229, 0.108, 0.090, 0.899, 0.083, 0.114, 0.13843）。
同时得到5个主成分得分。
2.2主成分神经网络建模根据主成分分析结果，确定网络模型输入层神经单元为5个，经过试算验证，得到隐含层神经单元个数为8个，确定网络的拓扑结构为5－8－1。
同时以全部气象资料为输入，建立拓扑结构为8－8－1的传统BP神经网络的模型。
以01～03年的气象资料为训练样本，04年的资料为预测样本，采用FAO56 Penman-Monteith公式[8]计算的参考作物蒸发蒸腾量作为模型的训练和预测目标。
利用MATLAB编写程序并调用神经网络工作箱里的newff函数来初始化网络，所训练的网络模型参数设定为：最小训练速率为0.01，允许误差为0.001，最大迭代次数为1000次。
在训练过程中，当满足目标精度要求或者达到最大迭代次数时，自动停止训练。
3 结果与分析3.1 训练结果分析图1、图2（a）是BP神经网络和主成分神经网络训练结果与目标结果拟合情况，显示出两模型均能较好的拟合目标值。
两模型训练结果与目标结果之间比较都显示出较高的精度（表2）。
R 2主成分=0.9371< R 2BP =0.9671, RMSE 主成分=0.2973< RMSE BP =0.2239,同时其他指标（合格率、相对误差，最大相对误差）也是BP 神经网络为优，只有最小相对误差除外。
这表明BP 神经网络模型的识别能力很强；而主成分神经网络模型损失部分了信息，因此在拟合效果上不如BP 神经网络模型，但两种模型相差并不是很大。
比较可得，BP 网络模型在训练样本拟合方面精度较高；而主成分网络模型也能满足精度的要求。
表2 训练、预测结果与目标结果误差情况样本 主成分模型 0.9371 82.86 0.297314.18 90.87 0.02 BP 网络模型 0.7595 72.22 0.669320.04 181.51 1.04 预测 样本主成分模型0.9671 75.00 0.366816.7467.520.076注：合格率指相对误差的绝对值小于20％的数据占相应样本个数的百分率；最大相对误差和最小相对误差均为相对误差的绝对值。
(a) (b)图1 参考作物蒸发蒸腾量训练结果（a ， BP 神经网络；b ， 主成分神经网络）(a) (b)图2 参考作物蒸发蒸腾量输出值与目标值拟合结果（a ， 训练样本；b ， 预测样本）3.2预测结果分析图2（b ）、图3是BP 神经网络和主成分神经网络预测结果与目标结果拟合情况，可以看出，BP 神经网络在大部分时刻都能取得较好的预测结果，但也存在预测值与目标值严重246参考作物蒸发蒸腾量/m m .d -1旬数参考作物蒸发蒸腾量/m m .d -1旬数目标值/mm.d -1预测值/m m .d-1目标值/mm.d -1模拟值/m m .d -1偏离的点。
而主成分神经网络模型取得了更好的预测结果。
两模型预测结果与目标结果之间比较显示精度差异较大（表2）。
R 2主成分=0.9671> R 2BP =0.7595, RMSE 主成分=0.3668> RMSE BP =0.6693,同时其他指标（合格率、相对误差、最大、最小相对误差）也是主成分神经网络为优。
这表明BP 神经网络模型的泛化能力不足，对落在训练样本数据范围之内的样本可以取得较好的预测效果，但对超出此范围的样本则不然；而主成分模型对于训练样本之外的预测样本的识别能力优于BP 网络模型。
比较可得, 主成分网络模型在预测数据样本表现出较高的精确性、稳定性；而BP 网络模型的精度和稳定性都出现下降。
(a)(b)图3 参考作物蒸发蒸腾量预测结果（a ， BP 神经网络；b ， 主成分神经网络）主成分网络模型通过主成分分析提取线性无关的主成分，包含了绝大部分有用的信息，消除了信息的冗余，而且能够剔除噪音[9]，表现在训练以及预测时较高的精度和稳定性；而BP 网络模型在对训练数据拟合时表现的精度相当高，但是在预测数据，存在着一定的缺陷，精度和稳定性都大大下降。
BP 神经网络在对信息冗余的数据进行学习时，产生可能冗余的特征集越大，出现过训练、过拟合，导致泛化能力不足；而主成分网络模型的泛化能力则大大提高。
4 结论(1) 主成分神经网络模型能够取得满足精度要求的训练结果，并且能取得比传统BP 神经网络更好的预测结果，表现出比传统BP 神经网络更强的泛化能力，而且简化了网络的拓扑结构。
(2) 主成分神经网络模型具有应用简单、精度较高的优点。
(3) 主成分神经网络模型损失信息、剔除噪音的程度以及抗噪音干扰能力有待于进一步深入研究。
参考文献[1] K.P.Sudheer,A.K.gosain,K.S.Ramasastri. Estimating actual evapotranspiration from limited climatic data using neural computing technique [J]. Journal of Irrigation and Drainage Engineering ，ASCE ，2003: 214-218.[2] Slavisa Trajkovic, Branimir Todorovic. Forecasting of reference evapotranspiration by artificialneural networks [J]. Journal of Irrigation and Drainage Engineering ，ASCE ，2003: 454-457.[3] 徐俊增,彭世彰,李道西,丁加丽.基于气象预报的参考作物蒸发蒸腾量的神经网络预测模型[J]. 水利学报, 2006, 37(03): 376-379.参考作物蒸发蒸腾量/m m .d -1旬数参考作物蒸发蒸腾量/m m .d -1旬数[4] 孟明,牛东晓,孟宁.基于主成分分析的神经网络评价模型研究[J].华北电力大学学报, 2004, 31(02): 53-56[5] 徐自祥, 周德云, 罗奕然.基于主成分的模糊神经网络[J].计算机工程与应, 2006, (5) : 34-36[6] 姚杰, 郭宗楼,陆琦,灌区节水改造技术经济指标的综合主成分分析[J].水利学报,2004,10:106-111[7] 吴普特,牛文全. 节水灌溉与自动化控制技术[M]. 北京：化工工业出版社，2002： 186-190[8] 李远华,罗金耀主编.节水灌溉理论与技术[M].湖北:武汉大学出版社,2003[9] S Mika,B Sch Ölkopf,A J Smola et，Kernel PCA and de-noising in feature spaces[C].In :M S Kearn,S A Solla,DA Cohn eds.Advances in Neural information Processing Systems Ⅱ, Cambridge. MA:MIT Press,2000: 526-532 Estimating Reference Evapotranspiration by Neural Network Based on PrincipalComponent AnalysisPeng Shizhang1，2 Wei zheng1，2Xu Junzeng1，2 Ding Jiali11 State Key Laboratory of Hydrology-Water Resources and Hydraulic Engineering, Hohai University, Nanjing 2100982. Department of Modern Agriculture Engineering, Hohai University, Nanjing 210098Abstract: In order to improve the generalization ability of Neural Network Model in the prediction of reference crop evapotranspiration, principal component analysis are applied on the weather data including the maximum, minimum and average daily temperature, sunshine duration, air pressure, humidity of exposure field , air relative humidity and wind velocity, principal components are extracted. A principal component BP Network Model is built up, the ten-days weather data from 2001 to 2004 in water conservancy science experiment station of Chongchuan are collected, the model is trained and predicted by MATLAB Neural Network Toolbox. The traditional BP Network is used as a contrast. The results show that the principal component BP Network Model can truly reflect the relationship between several environmental influencing factor and ET0, and be superior to the general BP Network model in the prediction with the validation samples outsides training samples. So the principal component BP Network Model has higher prediction precision and greater generalization ablility in comparson with the general BP Network model.Keywords: principal component analysis; back-propagation neural network; reference evapotranspiration; estimate。