科研产出
机器学习算法和Hargreaves模型在四川盆地ET_0计算中的比较
《中国农业气象 》 2016 北大核心 CSCD
摘要：以四川盆地中部遂宁气象站2001-2010年逐日温度资料和大气顶层辐射(Ra)为输入参数,以FAO-56Penman-Monteith(PM)模型计算的参考作物蒸散量(ET0)为标准,分别利用广义回归神经网络(GRNN)和小波神经网络(WNN)两种机器学习算法建立ET0模拟模型,并对GRNN、WNN和Hargreaves(HS1)与两种改进的Hargreaves(HS2和HS3)模型的ET0模拟效果进行对比分析,利用2011-2014年数据对各模型模拟精度进行验证,分析仅有温度资料时不同模型在四川盆地的适用性。结果表明:GRNN模型和WNN模型均具有较强的适用性,GRNN模型均方根误差(RMSE)、模型效率系数(Ens)和决定系数(R2)分别为0.395mm?d~(-1)、0.924和0.902,WNN模型分别为0.401mm?d~(-1)、0.911和0.901,且两种模型计算精度均高于HS1(1.05mm?d~(-1)、0.885和0.334)、HS2(0.652mm?d~(-1)、0.892和0.736)和HS3(0.550mm?d~(-1)、0.881和0.812)模型。模型适用性验证进一步表明,GRNN和WNN模型在四川盆地西部和东部也具有较好的适用性,在输入参数中引入Ra能提高模型的模拟精度。因此,GRNN和WNN可以作为气象资料缺失条件下四川盆地ET0计算的推荐模型,且GRNN计算精度高于WNN,可优先选用。
关键词： 参考作物蒸散量 温度资料 FAO-56 Penman-Monteith模型 机器学习算法 Hargreaves模型
基于反距离权重法的长江流域参考作物蒸散量算法适用性评价
《农业工程学报 》 2016 EI 北大核心 CSCD
摘要：为实现大区域尺度参考作物蒸散量(reference crop evapotranspiration,ET0)资料缺失情况下的准确计算,该文将长江流域划分为上、中、下游3个子区域,基于反距离权重法的新型空间展布方法得到3个虚拟站点分别代表每个子区域,利用长江流域102个站点1964-2013年近50a的逐日气象数据,根据FAO-56 Penman-Monteith(P-M)法、Hargreaves-Samani(HS)法、Irmark-Allen(I-A)法、Priestley-Taylor(P-T)法、Makkink(M-K)法、Penman-Van Bavel(PVB)法、1948年Penman(48-PM)法分别计算每个站点逐日ET0,并以P-M法为标准,利用Nash-Sutcliffe系数(CD)、逐日相对均方根误差(RMSE)、Kendall一致性系数(K)对其适用性进行评价,结果表明:在3个子区域6种ET0计算方法的日值与P-M法拟合方程确定系数R2均通过了极显著水平检验(α=0.01),长江上游P-T法ET0日值计算精度最高(ET0日值拟合方程斜率为1.030,RMSE=0.341 mm/d,CD=0.886,K=0.829),H-S法、I-A计算精度较低(ET0日值拟合方程斜率分别为1.427、1.308,RMSE=0.909、0.829 mm/d,CD=0.581、0.523,K=0.792、0.742),长江中、下游PVB法计算精度最高,P-T法计算精度次之,H-S法与I-A法计算精度较低;长江上游6种算法ET0月值的计算精度由高到低依次为P-T法、PVB法、M-K法、48-PM法、H-S法、I-A法,与P-M法的平均误差分别为0.27、0.35、0.51、0.48、0.74、0.78 mm/d;长江中、下游6种算法计算精度由高到低为PVB法、P-T法、M-K法、48-PM法、H-S法、I-A法;整个长江流域P-T法、PVB法与P-M法ET0计算结果相对误差均在35%以下,H-S法、I-A法计算精度较低,其相对误差基本高于40%;因此,PVB法与P-T法在整个长江流域的计算精度较高,可作为长江流域ET0简化计算推荐方法。
基于极限学习机的参考作物蒸散量预测模型
《农业工程学报 》 2015 EI 北大核心 CSCD
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。
关键词： 蒸散 模型 作物 极限学习机 参考作物蒸散量 预测模型 川中丘陵区
全文链接
请求原文
基于遗传算法优化神经网络的参考作物蒸散量预测模型
《资源科学 》 2014 北大核心 CSCD CSSCI
摘要：为实现气象资料缺乏情况下参考作物蒸散量(ET0)的精确模拟,利用川中丘陵区3个气象站点1999-2013年的逐日气象资料作为输入量,以FAO-56 Penman-Monteith模型计算的ET0作为标准值,建立基于遗传算法优化神经网络的ET0模拟模型(GA-BPNN),并将其模拟结果同Hargreaves、Mc Cloud、Priestley-Taylor和Makkink等4种常用ET0计算模型的计算结果进行对比。结果表明:GA-BPNN模型能够很好地反映ET0同气象因素之间的非线性关系,模拟精度较高;当基于温度资料模拟ET0时,GA-BPNN模型模拟精度高于Hargreaves和Mc Cloud模型;当基于温度和辐射资料时,GA-BPNN模型模拟精度明显高于Priestley-Taylor和Makkink模型。因此GA-BPNN模型可以作为气象资料缺乏情况下川中丘陵区ET0模拟的推荐模型。
关键词： 参考作物蒸散量 神经网络 遗传算法 预测模型 川中丘陵区
全文链接
请求原文
基于极限学习机的参考作物蒸散量预测模型
《第18届CIGR国际农业工程学会世界大会论文集2 》 2014 CSCD
摘要：为实现气象资料缺乏情况下参考作物蒸散量(referencecropevapotranspiration,ET0)高精度预测,以气象因子的不同组合为输入参数,利用FAO-56Penman-Monteith公式计算的ET0作为预测标准值建立基于极限学习机(extremelearningmachine,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...
