[发明专利]基于改进BP神经网络的农田参考作物蒸散量预测方法

说明书

本发明公开了一种基于改进BP神经网络的农田参考作物蒸散量预测方法，该方法包括根据天气预报信息获取农田参考作物生长环境的气象数据，并采用PM法计算农田参考作物蒸散量；构建训练集和测试集，并进行预处理；采用LM算法构建考虑降雨因素的BP神经网络模型，并进行训练优化；利用优化后的BP神经网络模型根据测试集气象数据预测农田参考作物蒸散量。本发明利用LM算法构建考虑降雨因素的BP神经网络模型，并将农田参考作物蒸散量作为实测值对模型进行训练优化，提高了模型的收敛程度和计算速度，有效构建了农田参考作物蒸散量与其驱动因素之间的非线性关系，从而显著提高农田参考作物蒸散量的预测精度和预测效果。

技术领域

本发明属于参考作物蒸腾预测技术领域，具体涉及一种基于改进BP神经网络的农田参考作物蒸散量预测方法。

背景技术

参考作物蒸腾是土壤和作物表明水分通过散发和蒸腾作用扩散到大气中的过程，是水分平衡和灌溉调度的关键因素。其计算和预测方法不仅成为农田生态系统水分循环和水平衡研究的重要领域，同时在指定农田灌溉制度、进行水土资源配置等方面具有重要作用。因此为了更好地管理作物灌溉用水量以及提高作物水分利用效率，亟待对参考作物蒸腾进行准确预测。

参考作物蒸腾可以通过基于能量平衡和水汽通量传递方法(如空气动力学方法、辐射波文比)等高成本微气象技术直接测量。在确定的研究区，参考作物蒸腾只会随着气象资料的改变而改变，一般采用以气象数据为自变量的数学模型进行估算，这些数学方法分为物理模型和经验模型，物理模型中修正的Penman Monteith 56(PM56)模型得到广泛应用，但是该模型需要大量的气象数据，而这些数据在有些地区无法获取。

参考作物蒸腾受到多种气候因素的影响，其与气象数据是一个复杂的非线性关系。神经网络(ANN)是一种数学模型，其结构受到生物神经网络的启发，非常适合于非线性过程的建模。在过去的几十年里，人工神经网络被广泛应用于系统建模、故障诊断与控制、模式识别、财务预测和水文等领域。通过比较人工神经网络模型和其他传统算法，多数研究认为人工神经网络法预测效果可靠，利用较少的气象资料就可以达到预期效果；模糊推理、径向基网络、小波变换和遗传算法也被用来和人工神经网络相结合以建立性能更佳的参考作物蒸腾预测模型。

FAO-56推荐的PM模型为参考作物蒸腾预测的标准模型，然而由于缺乏必要的气象数据，其应用受到限制，另外参考作物蒸腾与其驱动因素之间存在复杂的非线性关系，传统的统计方法无法得到令人满意的结果。在各神经网络中，BP模型可以任意的构建非线性函数，目前虽有一些研究采用BP模型来预测参考作物蒸腾，但是现有的这些研究中大部分是将常规输入变量进行训练和测试，并没有将不确定性降雨情况作为输入变量，降雨是水量平衡中重要的组成部分，在半湿润和湿润地区考虑降雨情况有助于提升参考作物蒸腾预测精度。

发明内容

针对现有技术中的上述不足，本发明提供了一种考虑降雨情况下的基于改进BP神经网络的农田参考作物蒸散量预测方法，以提高农田参考作物蒸散量预测精度。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于改进BP神经网络的农田参考作物蒸散量预测方法，包括以下步骤：

S1、根据天气预报信息获取农田参考作物生长环境的气象数据，并采用PM法计算农田参考作物蒸散量；所述气象数据包括最高气温、最低气温、日照时数和降雨量；

S2、根据步骤S1获取的气象数据和农田参考作物蒸散量分别构建训练集和测试集，并对训练集和测试集数据进行预处理；

S3、采用LM算法构建考虑降雨因素的BP神经网络模型，并利用训练集数据对模型进行训练优化；

S4、利用步骤S3优化后的BP神经网络模型根据测试集数据预测农田参考作物蒸散量。

进一步地，所述步骤S2中对训练集和测试集气象数据进行预处理具体为：