汤鹏程，徐　冰，张伟明，高晓瑜，宋一凡

(1.水利部牧区水利科学研究所， 内蒙古 呼和浩特 010020；

2.河北省天和咨询有限公司，河北，石家庄 050021； 3.中国农业大学水利与土木工程学院， 北京 100083)



基于GA-BP网络的西藏高海拔地区ET0预报

汤鹏程1，徐冰1，张伟明2，高晓瑜3，宋一凡1

(1.水利部牧区水利科学研究所， 内蒙古 呼和浩特 010020；

2.河北省天和咨询有限公司，河北，石家庄 050021； 3.中国农业大学水利与土木工程学院， 北京 100083)

摘要：选择那曲县(海拔4 450 m)、改则县(海拔4 700 m)作为西藏高原气候典型地区，通过遗传-神经(GA-BP)网络训练，应用1983—2012年30年的数据建立GA-BP网络模型，采用前一年的气象资料预报当年的参考作物腾发量，当2010—2012年连续3年的预报值均满足设定的阈值下限时，输出预测结果，这样使得模型在保证了预报精确度的同时兼具预报稳定性。结果发现：经GA-BP网络确定的2010—2012年3年模型预报值与真实值间的线性关系明显，决定系数R2分别达到0.8805、0.9363、0.9167，斜率接近于1；多年的模拟预报值与实际值之间的相对误差均处于0.1以下，小于设定的阈值下限。对于易获得气象资料的地区，研究成果可对高海拔地区未来月际间作物需水量的变化进行预判，进而为将来灌溉制度的制定提供依据；对于缺测气象资料的地区，通过本文建立的网络模型，结合气象条件类似的站点，可在大时间尺度下对该地区ET0变化趋势进行模拟，同时对下年度灌溉制度的拟定提供指导。

关键词：参考作物蒸腾蒸发量(ET0)；ET0预报；遗传神经网络模型；高海拔地区；西藏

西藏高海拔地区位于我国边疆，由于特殊的自然地理环境，加之历史欠账较多，与内蒙古、新疆等其他民族地区相比，水利科研严重滞后于工程建设。关于参考作物腾发量(ET0)的计算方面，主要表现在气象站点有限，计算数据缺失。对于中长期参考作物腾发量(ET0)的计算及其预报是自然与技术科学领域内的一个难题，对其进行深入研究具有十分重要的理论与实际意义[1]。造成中长期ET0预报研究困难的主要原因是ET0本身的计算具有复杂性及其不确定性[2]。复杂性表现在正确计算ET0需要对多种气象数据进行观测，通过复杂的计算推导得出理论值[3]；不确定性表现在对ET0进行预报的气象因子是不确定的、多变的，比如风速、降雨、日照等[4]。不仅预报对象与预报因子间存在高度复杂的非线性关系，预报因子与预报因子间也存在复杂的非线性关系[3-5]。

在国内已有研究中对于ET0预报多局限于简单的公式模拟，或是由气象因素估算ET0，预报模型通常基于FAO彭曼公式或类似公式的改良与拟合[6-9]。同时基于气象因素的ET0预报模型以中短期为主，本文针对参考作物腾发量的计算特点，基于GA-BP网络，利用前一年固定月份的气象资料，对当年同月份ET0进行中长期预报，预报效果较好，结果可靠；对于易获得气象资料的高海拔地区，本模型研究成果可对未来月际间作物需水量的变化进行预判，进而为将来灌溉制度的制定提供依据；对于不易获得气象资料的地区，通过本文建立的网络模型，同时结合气象条件类似的站点，可在大时间尺度下对该地区ET0变化趋势进行模拟，同时对下年度灌溉制度的拟定提供指导。

1材料与方法

1.1研究区概况

研究区位于西藏自治区典型高原气候区-那曲县(海拔4 450 m)与改则县(海拔4 700 m)，分别地处西藏地区中部与北部，地貌类型为高原山地，平均海拔4 450 m以上，属高原亚寒带季风半湿润气候区,高寒缺氧，气候干燥，年平均气温为-2.2℃，降雨主要集中在6—9月份，多年平均降水量410 mm,多年平均日照时数为2 886 h以上。全年无绝对无霜期，每年十月至次年五月为风雪期和土壤冻结期，六月到八月为作物生长期。年日照百分率在60%以上，光照资源充足，热量不足。

1.2研究方法

1.2.1GA-BP网络建模思路事物间的联系是普遍存在的，尽管很多关系是复杂的、多样且多变的[10]。单纯的线性关系很难准确地描述某两者之间的联系，在复杂多变的非线性关系中如何寻找更加准确的预报模型是当前预报研究的重点[11-15]。为了防止神经网络(BP网络)容易陷入局部极小影响的缺陷发生，本文通过遗传算法对BP网络权阈值进行遗传优化(GA优化)，建立GA-BP网络模型[16-17]。

GA-BP网络模型采用三层神经网络，具有非常强的非线性处理能力，理论上三层BP网络结构，可以通过任意的计算精度逼近任意的输入与输出的映射。将经过筛选用于计算的k个预报因子作为神经网络预报模型中的自变量(x),因变量y作为期望的网络输出预报项，首先为GA-BP网络确定个体串长(L)：

L=k×g±g±g×n±n

(1)

式中，k为输入节点个数；g为隐层结点个数；n为输出节点个数。

其次对BP神经网络的权阈值进行遗传编码，同时我们将其作为遗传算法的父代，所以种群中的每个单独个体均包含了一个BP网络所有的权阈值，可以通过适应度函数对个体的优劣性进行评价。

然后，本文通过选择、交叉和变异操作寻找到最优的适应度值对应的个体，这个被寻找到的最优个体即为GA-BP网络最优权阈值。

最后利用优化后的GA-BP网络对预报因子进行训练，对预报对象进行预测。

1.2.2GA-BP网络建模流程示意图GA-BP网络算法流程如图1所示。

1.2.3GA-BP网络建模计算GA-BP网络建模计算具体计算步骤如下[18-19]：

1) 编码。

GA-BP网络算法采用实数编码，其中每个染色体由隐含层阈值、输入层与隐含层连接权值、隐含层与输出层连接权值和输出层阈值四部分组成。

2) 适应度函数。

本文把期望输出和预测输出之间的绝对误差值作为个体适应度(ada.),其计算公式为：

(2)

式中，m为系数，取0～1之间的值；n为网络输出节点的个数；oi为第i个节点的预测输出; yi为神经网络第i个节点的期望输出。

图1算法流程图

Fig.1Algorithm flow chart

3) 选择操作。

对于选择操作这一选项，本文采用轮盘赌法，对于每个个体i的选择概率pi为：

(3)

(4)

式中，apai为个体i的适应度；n为种群个体数。

4) 交叉操作。

交叉操作采用两个体算术交叉，针对所选择的两个染色体进行如下交叉：

(5)

(6)

5) 变异操作。

选取第i个个体的第j个基因aij进行变异，变异操作方法如下：

(7)

6) 预测。

经过以上步骤，可以找出适应度最大的个体，即为最优权阈值，将其赋值给神经网络，并进行预测。

2结果与分析

2.1GA-BP网络实例计算

遗传神经网络中的部分输入数据来自那曲县、改则县气象站和中国气象科学数据共享服务网。包括1983—2012年30年间每日的日照时数(JH，h)、平均气温(Tmean，℃)、最高气温(Tmax，℃)、最低气温(Tmin，℃)、平均相对湿度(HUM，%)、平均风速(μ，m·s-1)、降雨(P,mm)等。

用于校核模拟值的另一部分输入数据，通过FA056 Penman-Monteith公式(见公式8)计算得到[7]，对典型地区逐日参考作物腾发量进行计算，经过日累积计算得到月参考作物腾发量的数据，因为对于ET0的预报值应用于作物需水量的预报研究，所以本文将逐日ET0经过累积后可得到月资料，对实际生产更有意义，具体计算结果见表1。

(8)

式中，ET0为参考作物腾发量(mm·d-1)；Rn为冠层表面净辐射(MJ·m-2·d-1)；G为土壤热通量(MJ·m-2·d-1)；T为平均气温(℃)；u2为高度2.0m处风速(m·s-1)；es为饱和水汽压(kPa)；ea为实际水汽压(kPa)；Δ为饱和水汽压温度曲线的斜率(kPa·℃-1)；γ为湿度计常数(kPa·℃-1)。

表1　1983—2012年作物生育期内月ET0

数据输入的时间段为1983—2012年内5月到9月份，即作物生育期时间段内30年的数据资料。模型中采用多年训练的模式，并采用前一年具体月份的气象基础数据，预报当年对应月份的ET0。

Ψi+1,j=f(JHi,j,Tmaxi,j,Tmini,j,HUNi,j,vi,j,Pi,j)

(9)

式中：i表示年份，1983≤i≤2012；j表示月份，5≤j≤9；Ψi+1,j表示对i+1年j月份的预报值；JHi，j表示i年j月份的日平均日照时数(h)；Tmaxi,j表示i年j月份的日平均最高温度(℃)； Tmini,j表示i年j月份的日平均最低温度(℃)；HUNi,j表示i年j月份的日平均大气相对湿度(%)；vi,j表示i年j月份的2m高度处的日平均风速(m·s-1)；Pi,j表示i年j月份的日平均降雨(mm)。

在GA-BP网络计算中，本文利用1983—2009年27年的输入数据进行网络的训练，确立模型，利用2010—2012年连续三年的输入数据进行检验，当连续三年的检验误差在规定的阈值范围内时，默认训练建模成功。

2.2GA-BP网络预报与误差检测

在GA-BP网络计算中，必须当连续3年的计算数据均在规定阈值的范围内时(≤0.1)，才可输出模拟结果。表2中Simulation value表示GA-BP网络预报值; True-value表示真实值；Δ表示绝对误差；δ表示相对误差。

绝对误差(Δ)=预报值-真实值　(10)

在图2中可看到那曲地区与改则地区5—9月份的ET0真实值与预报值所做的散点图，数据间线性关系显著，2010—2012年决定系数R2分别达到0.8801、0.9363、0.9169，斜率接近于1。

图2那曲、改则地区月ET0真实值与预报值散点图

Fig.2The scatter diagrams between true values and predicted values

3结论与讨论

本文选择那曲县(海拔4 450 m)、改则县(海拔4 700 m)作为西藏高原气候典型地区，通过遗传-神经(GA-BP)网络训练，应用1983—2012年30年的数据建立GA-BP网络模型，对西藏高原气候区主要牧草作物生育期内5—9月份的参考作物腾发量进行预报研究。通过GA-BP网络训练，ET0预报值与真实值间的线性关系明显，决定系数R2分别达到0.8805、0.9363、0.9167，斜率接近于1；多年的模拟预报值与实际值之间的相对误差均处于0.1以下。在模型建立过程中，当连续3年预报值均满足要求时输出的结果本模型才予以采用，这样在保证了GA-BP网络预报精确度的同时使其兼具稳定性。

对于易获得气象资料的地区，本研究成果结合该地区对应作物的作物系数，可进一步对高海拔地区未来月际间作物需水量的变化进行预判，进而为将来灌溉制度的制定提供依据；对于缺测气象资料的地区，通过本文建立的网络模型，结合与该地区气象条件类似的气象数据，可在大时间尺度下对气象资料缺测地区ET0变化趋势进行模拟。本研究成果可对下年度灌溉制度的拟定提供指导，可以提高劳动效率，有效地缓解当地劳动力紧张的局面。

本研究中所述模型在得到区域气象信息后可以应用于大面积参考作物腾发量的预报，但对于缺少气象资料的地区预报过程中需要考虑空间变异性，如何对高海拔地区参考作物腾发量实时预报并进行合理性和有效性检验，以及如何用于不同地区和不同作物将需进一步的深入研究。

参 考 文 献：

[1]Zhao Lu, Liang Chuan, Wei Renjuan, et al. Temporal and spatial variations of ET0and sensitivity coefficients in spring-summer in eastern agricultural areas of Qinghai, China[J]. Journal of Mountain Science, 2012,(6):817-826.

[2]霍再林.基于人工智能的参考作物腾发量与作物水盐响应研究[D].呼和浩特:内蒙古农业大学,2004:71.

[3]冯克鹏,田军仓.宁夏参考作物腾发量的时空特征分析[J].灌溉排水学报，2013，(5):26-29.

[4]张火青，雒文生.预报因子及预报方程的优化探讨[J].人民珠江，2000,(2)：13-15.

[5]史峰,王小川,郁磊.MATLAB神经网络30个案例分析[M].北京：北京航空航天大学出版社，2010：183-187.

[6]王志强,朝伦巴根,柴建华.用多变量灰色预测模型模拟预测参考作物蒸散量的研究[J].中国沙漠,2007,(4):584-587.

[7]Allen R G. Crop evapotranspiration: guidelines for computing crop water requirements:FAO irrigation and drain paper 56[Z]. University of Michigan: Fao and Agriculture Organization of the United Nations, 1998:56-57.

[8]蒋任飞,阮本清,韩宇平,等.基于BP神经网络的参照腾发量预测模型[J].中国水利水电科学研究院学报，2005,3(4):308-311.

[9]夏克文,李昌彪,沈钧毅.前向神经网络隐含层节点数的一种优化算法[J].计算机科学，2005,32(10):143-145.

[10]Yan Dan, Zhang Jilong, Wang Zhibin, et al. Prediction model of gas volume fraction based on golden section and BP network[J]. Transducer and Microsystem Technologies，2012,(1):4-6.

[11]Xie Wujie, Wang Ying, Sgen Maoxing, et al. The modeling and application of surface-to-air missile survivability prediction model[J]. Journal of Projectiles, Rockets, Missiles and Guidance，2012,(1):2775-2781.

[12]Yan Xiaoming, Zheng zhi. Research on gradient functions of BP artificial neural networks[J]. Journal of Fujian Institute of Education，2011，(1):120-123.

[13]XIE Yuangui, et al. Study on prediction for grain yield based on REMCC-BPNN[J]. Journal of Anhui Agricultural Sciences，2013,(6):2775-2778.

[14]Lei Yu, Li Xiaoan. Study on GA-BP-based neural network inference mechanism[J]. Electronic Design Engineering，2013,(2):34-37.

[15]Yan Zheping, Li Zi, Chen Tao, et al. Heading fault-tolerant control for UUV based on GA-BP neural network[J]. Chinese Journal of Sensors and Actuators, 2013,(9):1237-1242.

[16]Wang Bo, Hu Shuhui, Cao Zhijian. Application of GA-BP neural network on radar target tracking[J]. Fire Control Radar Technology，2010,(3):18-22.

[17]Sun Bin, Jiang Nengfei. Application of thermal comfort index based on artificial neural network[J]. Journal of Civil,Architectural & Environmental Engineering，2011,(S1):66-69.

[18]Chen Jielai, Sun Junlan. Prediction model of surface roughness in ultra-precision turning processing based on GA neural network[J]. Manufacturing Automation，2011,(24):10-12.

[19]Wang Linlin, LI Yijie, Wang Kegang. Improved BP algorithm in reinforced concrete beam deflection forecast[J]. Computer Measurement & Control，2012,(1):50-58.

ET0forecast on the basis of GA-BP network in high altitude areas of Tibet

TANG Peng-cheng1, XU Bing1, ZHANG Wei-ming2, GAO Xiao-yu3, SONG Yi-fan1

(1.InstituteofWaterResourcesforPastoralAreaofIWHR,Hohhot,InnerMongolia, 010020,China;2.TheTianheConsultingLimitedCompanyofHebei,Shijiangzhuang,Hebei050021,China;3.CollegeofWaterResourcesandCivilEngineering,ChinaAgriculturalUniversity,Beijing,100083,China)

Abstract：As the typical climate area of Tibet plateau, Nagqu County (4 450 m above sea level) and Gerze County (4 700 m above sea level) were chosen to build a Genetic Algorithm-Back Propagation (GA-BP) model through the GA-BP network training using data from 1983 to 2012. The ET0 was obtained by the monthly meteorological data from the previous year. When the forecast values for consecutive years between 2010 and 2012 met the threshold limit set, the forecast values would be exported, which could ensure accuracy and stability of the forecast. The results showed that the there was a great linear relationship between the predicted values by GA-BP model and the real values, reaching R2 values of 0.8805, 0.9363 and 0.9167, respectively. The relative error produced by predicted values and real values were all smaller than 0.1, which was less than the threshold. In conclusion, the model can be used to predict the ET0 of different months during crop growth period, and then the inter-monthly water demand of crops can be estimated in the future. It can further provide the basis for future irrigation schedule. For areas lacking meteorological data, based on the network model discussed in this article, the ET0 variation in these areas can be simulated within a big time frame by referring to other stations with similar meteorological conditions, which can provide guidance for the irrigation schedule of next year.

Keywords:reference crop evapotranspiration (ET0); prediction of ET0; genetic algorithm-back propagation model; high altitude areas; tibet

中图分类号：S163

文献标志码：A

作者简介：汤鹏程(1988—)，男，河北石家庄人，助理工程师，主要研究方向为节水灌溉技术。 E-mail：tangpc1988@163.com。

基金项目：国家自然科学基金项目“西藏高海拔地区ET0计算公式试验率定与作物系数推求”(51579158)；中国水科院科研专项基金项目“西藏地区灌溉饲草料地节水丰产集成模式研究”(MK2014J01)

收稿日期：2015-05-30

doi:10.7606/j.issn.1000-7601.2016.02.34

文章编号：1000-7601(2016)02-0212-06