张 帅，魏正英，张育斌

(西安交通大学机械制造系统工程国家重点实验室，西安 710054)

我国是一个干旱缺水的国家，淡水资源非常有限且分布极不均衡，水资源是制约社会经济发展和生态环境改善的主要因素[1]。我国西北地区农业用水大多都是依靠自然降雨，降雨量对农业生产有着重要的影响，因此对可利用降雨量的预测对于农业灌溉用水管理有着非常重要的作用。

由于气象参数之间高度复杂的相互作用，降雨量存在不确定性与随机性，因此降雨量预测是一个严峻的任务。目前，国内外有关降雨量预测方法有很多，主要有概率统计法、灰色预测方法、马尔科夫链、时间序列法等，这些技术模型都获得了一定的准确率，概率统计法、灰色预测方法、马尔科夫链比较适合降雨量呈指数型增长的数据，时间序列法预测值比较趋于平均值[2-4]。然而在实际生活中降雨量是一种具有随机波动的数据集合，数据不一定呈指数型规律增长，这些模型仅限于固定长度的序列信息，没有充分考虑降雨量变化的时间序列属性，所以预测精度不高[5]。

递归神经网络是一类人工神经网络，用于识别诸如文本、语音等序列数据的模式或者识别传感器、股票市场产生的数值型时间序列数据[6]。递归神经网络充分考虑了时间序列的动态特性，通过对网络的学习提高了自学习自适应能力，使其能够更好地处理序列数据。本文将递归神经网络模型应用到降雨量预测中指导农业灌溉，并且利用其他3种网络模型进行实验对比。……