商志根

摘要：应用神经网络集成模型，以空气湿度、温度、太阳辐射以及风速为输入，利用交叉验证方法确定网络隐层节点数，建立作物需水量的预测模型。实验结果表明，与单个神经网络与随机森林模型相比，神经网络集成模型能获得更好的预测精度，可用于节水灌溉。

关键词：神经网络；集成模型；作物需水量；随机森林

DOIDOI：10.11907/rjdk.172217

中图分类号：TP306

文献标识码：A文章编号文章编号：16727800（2018）001004603

Abstract：In order to predict crop water requirements， a method based on neural network ensemble is developed in this paper. Solar radiation， air temperature， relative humidity and wind speed are used as input variables. The number of hiddenlayer neurons is determined by crossvalidation method. Experimental results indicate that the method based on neural network ensemble outperforms those based on a single neural network and random forest， and can be used for watersaving irrigation.

Key Words：neural network； ensemble model； crop water requirements； random forest

0引言

我国是一个贫水大国，对作物需水量作出准确预测并按需灌溉，对农业工程中的节水灌溉具有重要意义[1]。在农业工程中，通常采用两种方法计算作物需水量：基于修正的PenmanFAO公式的估算方法与基于时间序列或回归模型的预测方法。修正的PenmanFAO公式是一种计算作物腾发量的方法，仅需气温、日照时数、水气压和风速等气象资料，是目前普遍应用的公式之一，然而该方法计算精度略低[2]。近年来，国内外学者提出了基于时间序列、模糊理论、灰色理论与神经网络等模型的预测方法。张兵等[3]提出一种基于LM算法训练神经网络的作物需水量预测模型；夏泽豪等[4]将灰色理论与神经网络相结合，提出一种新的基于灰色神经网络的作物需水量预测模型；孟丽丽等[5]基于α加权模糊线性回归模型预测作物需水量。由于神经网络可以逼近连续的非线性曲线，因而得到相关研究者的广泛关注[6]。然而，神经网络具有对权重向量初值敏感、泛化能力不够、易陷入局部极小等缺点。近年来，集成概念被引入到神经网络模型，从而促进了模型的应用与发展[78]。……