商志根，段小汇

(盐城工学院电气工程学院，江苏 盐城 224051)

0 引 言

我国是一个贫水大国，人均水资源约为世界人均水平的1/4，然而我国农业用水约占总供水的80%，其中多用于灌溉。随着我国水资源供需矛盾日益突出，农业灌溉必须走上精细灌溉之路。对作物需水量做出准确预测，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，通常有2种方法计算作物需水量：基于修正的Penman-FAO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Penman-FAO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，国际国内学者提出了基于时间序列、模糊理论、灰色理论与神经网络(Neural Network, NN)等模型的预测方法。张兵等人[3]提出了一种基于L-M算法训练的神经网络的作物需水量预测模型。夏泽豪等人[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。孟丽丽等人[5]基于α-加权模糊线性回归模型预测作物需水量。因为神经网络可以逼近连续的非线性曲线，受到相关研究者的广泛关注[6]。但是，神经网络对权重向量初始值敏感，并且是一种大样本分析方法。

支持向量机(Support Vector Machine, SVM)采用结构风险最小化原则，对较少的样本，将样本数据映射到一个高维空间里，进而将数据间的关系用一种确定的方式表达[7]。LS-SVM(Least Squares SVM)是SVM的一种，它将SVM中的不等式约束改为等式约束，将训练集的误差平方和作为经验损失，于是SVM的二次优化问题转化为线性方程组问题。……