APP下载

基于5种人工智能模型计算重庆地区参考作物蒸散量

2021-01-12鲍玲玲杨永刚刘建军张卫华

水土保持研究 2021年1期
关键词:人工智能模型

鲍玲玲, 杨永刚, 刘建军, 张卫华

(1.重庆市水利电力建筑勘测设计研究院, 重庆 400020; 2.西南大学 资源环境学院, 重庆 400715)

近年来,全球变暖逐渐加剧,洪灾、旱灾等极端气候事件不断发生,国内作物产量受频繁水旱灾害的严重影响[1-2]。为降低自然灾害对作物产量的影响,需要制定精确预测作物需水量的方法,及时为灌溉决策提供依据[3-4]。作物系数法是确定作物需水量的主要方法之一,通过计算作物系数Kc与参考作物蒸散量(Reference crop evapotranspiration,ET0)的乘积,最终确定作物需水量,该方法已在新疆[5]、河北等[6]地得到了证明。ET0的准确估算是精确获得作物需水量的关键,目前国际粮农组织FAO-56分册推荐Penman-Monteith(P-M)公式为计算的标准方法[7-8],以辐射项和空气动力学项为基本原理,综合考虑了各种气象因素,保证了公式的计算精度,但该公式需要的气象资料较多,对于气象数据难以获得的区域难以使用,因此在一定程度上限制了P-M公式的应用[9-10],找到合适的区域ET0简便估算方法成为了国内外研究的热点。

目前估算ET0的方法分为经验模型和人工智能模型2大类[11-12],人工智能模型近几年得到了广泛的应用[13]。魏俊等[14]以极限学习机模型为基础,建立了西北地区ET0估算模型,精度高于Hargreaves-Samani,Chen,EI-Sebail和Bristow等经验模型;徐颖等[15]基于极限学习机模型,计算了西北旱区ET0,确定了最优激活函数及参数组合输入;冯禹等[16]基于遗传算法优化BP神经网络模型对川中丘陵区ET0进行了估算,模型精度明显高于Priestley-Taylor模型、Makkink模型、Hargreaves模型和Mc Cloud模型。在同样气象数据输入的前提下,人工智能模型精度均高于经验模型,但针对人工智能模型而言,在不同区域究竟采用何种气象数据输入方式的研究较少。……

登录APP查看全文

猜你喜欢

人工智能模型
一半模型
我校新增“人工智能”本科专业
重尾非线性自回归模型自加权M-估计的渐近分布
人工智能与就业
数读人工智能
3D打印中的模型分割与打包
下一幕,人工智能!
下一幕,人工智能!
FLUKA几何模型到CAD几何模型转换方法初步研究
一个相似模型的应用