王文川， 赵钊， 张磊

(1.华北水利水电大学 水资源学院，河南 郑州 450046； 2.华北水利水电大学 水利学院，河南 郑州 450046)

自2012年我国实行最严格水资源管理制度以来，如何更高效地管理、利用好水资源一直是热门问题[1]。农业用水作为用水大户，其中针对作物进行需水量精准把握是决策者的必修功课。参考作物蒸散发(Reference Evapotranspiration,ET0)是计算作物需水量的关键环节，以往该值的估算大多依赖于各种基于实验的经验公式，如Blaney-Criddle公式[2]、Irmak-Allen公式[3]、Ritchie模型[4]、Priestley-Taylor公式[5]和Penman-Monteith公式[6]。其中的Penman-Monteith公式在全球范围内得到了广泛应用，且能在不同类型地区取得较好的计算效果[7]。但该公式需要较为全面的气象参数，而相关参数在有些区域是难以获得的[8]。随着人工智能和机器学习的发展，诸多新型技术得以在ET0估算上应用并取得了一定的效果。侯志强等[9]将ET0视作为各种气象因素影响下的复杂非线性问题，利用最小二乘支持向量机(Least Square SVM,LSSVM)对河套地区日ET0进行了模拟研究。该研究显示，在同等输入气象因子条件下，LSSVM的表现好于传统的Priestley-Taylor公式和Hargreaves公式。但是LSSVM模型的性能高度依赖其控制参数，在此基础上，一些智能优化算法展示了较高的客观性和效率。鞠彬和王嘉毅[10]利用粒子群算法(Particle Swarm Optimization,PSO)与LSSVM耦合进行月尺度ET0的预测模拟，但是在全气象要素输入情况下其精度仍然不高，平均相对误差高达13.52%。张育斌等[11]则采用耦合模拟退火算法(Coupled Simulated Annealing，CSA)优化LSSVM模型参数形成CSA-LSSVM模型，该模型的日尺度ET0预测的平均均方根误差RMSE为0.39 mm/d，精度得到较高提升。与此同时，其他类型的机器学习模型诸如极限学习机[12]、极限梯度提升算法[13]、高斯回归过程[14]等在ET0估算模拟领域也取得了一定的研究成果。……