苏宝峰 张旭东 米志文 杜鹤娟

(1.西北农林科技大学机械与电子工程学院， 陕西杨凌 712100； 2.农业农村部农业物联网重点实验室， 陕西杨凌 712100；3.西藏民族大学信息工程学院， 咸阳 712089)

0 引言

蒸散量(ET)的精确估算对了解作物需水、指导灌溉起到关键作用，对揭示区域性农业气候特征和生态环境差异也具有重要作用[1-7]。

目前，在蒸散量估算研究中，既要降低对辐射数据的依赖，又要提高蒸散量的估算精度[8-12]。例如基于温度的哈格里夫斯(Hargreaves-Samani, H-S)模型，其主要数据为空气温度，但在实际应用中常需地域校准或引进辐射数据[13-14]。贾悦等[15]将辐射因子引入H-S模型中，提高了模型的稳定性。ZAHRA等[16]将基于温度法的简化模型和基于辐射法的简化模型进行对比，解释了不同类型模型的适应性问题。然而，测量太阳辐射的辐射计成本很高[17-18]，全球的辐射监测站点远少于气象监测站点[19-23],无法在农业实际应用中大范围安装和布署。

光照度反映太阳辐射中可见光波段的光强度，光照度传感器用于测量光照的明暗程度，虽然无法直接测量不可见光波段的光强度，但在太阳辐射的全波段中可见光与不可见光波段的能量比例较稳定，因此通过光照度表述太阳的辐射作用，从而进行蒸散量的估算尚有待探索。

机器学习回归算法是影响蒸散量估算精度的一个重要因素。现阶段，多采用单元机器学习回归算法[24-26]。冯禹等[27]构建了基于遗传算法优化的误差反向传播神经网络(Back propagation neural network,BPNN)蒸散量预测模型，改善了局部最优解现象，但尚未表明单一模型的稳定性。……