刘 磊，陈军锋，薛 静，郑秀清，杜 琦，崔莉红，杨小凤

（1.太原理工大学水利科学与工程学院，太原030024；2.山西省水文水资源勘测局太谷均衡实验站，山西太谷030800）

0 引 言

冻融期气候条件恶劣，给土壤蒸发量的实测带来了较大困难[1]。由于土壤水分相变导致冻融土壤蒸发机理复杂[2]，传统经验公式难以计算冻融期土壤蒸发量。因此，部分学者开始在土壤水热耦合模型的基础上计算冻融期土壤蒸发量[3,4]，但这些模型通常要求输入大量地面观测资料、计算过程复杂且参数率定困难，较难应用于实测资料匮乏地区的冻融期土壤蒸发量预测。冻融期土壤蒸发量与外界气象条件具有很强的非线性关系。人工智能算法具有极强的学习能力，通过非线性拟合的方式解决实际问题且预测精度较高[5]，可较好地用于冻融期土壤蒸发的预测[6-8]。学习速度快、泛化性能好的极限学习机在非线性函数拟合、回归中具有较为明显的优势。但是，由于该算法的输入权值及阈值随机给定，不能直接找到最优的参数，影响模型的泛化性能及稳定性，导致预测精度不高。因此，众多学者通过各种优化算法对极限学习机回归预测过程中存在的问题进行了优化[9,10]。本文将冻融期土壤蒸发实测数据以及气象站资料通过随机函数处理作为输入样本，提出了基于PSO-ELM 模型的冻融期土壤蒸发预测方法，并与ELM 模型及GA-ELM 模型的预测精度进行对比，为冻融期土壤蒸发的预测提供了新的思路和方法。……