基于天气预报的参考作物腾发量LSSVM预测模型.pdfVIP

第2l卷第1期 水科学进展 VoL21．No．1 INWATERSCIENCE Jan．。2010 2010年1月 ADVANCES 基于天气预报的参考作物腾发量LS—SVM预测模型 张展羽1”，王声锋3，段爱旺4，王斌1’2 (1．河海大学南方地区高效灌排与农业水土环境教育部重点实验室，江苏南京210098；2．河海大学水利水电学院， 摘要：利用最小二乘支持向量机(IS．SVM)方法，建立了基于天气预报的参考作物腾发量(E死)的预测模型。对广 利灌区1997—21306年逐13气象信息中的天气类型和风速等级进行量化后，以不同天气预报信息作为输入量，建立 10种验证方案，对2007年的逐13 E7o进行预测。经验证，方案1～方案7精度均令人满意，其中方案1精度最高。 方案1的输入量为气温、天气类型、风速等级3项的预测值，该方案的模型预测值与计算值的统计参数分别为：均 月c为0．9867；方案7精度亦较好，且以上指标统计参数依次为0．6576 该方案输入量只有气温项，实用性很强。 关键词：天气预报；参考作物腾发量；最／b乘支持向量机；预测模型 中图分类号：S161．4 文献标志码-A 文章编号：1001-6791(2010)01-0063-06 作物需水量的实时预报是实时灌溉预报的前提，参考作物腾发量(E瓦)是反映各种气候条件对作物需水 的现在最为精确的计算E死的方法，该公式计算E死需要4项气象要素：气温(包括最高和最低气温)、相对 湿度、风速、太阳辐射或日照时数。这些数据的获得需建立自动气象站直接测得，或直接购买气象部门提供 的数据，然而两者均需较大投入。对于不能轻易得到这4项数据的地区，直接利用当地气象部门免费提供的 天气预报信息，对E死的估算来说是一个不错的选择，免费天气预报一般包括最高、最低气温，天气类型， 风力等级等信息。许多学者【l剖利用天气预报信息，系用人工神经网络的方法对E％进行了预测，然而，对 于作为继神经网络之后机器学习的新研究热点——支持向量机在E死的预测中却少见报道。支持向量机 Vector (Support 功能，能克服模型必须是观测数据的线性和非线性组合的局限，而且由于遵循统计学习理论中的结构风险最 小化原理，也克服了一般机器学习中(如神经网络)出现的“过学习”、局部优化、样本数量要求多等问题， Vector 向量机方法(LeastSquaresSupport 性系统作为损失函数，求解过程变成了解一组等式方程，求解速度相对加快，大大降低了计算的复杂性。同 支持向量机一样，该方法在许多学科的应用中¨d驯均取得了较好的效果，本文将最小二乘支持向量机引入 E瓦的预测中，为E死的预测提供一种新的途径。 1 模型构建 1．1 LS．SVM模型 设给定训练集{钆，Y。}：一。CR”xR，利用非线性映射妒(·)：∥川％：将输入空间映射为高维特征空间， 再进行线性回归，对未知函数进行回归估计可表达为 收稿日期：2009-02-28 基金项目：公益性行业科研专项经费资助项目(200903001)；国家自然科学基金资助项目 作者简介：张展羽(1957一)，男，江苏泰兴人，教授，博士生导师，主要从事灌溉排水理论及节水技术方面的研究。 cn E-mail：zhanyu@hhu．edtr 水科学进展 第2l卷 y(x)=w7p(z)+b (1) 式中权向量’I，CR“，偏置量bCR。这样构造的函数可使得对于样本集之外的输入髫，也能精确地估计相应 的Y。 LS—SVM定义如下优化问题： 胖min。J(¨)=w7w尼+7酗2尼’r0