基于天气预报的参考作物腾发量LS—SVM预测模型.pdfVIP

第 2l卷 第 1期 水 科 学 进 展 Vo1．21．No．1 2010年 1月 ADVANCESIN WATER SCIENCE Jan．，2010 基于天气预报的参考作物腾发量 LS—SVM预测模型 张展羽 ，王声锋 ，段爱旺 ，王 斌 ， (1河海大学南方地 区高效灌排与农业水土环境教育部熏点实验室 ，江苏 南京 210098；2．河海大学水利水 电学院， 江苏 幸『京『 210098；3．华北水利水电学院，河南 郑州 450011；4．中国农业科学院农 田灌溉研究所，河南 新乡 453003) 摘要：利用最小二乘支持向量机 (LS—SVM)方法，建立了基于天气预报的参考作物腾发量 (Er，n)的预测模型。对广 利灌区1997～2006年逐Ft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EtE 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 方根偏差 R 为0．5182rIlIll，相对偏差 为0．1878，决定系数R 为 0．8648，认 同系数 ，为0．9669，回归系数 R。为0．9867；方案7精度亦较好，且 以上指标统计参数依次为0．6576mm、0．2332、0．9866、0．7747及0．9866， 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；最小二乘支持向量机；预测模型 中图分类号：SI61．4 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 )是反映各种气候条件对作物需水 量影响的综合因素，它是估计作物需水量的基础。Penman—Monteith(P—M)方法是联合 国粮农组织 (FAO)推荐 的现在最为精确的计算 E 的方法，该公式计算 r，n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 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 ¨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 的预测 中却少见报道。支持 向量机 (SupportVectorMachines，SVM)是 1995年提出的一种新型统计学习方法，它具有 自组织、自学习和联想记忆 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～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， 已在非线性模型预测控制、模式辨识等方面得到广泛的应用 。在此基础上，Suykens 提出最小二乘支持 向量机方法(LeastSquaresSupportVectorMachines，LS—SVM)，与支持 向量机相比，这种方法采用最小二乘线 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 。 均取得 了较好的效果，本文将最小二乘支持 向量机引入 E 的预测 中，为Er，n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 { ，Y}一。CR”×R，利用非线性映射 (·)： 一 ：将输入空问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。