参考作物腾发量预测方法研究.docVIP

参考作物腾发量预测方法研究 　　摘 要：参考作物腾发量是估算作物蒸发蒸腾量的关键参数，它的准确预测对提高作物需水预报精度具有十分重要的意义。由于参考作物腾发量随时间变化具有一定的动态特性，将动态的Elman神经网络引用于参考作物腾发量预测中，实验证明Elman神经网络模型具有良好的预测精度。 　　关键词：参考作物腾发量 Elman神经网络 　　 　　1 前言 　　目前,中国人均水资源占有量不足世界人均水平的四分之一,耕地平均每公顷水资源占有量也仅为世界平均水平的四分之五。农业用水占到我国总用水量的约70%，农业用水浪费现象普遍存在，21世纪中国农业水资源供需矛盾将更加突出。因此以提高农业用水效率为目的节水高效农业对于缓解水资源紧缺的现状、实现水资源可持续利用和农业的可持续发展都有着极为重要的意义。 　　参考作物腾发量是估算作物蒸发蒸腾量的关键参数，它的准确性直接影响着作物需水预报的精度，进而影响到区域水资源的优化配置。而作物蒸发蒸腾量是农业方面最主要的水分消耗部分，是确定作物灌溉制度和地区灌溉水量的基础，是制定流域规划、地区水利规划，灌溉工程规划、设计、管理和农田排灌实施的依据。因此参考作物腾发量的预测显得尤为重要，它对正确估算作物蒸发蒸腾量，提高农业用水效率，发展节水农业有着十分重要的意义。 　　 　　2 国内外研究现状 　　2.1 ET0的估算方法的研究 　　参考作物腾发量（ET0）的概念由彭曼于1948年首先提出。1979年FAO（联合国粮农组织）对其进行了定义。1990年联合国粮农组织在意大利罗马召开的作物需水量计算方法专题研讨会上，推荐使用penman-monteith公式计算参考作物蒸散量。1998年FAO推荐penman-monteith公式作为计算参考作物腾发量的唯一标准方法。 　　参考作物腾发量的估算方法大致可划分为蒸渗仪测定、蒸发皿估测以及利用气象观测数据通过公式计算等三种途径。利用气象数据通过公式计算参考作物腾发量的方法又可归纳为经验公式和理论方法两类。经验公式中常采用辐射、温度、水汽压、相对湿度、风速及日照时数等气象观测数据作参数，按照某种与参考作物腾发量的经验函数关系进行估算。如Blaney-Criddle(1950)，Ture(1961)，FAO-24Radiation(1977)，Hargreaves(1985)，理论公式法主要有penman法和penman-montieth方法等。penman-montieth方法是目前世界范围内广泛采用的计算参考作物腾发量的方法。国内在参考作物腾发量估算方面的研究多是基于国外的计算公式进行地区性修正或应用比较，penman-montieth方法是国内计算参考作物腾发量普遍采用的方法。 　　2.2 ET0预测方法的研究 　　通常ET0的预测有神经网络、随机过程、时间序列、灰色系统,以及多元线性、非线性回归等方法。多学科的交叉是现代数据分析发展的重要方向，模糊逻辑、神经网络、粗集理论、遗传算法以及支持向量机都是目前常用的融合协作算法，探讨它们之间的相互结合可以取长补短，对改进或提高系统整体性能，具有非常重要的实际意义，近几年国内外对此方面的研究逐渐深入。本文尝试将动态神经网络方法应用在参考作物需水量预测上，并取得了理想效果。 　　 　　3 Elman神经网络预测方法 　　3.1 Elman神经网络简介 　　Elman神经网络是Elman于1990年提出的，是一种动态神经网络。此网络是在BP网络基本结构的基础上，通过存储内部状态使其具备映射动态特性的功能，从而使系统具有适应时变特性的能力。 　　Elman网络模型除了普通的输入层、隐含层和输出层外，还有一个特别的承接层，其网络结构如图1所示。其输入层、隐含层和输出层的连接类似于前馈网络，输入层单元仅起信号传输作用；输出层单元起线性加权的作用；隐含层单元的传递函数可以采用线性或非线性函数；而承接层单元用来记忆隐含层单元前一时刻的输出值，可认为是一步时延算子。 　　具体地说，网络在k时刻的输入不仅包括目前的输入值，而且还包括隐含层前一时刻的输出值，这时网络可视为普通的前馈网络，而且可以用BP算法进行训练。训练结束后，k时刻隐含层的输出值将通过递归连接部分反馈回上下文层单元，并保留到K+1时刻。其中，反馈连接的权值不能调整。根据回归连接的结构不同，可以将回归网络分为部分回归和完全回归。第一类网络只是选择那些特别有意义的反馈连接。由一个正切s形隐层和一个纯线性输出层组成的Elman网络，能够逼近任何连续函数。由于它有反馈连接，因此通过学习可产生时间模式和空间模式。而且不必先假定系统的数学模型形式，不必考虑外部噪声对系统影响的具体形式，若能给出系统的输入、输出数据时，就可以利用Elman