基于PSO-ELM模型的冻融期土壤蒸发预报.docxVIP

基于PSO-ELM模型的冻融期土壤蒸发预报 摘要：准确预测冻融期土壤蒸发量，对于干旱半干旱地区水资源高效利用有着重要意义。基于传统极限学习机（ELM）输入权值与阈值随机给定导致预测结果精度不高的问题，提出了一种基于粒子群算法（PSO）优化极限学习机的冻融期土壤蒸发预测模型。以2016-2017年冻融期9个影响土壤蒸发的因素作为输入因子，实测土壤蒸发量作为输出因子，分别建立ELM模型、GA-ELM模型、PSO-ELM模型对冻融期土壤蒸发量进行预测。结果表明，对输入因子进行随机函数处理后可提高模型预测精度，PSO-ELM模型预测精度优于单一ELM模型和GA-ELM模型，其决定系数为0.993 6，均方根误差为0.010 9 mm/d，平均绝对误差为0.007 9 mm/d，平均相对误差为4.91%，可用于冻融期土壤蒸发量的预测。 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 材料与方法1.1 试验区概况试验区位于山西省太原盆地东部，山西省水文水资源勘测局太谷均衡实验站，地理位置37°26N、112°30E，海拔高度777 m，属大陆性干旱半干旱季风气候，多年平均（1954-2008年）气温9.9℃，多年平均降水量415.2 mm，多年平均水面蒸发量1 642.4 mm，多年平均风速0.9 m/s，多年平均相对湿度74%。1.2 试验数据来源及处理田间试验于2016年11月22日至2017年3月15日进行，气温、气压、风速、相对湿度、降水量、水面蒸发量、太阳辐射均通过气象站自动监测，气温、气压、风速、相对湿度、以每天8∶00、14∶00、20∶00这3个时刻的平均值作为该日数据，太阳辐射采用基于日照时数的?ngstr?m-Prescott模型计算。表层土壤含水率采用烘干法监测，地表土壤温度采用埋置的热敏电阻测定，土壤蒸发量通过PVC微型蒸发器采用称重法监测，监测时间均为8∶00-9∶00，监测周期5～7 d，整个试验期共监测17次。将表层土壤含水率、地表土壤温度以及土壤蒸发量17组数据通过线型内插得到114组日数据，与对应的气象日数据组成114组样本数据。1.3 模型建立1.3.1 极限学习机极限学习机（Extreme Learning Machine,ELM）克服了传统神经网络训练速率慢、容易陷入局部最优及对学习率敏感等缺点式中：H1.3.2 PSO-ELM模型的构建粒子群算法（Particle Swarm Optimizatian,PSO）是由Eberhart和Kennedy通过对鸟群捕食行为研究提出的一种全局优化算法式中：V本文采用粒子群优化算法对ELM模型的输入权值和阈值进行优化，每一个粒子都可以看作一个预测土壤蒸发的ELM模型，采用粒子的位置信息表示ELM模型的输入权值和阈值，粒子维数D及粒子群中第k个粒子θ式中：t、n分别为输入层和隐含层神经元个数；ω以均方误差（MSE）作为粒子的适应度函数，寻找所有粒子中的最优值，建立PSO-ELM模型，具体流程见图2。粒子群算法参数设置为：粒子群规模为30，最大迭代次数为200，学习因子c1.3.3 GA-ELM模型的构建遗传算法（Genetic Algorithms,GA）是由美国Holland教授于1962年提出的，是一种模拟生物遗传进化建立的并行随机搜索最优化方法2 结果与分析2.1 评价指标为了评价冻融期土壤蒸发预测精度，本文以均方根误差（RMSE）、平均相对误差（MRE）、平均绝对误差（MAE）以及决定系数R式中：y2.2 随机函数对于预测结果的影响分析2016-2017年冻融期可分为不稳定冻结期（2016年11月7日至12月26日）、稳定冻结期（2016年11月27日至2017年2月2日）及消融解冻期（2017年2月3日至3月15日）2.3 预测结果分析为了说明PSO-ELM模型的优势所在，在生成的114组样本数据中，通过随机函数处理将数据打乱，随机选取其中90组作为训练样本数据，剩余24组作为测试样本数据。分别使用ELM模型、GA-ELM模型和PSO-ELM模型对冻融期土壤蒸发量进行预测，对比3种预测结果来说明PSO-ELM模型的优势。预测结果见图4，评价指标计算结果见表2。由图4及表2可见，3种模型预测值均分布在实测值上下两侧，其中PSO-ELM模型拟合效果最好，GA-ELM模型次之，ELM模型最差，PSO-ELM模型决定系数R3种模型土壤蒸发训练样本和实测样本的实测值及预测值的绝对误差和相对误差结果分析见图5。单一ELM模型训练及预测误差均大于允许误差（20%），说明在冻融期土壤蒸发资料匮乏情况下单一ELM模型由于输入权值和阈值