共查询到20条相似文献，搜索用时 31 毫秒
1.
基于烟花算法优化极限学习机的温室参考作物蒸散量预测研究 总被引：1，自引：0，他引：1
《中国农村水利水电》2020,(3)
为提高温室环境下参考作物蒸散量(Reference Crop Evapotranspiration,ET_0)的预测精度,提出烟花算法(Fireworks Algorithm, FWA)优化极限学习机(Extreme Learning Machine, ELM)的参考作物蒸散量预测模型,有效解决了极限学习机在数据预测过程中因随机输入权值矩阵和偏置矩阵导致的数据波动问题,提高了极限学习机的预测精度。以温室环境数据作为模型的输入,以参考作物蒸散量ET_0为输出,建立FWAELM模型,并将结果与ELM模型预测结果进行对比,结果表明,FWAELM模型的均方根误差、平均绝对误差和模型可决系数分别为:0.115 6、0.143 6、0.943 8,高于ELM模型的0.403 5、0.346 7和0.819 0,FWAELM模型预测精度较高。同时进行了气象参数缺失情况下的模型预测精度研究,结果表明参数在保留3个及以上时,模型的预测精度依然较高,适用于温室ET_0的预测研究。 相似文献
2.
《中国农村水利水电》2017,(6)
为实现参考作物蒸散量(Reference Crop Evapotranspiration,ET_0)的准确计算和预测,利用广义回归神经网络(Generalized Regression Neural Network,GRNN)进行非线性映射,为减少人为因素影响采用粒子群算法(Particle Swarm Optimization,PSO)自动寻找神经网络最优参数,建立了基于粒子群算法和广义回归神经网络的参考作物蒸散量预测模型(PSO-GRNN)。研究气象数据缺失情况下模型模拟效果,在缺失风速和日照时数情况下,模型仍能取得较好效果(模型均方根误差和自相关系数分别为0.437%和91.865%)。将模型计算结果与Hargreaves、Priestly-Taylor、Makkink、Irmark-Allen等4种经验模型进行对比,得到模型的均方根误差和自相关系数为0.23%和97.709%,优于4种经验模型。以P-M模型求得的参考作物蒸散量为标准值,对2011-2015年预测得到的参考作物蒸散量进行求和,得到PSO-GRNN模型计算得到历年ET_0总和的相对误差为0.44%,优于4种经验模型(Hargreaves模型18.29%、Priestly-Taylor模型2.89%、Makkink模型3.27%、Irmark-Allen模型18.49%)。该研究建立的PSO-GRNN模型预测精度高,稳定性好,人为影响少,能够较好的进行ET_0模拟计算,为作物需水量智能决策提供参考。 相似文献
3.
基于黄土高原区大田耕作土壤的水分入渗试验,建立了Kostiakov二参数入渗模型参数的BP神经网络预测,实现了以土壤基本理化参数为输入变量,Kostiakov二参数模型参数为输出变量的BP预测方法,并分别对二参数模型中的入渗系数k、入渗指数α以及90min累积入渗量H进行了预测值与实测值的精度比较,结果显示对入渗系数k实现BP预测的平均相对误差为6.082 3%,入渗指数α的平均相对误差为1.045 9%,90min累积入渗量H的平均相对误差为4.973 5%,三者的平均相对误差值均在7%以下,预测精度较高,预测效果较好,表明以土壤基本理化参数为输入变量的BP神经网络预测是可行的。研究结果为获取准确的入渗参数提供技术手段,进而为提高农业灌溉水管理水平和灌水效率提供支撑。 相似文献
4.
作物蒸腾量是指导作物灌溉关键参数之一,实时获取作物蒸腾量,实现按需灌溉是节约用水的有效途径。然而,温室内小气候效应显著,作物蒸腾与环境因子间关系较为复杂,且各环境因子之间相互关联并呈非线性变化。本文以番茄作为研究对象,使用称量法测量作物实时蒸腾量,通过布设传感器实时获取温室小气候数据,包括空气温度(Air temperature, AT)、相对湿度(Relative humidity, RH)、光照强度(Light intensity, LI)作为模型的小气候环境输入,冠层相对叶面积指数(Relative leaf area index,RLAI)作为模型的作物生长输入,在此基础上,提出了基于长短期记忆网络(Long short term memory, LSTM)的番茄蒸腾量预测模型。利用该模型对番茄蒸腾量进行预测,并与非线性自回归(Nonlinear autoregressive with exogeneous inputs, NARX)神经网络、Elman神经网络、循环神经网络(Recurrent neural network, RNN)模型进行了对比。试验结果表明,LSTM预测模型决定系数(Determination coefficient, R2)与平均绝对误差(Mean absolute error, MAE)分别为0.9925和4.53g,与NARX神经网络、Elman神经网络、RNN方法进行对比,其决定系数分别提高了8.97%、1.18%和0.82%,其平均绝对误差分别降低了8.16、6.23、0.52g。本研究所提的预测模型具有较高的预测精度及泛化性能,研究成果可为温室作物需水规律及需水量研究提供参考。 相似文献
5.
为提高参考作物蒸散量模拟的准确性,提出蝙蝠算法优化极限学习机的参考作物蒸散量模拟模型.基于汕头站1966-2015年月值气象数据(包括逐月最高温度、最低温度、地表总辐射量、风速和相对湿度),建立参考作物蒸散量的极限学习机模型,并采用蝙蝠算法通过交叉验证方法对极限学习机的正则化系数和径向基函数的幅宽进行优化,最后对参考作物蒸散量模拟效果进行评估.结果表明:与传统调参方法和遗传算法优化后的模型相比,蝙蝠算法优化参数极限学习机模型建立了整体性能优异并且稳定的参考作物蒸散量模型,提高了参考作物蒸散量的模拟精度. 相似文献
6.
7.
针对传统PSO算法易陷入局部极值的缺点,提出了一种改进的粒子群算法(ADAPPSO)。该算法通过利用表现为非线性递减特性的自适应惯性权重来有效减少PSO算法在运算过程中出现局部极值的情况。利用ADAPPSO算法对BP神经网络所涉及的一系列参数进行优化,并在此基础上建立ADAPPSO-BP模型对参考作物腾发量(ET_0)进行预测。以商丘地区数据为例,通过平均影响值法(MIV)对变量进行筛选,并在此基础上建立了BP神经网络、PSO-BP和ADAPPSO-BP 3种预测模型。根据相关实验结果表明,BP模型、PSO-BP模型和ADAPPSO-BP模型的决定系数R~2分别为0.898 3、0.952 7和0.960 6,3种模型的平均绝对误差MAE分别为0.355 8、0.240 1和0.205 6。3种模型中,ADAPPSO-BP模型的R~2值最大,MAE最小,这表明提出的ADAPPSO-BP模型能够有效地提高ET_0的预测能力。 相似文献
8.
以1979—2015年吕梁市农机总动力为研究基础，利用指数函数、三次多项式函数及BP神经网络分别建立农机总动力预测模型并进行样本比对。结果表明，BP神经网络和指数函数模型的平均绝对误差分别为1.11%和3.22%，低于三次多项式函数的平均绝对误差（8.05%）。利用BP神经网络模型和指数函数模型对2016—2021年吕梁市农机总动力进行预测，以期为农业机械化水平的发展提供参考。 相似文献
9.
10.
作物系数-参考作物蒸发蒸腾量法是作物需水量计算最普遍采用的方法。作物系数作为该方法的重要参数,它的确定已成为作物需水量研究的关键问题。依据2005-2007年3年田间试验资料,利用Penman-Monteith公式计算了关中地区夏大豆全生育期间参考作物蒸散量,并利用农田水量平衡方程及土壤水分胁迫系数计算了作物实际蒸发蒸腾量,由此计算了大豆各生育阶段的作物系数,并分析了大豆作物系数变化规律。结果表明:关中地区大豆全生育期间参考作物蒸散量平均为524.6 mm;大豆作物系数全生育期平均为0.82,在开花~结荚阶段最大,平均为1.22,其次为结荚~成熟阶段,平均为1.05,播种~幼苗最小为0.26;在关中气候背景下,大豆作物系数与大于10℃积温具有较好的二次多项式关系。 相似文献
11.
采用RBF网络与BP网络的方法,利用MATLAB工具箱并结合气象资料中的相对湿度、平均气温和太阳日辐射量,建立了预测核桃作物需水量的神经网络预测模型.两种预测模型通过实例证实了预测的准确性,并且将这两种网络模型进行了比较分析.RBF神经网络预测作物需水量的绝对误差平均值为0.254 7 mm/d、相对误差平均值为5.47％,BP神经网络预测作物需水量的绝对误差平均值为0.320 6mm/d、相对误差平均值为6.97％,由此可见,RBF网络预测的精度比BP网络高.并且,通过程序记时显示RBF网络训练用时0.063 0 s,比BP网络训练所需的时间要短的多,因此RBF神经网络具有较好的实用价值,实现了精度与实用性的统一. 相似文献
12.
基于动态模拟的作物系数优化蒸散量估算研究 总被引：1，自引：0，他引：1
通过作物生长模型动态模拟的冬小麦全生育期潜在蒸散量和实际蒸散量计算冬小麦各生育时期的模拟作物系数,并与FAO提供的冬小麦各个生长阶段的标准作物系数对比,验证了其数值和变化趋势的准确性。基于地面实测和遥感反演的叶面积指数,建立了作物系数与叶面积指数的经验对数模型,根据遥感反演的叶面积指数获取冬小麦全生育期以天为步长的区域尺度的作物系数。利用冬小麦各生育时期模拟作物系数与以天为步长的区域尺度作物系数的比值优化蒸散量模型,获取关中平原2013—2014年冬小麦全生育期优化前后的蒸散量反演结果。通过与实测数据对比,发现优化前最大相对误差为14.36%,优化后最大相对误差为9.89%,优化后的蒸散量反演模型比未优化的蒸散量反演模型能够更加准确地反演冬小麦全生育期的蒸散量,特别是在低植被覆盖条件下的反演精度有明显的提升。 相似文献
13.
Kostiakov入渗模型参数的预测精度对比分析研究 总被引：1，自引：0，他引：1
《节水灌溉》2017,(11)
基于黄土高原系列大田入渗试验数据,以土壤体积含水率、干容重、黏粒含量、粉粒含量、有机质含量为输入因子,采用支持向量机和BP神经网络两种算法,对Kostiakov二参数入渗模型参数进行预测,并对两种算法下预测结果的相对误差值进行分析,结果表明:采用支持向量机算法对入渗系数和入渗指数进行预测的结果相对误差最大值和平均值都比BP算法的预测结果要小,相对误差最小值比BP算法的预测结果要大;支持向量机算法比BP算法所得预测结果的稳定性好,精确度高。研究结果丰富了采用土壤传输函数获取入渗参数这一研究方向,同时为获取更高精度的入渗参数在方法的选取上提供一定的理论依据。 相似文献
14.
在分析影响大棚作物腾发量的气象因子的基础上,以气象因子为输入向量,以大棚作物腾发量为输出向量,构建了气象资料不足情况下计算大棚作物腾发量的BP神经网络模型。利用鄂州节水灌溉实验基地逐日气象资料对所建模型进行反复训练和预测,并把预测结果与用传统的Penman Monteith公式计算而得的同期作物ET值相比较。BP神经网络模型的预测值与公式计算的ET值的相关系数为0．986。研究结果表明：构建的模型计算精度较高,方法简便可行,能满足实际生产需要。 相似文献
15.
干旱区制种玉米农田蒸散研究 总被引：1，自引：1，他引：1
在黑河流域中游的张掖绿洲区建立了大田环境下的制种玉米农田蒸散研究观测点,以气象观测资料为基础,采用波文比能量平衡法(BREB)和参考作物蒸散量作物系数法(ET0Kc)对制种玉米的蒸散进行了计算。结果表明,在一个完整的生长期内,利用波文比能量平衡法得到的蒸散量为513.2 mm,日均3.2 mm/d,用参考作物蒸散量作物系数法得到的作物蒸散量为486.2 mm,日均3.1 mm/d,2种计算方法得到的蒸散量总值差别小。利用波文比能量平衡法所得结果的分析表明,试验地在不同生长阶段,ET变化剧烈,生长初期、发育期、中期、末期分别为2.3、2.9、4.1和3.0 mm/d,其蒸散量分别约占全年蒸散总量的13%、22%、50%和16%。ET月变化显示,4月和5月维持在一个较低水平,平均为2.1-2.3 mm/d;6月剧烈增加到3.6 mm/d;7月达到最大,平均为4.6mm/d;8月蒸散有所降低,为3.3 mm/d;9月,随着作物进入生长末期,蒸散急剧减小到2.8 mm/d。 相似文献
16.
针对以往BP神经网络收敛速度慢及易陷于局部极小值等问题,引入粒子群算法优化BP网络的权值和阈值,建立PSO-BP神经网络,预测参考作物蒸腾量ET0。以西安地区的相关资料为基础,设计9种影响因子组合方案,利用PSO-BP网络模型进行ET0的预测,结果表明,该模型运算速度快,预测精度较高;对比分析9种方案的预测结果发现,方案7为最优,该方案只需选用平均温度、平均相对湿度、风速和日照时数四项影响因子,即可获得较高精度的参考作物蒸腾量预测值。 相似文献
17.
基于Elman和BP神经网络的逐月参 总被引：2，自引：0，他引：2
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,并以铁岭市为例,对比分析了Elman模型与BP模型的预测结果。分析表明：Elman模型不仅能反应系统的动态特性,还具有比BP模型更高的预测精度、逼近性和稳定性。 相似文献
18.
在分析影响大棚作物蒸发蒸腾量的气象因子的基础上, 以气象因子输入向量, 以大棚作物腾发量为输出向量, 构建了气象资料不足情况下计算大棚作物腾发量的BP 神经网络模型BP ET。利用鄂州节水灌溉实验基地逐日气象资料对所建模型进行反复训练和预测, 并把预测结果与传统的Penman－Monteith 公式计算而得的同期作物ET 值相比较。其中, BP ET 的预测值与ET值的相关系数为0.986。研究结果表明, 本文构建的模型计算精度较高, 方法简便可行, 能满足实际生产需要。 相似文献
19.
土壤水分特征曲线Van-Genuchten模型参数的土壤传输函数比选 总被引：1，自引：0，他引：1
基于黄土高原区多种土壤的水分特征曲线试验数据样本,建立了以土壤黏粒、土壤粉粒、干密度、有机质和盐分含量为输入变量,Van-Genuchten模型参数α与n为输出变量的非线性预报模型和灰色BP神经网络预报模型,在对两种模型误差参数α与n分别进行误差分析比较的基础上,对两种模型的预测结果进行了整体误差分析。结果表明:无论是参数α还是参数n,非线性模型的平均相对误差低于10%,综合精度平均相对误差为15.73%;灰色BP神经网络模型的预测精度的平均相对误差低于4%,综合精度平均相对误差为10.01%,灰色BP神经网络模型的预测精度都要比非线性模型的预测精度高,但灰色BP神经网络模型易出现过度拟合的情况。综合而言,两种模型均能实现Van-Genuchten模型参数α与n的预测,可根据具体情况选用其中一种以达到更好的预测效果。 相似文献
20.
为研究关中冬小麦植株蒸腾和土壤蒸发规律,利用2 a冬小麦小区控水试验实测数据,率定和验证了双作物系数SIMDual_Kc模型在关中地区的适用性.用大型称重式蒸渗仪的实测蒸散量值(或水量平衡法计算值)与模型模拟值进行对比.结果表明:SIMDualKc模型可较准确地模拟关中不同水分条件下冬小麦蒸散量,且模拟精度较高.模型估算的平均绝对误差为0.643 3 mm/d.模型估算的冬小麦初期、中期和后期的基础作物系数分别为0.35,1.30,0.20.另外,模型还可以较准确地估算不同水分供应条件下的土壤水分胁迫系数、土壤蒸发量和植株蒸散量.冬小麦整个生育期,土壤蒸发主要发生在作物生育前期,中期较低,后期略微增大;植株蒸腾主要发生在作物快速生长期和生长中期,整个生育期中呈先增大后减小的趋势. 相似文献