CN112529233A - 一种预测草坪参考作物蒸发蒸腾量的方法 - Google Patents
一种预测草坪参考作物蒸发蒸腾量的方法 Download PDFInfo
- Publication number
- CN112529233A CN112529233A CN201910877898.3A CN201910877898A CN112529233A CN 112529233 A CN112529233 A CN 112529233A CN 201910877898 A CN201910877898 A CN 201910877898A CN 112529233 A CN112529233 A CN 112529233A
- Authority
- CN
- China
- Prior art keywords
- neural network
- nodes
- weather
- crops
- genetic algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 62
- 230000002068 genetic effect Effects 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 230000008020 evaporation Effects 0.000 claims abstract description 33
- 238000001704 evaporation Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 16
- 230000035772 mutation Effects 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 210000000349 chromosome Anatomy 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 7
- 229920006395 saturated elastomer Polymers 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000004907 flux Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 6
- 238000010219 correlation analysis Methods 0.000 description 5
- 230000002262 irrigation Effects 0.000 description 5
- 238000003973 irrigation Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Marine Sciences & Fisheries (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
Abstract
本发明公开了一种预测参考作物蒸发蒸腾量的方法，包括以下步骤：(1)确定研究区域；(2)获取气象数据；(3)计算参考作物蒸发蒸腾量标准值；(4)分析常见气象因子与标准值的相关性；(5)基于遗传算法优化建立BP神经网络的参考作物蒸发蒸腾量预测模型；(6)验证(5)中的模型精度。本发明对参考作物蒸发蒸腾量的预测精度更高，符合实际要求，为参考作物蒸发蒸腾量的预测提供了有效的方法。
Description
技术领域
本发明涉及农业与园林绿化节水灌溉工程，尤其涉及一种预测参考作物蒸发蒸腾量的方法。
背景技术
农业与园林绿化节水灌溉工程是在有限的水资源条件下，通过采取先进的灌溉排水工程措施、适宜的作物技术和用水管理等综合技术措施，充分提高灌溉水的利用率和水分生产率。草坪是园林绿化的主要植物之一。草坪作物需水量的确定是园林节水灌溉工程中的重要环节，而草坪的参考作物蒸发蒸腾量是计算作物需水量的关键因子，其准确估计对于园林水分管理与实时灌溉预报具有重要作用。草坪的参考作物蒸发蒸腾量与气象因子具有较强的非线性关系，现有预测都需要一系列的经验系数和复杂的公式，并且很多公式的参数需要地区校正，给实际应用带来一定的困难，而且在气象资料不全的情况下导致根据天气预报资料进行预测出现预测不准甚至难以进行的情况。
为此，本发明提供了一种关于草坪的预测参考作物蒸发蒸腾量的方法，用以解决现有技术中参考作物蒸发蒸腾量的所需参数众多、计算复杂和效率低下的缺点，本方法具有容易实施、所需参数容易获取、操作简单和结果准确等优点。
发明内容
为实现本发明之目的，采用以下技术方案予以实现：
一种预测参考作物蒸发蒸腾量的方法，包括以下步骤：
(1)确定研究区域；
(2)获取气象数据；
(3)计算参考作物蒸发蒸腾量标准值；
(4)分析常见气象因子与标准值的相关性；
(5)基于遗传算法优化建立BP神经网络的参考作物蒸发蒸腾量预测模型；
(6)验证(5)中的模型精度。
所述的方法，其中步骤1按如下方式进行：确定研究区域，以行政区域为边界确定研究区域，并在区域内选取气候、地理相近的气象站点，随机选取气象站作为气象数据来源的站点。
所述的方法，其中步骤2按如下方式进行：从步骤1中所选气象站点中获取气象站地理信息和气象数据，包括气象站海拔、气象站经纬度、日最高气温、日最低气温、高度为2m处的平均风速、日最高湿度、日最低湿度等，气象数据的时间长度应大于两年。
所述的方法，其中步骤3按如下方式进行：计算参考作物蒸发蒸腾量的标准值，采用Penman–Monteith公式进行计算，具体表达式为：
式中，ET0为草坪参考作物蒸散量，mm/d；Rn为植被表面净辐射量， MJ/m2d；G为土壤热通量MJ/m2d；Δ为饱和水汽压与温度关系曲线的斜率，kPa/℃；γ为湿度计常数，kPa/℃；T为空气平均温度，℃；u2为在地面以上2m高处的风速，m/s；es为空气饱和水汽压，kPa；ea为空气实际水汽压，kPa。
所述的方法，其中步骤4对气象因子与公式(1)所得到的参考作物蒸发蒸腾量的相关性进行分析，可采用SPSS软件或主成分分析法进行分析，得到与参考作物蒸发蒸腾量相关性较高的气象因子为：最小湿度、平均风速、最低温度和最高温度。
所述的方法，其中步骤5中：
将步骤4中所得到的气象因子作为BP神经网络的输入值，将步骤3中所得到的参考作物蒸发蒸腾量作为输出值，确定输入节点、输出节点和隐含层的数量，获得BP神经网络的输出结果并基于BP神经网络建立参考作物蒸发蒸腾量预测模型，采用单隐含层结构，采用经验公式确定隐含层节点数，经验公式具体表达式为：
Nhid＝2Nin+1 (2)
式中：Nhid为隐含层节点数；Nin为输入层节点数；
由于输入层节点数为4，故由经验公式所得隐含层节点数为9，因此BP网络拓扑结构为4-9-1，即输入层有4个节点，隐含层有9 个节点，输出层有1个节点。
所述的方法，其中步骤5包括：
步骤5.1设置遗传算法的初始参数；
步骤5.2构建适应度函数；
步骤5.3遗传算法处理：(1)个体选择操作；(2)交叉操作； (3)变异操作；(4)重复(1)-(3)，不断对种群中的个体进行选择、交叉、变异操作，并记录适应度值，达到最大遗传代数，将新得到的个体中的遗传编码进行解码，计算适应度，与原种群进行比较；适应度最优解对应的染色体即为BP神经网络所对应的权值和阈值。
所述的方法，其中步骤6包括：采用步骤5得到的权值和阈值对 BP神经网络进行训练，直至判定所得误差小于预设误差值。利用得到的权值和阈值对BP神经网络进行训练，得到基于遗传算法优化BP 神经网络的预测模型。
所述的方法，其中步骤7中：基于验证气象数据，通过步骤5中的模型，得到所对应的验证参考作物蒸发蒸腾量，使用3种统计指标将预测值和公式(1)所计算的真实值进行对比，评价模型精度。所诉统计指标包括均方根误差、平均绝对误差和决定系数。
附图说明
图1为本发明BP神经网络拓扑结构图；
图2为发明的基于BP神经网络和基于遗传算法优化BP神经网络预测参考作物蒸发蒸腾量的预测结果图；
图3为本发明的基于遗传算法优化BP神经网络算法流程图。
具体实施方式
下面结合附图对本发明具体实施方式进行详细说明
为有效计算园林绿化中草坪的需水量，常通过参考作物蒸发蒸腾量乘以作物系数的方式进行计算，其中一种预测参考作物蒸发蒸腾量的方法具体步骤如下：
步骤1.确定研究区域
本实例以北京市通州区为研究区域，所选取气象站位于北京市通州区于家务回族乡，处于华北平原，北纬39°41′，东经116° 41′，海拔29.1m。
步骤2.获取气象数据
从步骤1中选取的气象站点中获取气象站地理信息和2014-2018 年的逐日气象资料，包括气象站海拔、气象站经纬度、日最高气温、日最低气温、高度为2m处的平均风速、日最高湿度、日最低湿度等，气象站数据时间长度应大于两年。
步骤3.参考作物蒸发蒸腾量标准值计算
以草坪参考作物所在区域的气象数据作为样本，以Penman– Monteith公式计算参考作物蒸发蒸腾量作为标准值，计算结果如表 1所示，具体表达式为：
(1)中：ET0为草坪参考作物蒸散量，mm/d；Rn为植被表面净辐射量，MJ/m2d；G为土壤热通量MJ/m2d；Δ为饱和水汽压与温度关系曲线的斜率，kPa/℃；γ为湿度计常数，kPa/℃；T为空气平均温度，℃；u2为在地面以上2m高处的风速，m/s；es为空气饱和水汽压，kPa；ea为空气实际水汽压，kPa。
步骤4.分析常见气象因子与标准值的相关性
采用SPSS软件进行相关性分析，对气象因子与公式(1)所得到的参考作物蒸发蒸腾量的相关性进行分析，得到与参考作物蒸发蒸腾量相关性较高的气象因子。
其结果如表1所示，结果表明，最小湿度、平均风速、最低温度和最高温度与参考作物蒸发蒸腾量相关性较高，即模型的4个输入层节点分别为最小湿度、平均风速、最低温度和最高温度。
表1气象因素与参考作物蒸发蒸腾量的相关性分析
注：**.在.01水平(双侧)上显著相关
步骤5.基于遗传算法优化建立BP神经网络的参考作物蒸发蒸腾量预测模型
步骤5.1.BP神经网络的初始设定
将步骤4中所得到的气象因子作为BP神经网络的输入值，将步骤3中所得到的参考作物蒸发蒸腾量作为输出值，确定输入节点、输出节点和隐含层的数量，获得BP神经网络的输出结果。
BP神经网络包括正向传播和反向传播，正向传播输入样本的输入信号，反向传播传递误差及调整信息。在正向传播过程中，输入值通过隐含层处理后传递给输出层。若输出值与预期值的误差大于误差可接受范围，则进入误差反向传播过程。误差通过隐含层向输入层传递，进行误差调整，通过不断调整各层之间的权值，使得输出误差达到可接受范围或者达到最大学习次数为止。
步骤5.2基于BP神经网络参考作物蒸发蒸腾量预测模型的建立本方法采用单隐含层结构，采用经验公式确定隐含层节点数。
经验公式具体表达式为：
Nhid＝2Nin+1 (2)
(2)中：Nhid为隐含层节点数；Nin为输入层节点数。
由于输入层节点数为4，故由经验公式所得隐含层节点数为9，因此本方法BP网络拓扑结构为4-9-1，因此输入层有4个节点，隐含层有9个节点，输出层有1个节点，拓扑结构如图1所示。
本方法的优选实施方式中，BP神经网络的终止条件设置为：训练次数为1000，收敛误差为0.01，输入层有4个节点，隐含层有9 个节点，输出层有1个节点。
在1050组输入输出数据中，950组数据作为训练数据用于网络训练，100组作未测试数据，用于测试BP神经网络的预测性能，图2 为基于BP神经网络模型的预测结果。
步骤5.3基于遗传算法优化BP神经网络的参考作物蒸发蒸腾量预测模型的建立
由于BP神经网络算法存在容易陷入局部极小点的缺点，因此用遗传算法对BP神经网络进行优化，其基本思想是利用遗传算法全局性搜索的特点，改变BP算法依赖梯度信息的指导来调整神经网络权值和阈值的方法，寻找最为合适的权值和阈值。该算法具有自适应概率的全局搜索技术，突破传统规则的搜索方法，使搜索的过程更灵活，同时在多峰的问题上具有全局的把握能力。
步骤5.3.1设置遗传算法的初始参数
设置种群大小、最大遗传代数、交叉概率和变异概率，将BP神经网络的权值和阈值组成遗传编码。
步骤5.3.2构建适应度函数
以所述BP神经网络的预测输出与期望输出组成的函数作为适应度值。
步骤5.3.3遗传算法处理过程
(1)个体选择操作
在父代种群中以预设概率选择个体用来产生下一代，选择原则为：已经个体的实用度值从大到小进行选择；
(2)交叉操作
从种群中选择多条父代染色体进行下一代染色体的建立，通过染色体的交叉组合，产生新的个体；
(3)变异操作
从种群中任选一个个体，对所选择的染色体中某段编码进行变异，产生新的个体。
(4)重复步骤(1)-(3)，不断对种群中的个体进行选择、交叉、变异操作，并记录适应度值，达到最大遗传代数，将新得到的个体中的遗传编码进行解码，计算适应度，与原种群进行比较；适应度最优解对应的染色体即为BP神经网络所对应的权值和阈值；
种群规模对遗传算法的全局搜索性能有很大的影响，因此，种群的规模要根据具体的问题选取合适的数量，本方法初始种群的规模为50。
本方法适应度函数设定为神经网络均方根误差的倒数：
(3)中，f为适应度函数，MSE为BP神经网络的预测输出和期望输出之间的均方根误差。
个体的选择：个体的选择可以按概率值进行，公式如下：
(4)中，Pi为个体i的选择概率，fi为个体i的适应度值，n为种群个体数目。
最优个体不用进行交叉操作，而是直接复制进入到下一代。对于其他个体，则使用交叉概率pc。同样，最优个体也没有进行变异操作，而是直接复制到下一代。对于其他的个体，则是用变异概率 pm进行变异操作，产生出另外新的个体。在本实例中，pc＝0.75， pm＝0.01，进化代数为200。
步骤5.4BP神经网络的训练
采用步骤(4)得到的权值和阈值对BP神经网络进行训练，直至判定所得误差小于预设误差值。
将遗传算法获取的最优权值和阈值用于BP神经网络中，得到BP 神经网络的输出，计算均方根误差，若均方根误差达到设定的标准，则仿真得到预测结果；若未达到设定的误差标准，则返回获取最优权值和阈值，直到获取的最优权值和阈值，输出结果计算得到均方根误差达到设定标准为止。
将训练成功后的BP神经网络作为预测参考作物蒸发蒸腾量的预测模型使用，即基于遗传优化BP神经网络预测模型分为相关性分析优选自变量、BP神经网络结构的确定和遗传算法优化BP神经网络三个部分，具体流程图如3所示。
其中，基于BP神经网络结构确定根据相关性分析优选的输入参数的个数，确定BP神经网络结构，进而确定遗传算法个体的长度。本方法中有4个输入参数，1个输出参数，BP神经网络结构为 4-9-1，即输入层有4个节点，隐含层有9个节点，输出层有1个节点。从1050组输入输出数据中按照时间顺序选择950组作为训练数据，用于网络训练，100组作为预测数据。把训练数据预测均方根误差作为个体适应度值，个体适应度值越小，该个体越优。
本方法的优选实施方式中，BP神经网络的终止条件设置为：训练次数为1000，收敛误差为0.01；遗传算法参数设置为：种群大小为50，最大遗传代数为200，交叉概率为0.75，变异概率为0.01。遗传算法优化得到BP神经网络最优初始权值和阈值，把最优初始权值和阈值赋给BP神经网络，用训练数据训练后预测非线性函数输出，预测结果如图2所示。
基于BP神经网络的预测均方根误差为0.32；基于遗传算法优化的BP神经网络的预测均方根误差为0.22。两种模型结果显示：基于遗传算法优化BP神经网络对参考作物蒸发蒸腾量的预测精度更高，符合实际要求，为参考作物蒸发蒸腾量的预测提供了有效的方法。
本方法以相关性分析优选出的自变量，应用了BP神经网络和遗传算法优化BP神经网络模型进行了参考作物蒸发蒸腾量的预测。将以上得到的预测结果进行统计指标分析，结果如表2所示。由表2可以看出，基于遗传优化BP神经网络模型预测误差较BP神经网络模型预测误差更小。
表2两种模型预测参考作物蒸发蒸腾量的统计分析指标
综上所述，本方法以相关性分析优选出的4个自变量作为输入，采用BP神经网络建立参考作物蒸发蒸腾量的预测模型，并对其进行优化，建立了基于遗传算法优化BP神经网络的参考作物蒸发蒸腾量的预测模型。基于BP神经网络算法和遗传算法，建立了结构为 4-9-1的神经网络，通过试验验证可以看出，基于BP神经网络的预测均方根误差为0.32，平均绝对误差为0.24，决定系数为0.86；基于遗传算法优化的BP神经网络的预测均方根误差为0.22，平均绝对误差为0.17，决定系数为0.94。两种模型结果显示：基于遗传算法优化BP神经网络对参考作物蒸发蒸腾量的预测精度更高，符合实际要求，为参考作物蒸发蒸腾量的预测提供了有效的方法。
Claims (8)
1.一种预测参考作物蒸发蒸腾量的方法，其特征在于包括以下步骤：
(1)确定研究区域，及获取研究区域内的气象站点；
(2)获取气象数据；
(3)计算参考作物蒸发蒸腾量标准值；
(4)分析常见气象因子与标准值的相关性；
(5)基于遗传算法优化建立BP神经网络的参考作物蒸发蒸腾量预测模型；
(6)验证(5)中的模型精度。
2.根据权利要求1所述的方法，其特征在于步骤1按如下方式进行：确定研究区域，以行政区域为边界确定研究区域，并在区域内选取气候、地理相近的气象站点，随机选取气象站作为气象数据来源的站点。
3.根据权利要求2所述的方法，其特征在于步骤2按如下方式进行：从权利2中的气象站点中获取气象站地理信息和气象数据，包括气象站海拔、气象站经纬度、日最高气温、日最低气温、高度为2m处的平均风速、日最高湿度、日最低湿度等，气象站数据时间长度应大于两年。
4.根据权利要求3所述的方法，其特征在于步骤3计算参考作物蒸发蒸腾量的标准值，采用Penman–Monteith公式进行计算，具体表达式为：
其中，ET0为参考作物蒸散量，mm/d；Rn为植被表面净辐射量，MJ/m2d；G为土壤热通量MJ/m2d；Δ为饱和水汽压与温度关系曲线的斜率，kPa/℃；γ为湿度计常数，kPa/℃；T为空气平均温度，℃；u2为在地面以上2m高处的风速，m/s；es为空气饱和水汽压，kPa；ea为空气实际水汽压，kPa。
5.根据权利要求4所述的方法，其特征在于步骤4对气象因子与公式(1)所得到的参考作物蒸发蒸腾量的相关性进行分析，可采用SPSS软件或主成分分析法进行分析，得到与参考作物蒸发蒸腾量相关性较高的气象因子为：最小湿度、平均风速、最低温度和最高温度。
6.根据权利要求5所述的方法，其特征在于步骤5中：
将所获取的90％气象数据及所对应的公式(1)所得到的参考作物蒸发蒸腾量作为训练数据，10％作为验证数据。
将步骤4中所得到的训练气象数据作为BP神经网络的输入值，将步骤3中所得到的参考作物蒸发蒸腾量作为输出值，确定输入节点、输出节点和隐含层的数量，获得BP神经网络的输出结果并基于BP神经网络建立参考作物蒸发蒸腾量预测模型，采用单隐含层结构，采用经验公式确定隐含层节点数，经验公式具体表达式为：
Nhid＝2Nin+1 (2)
式中：Nhid为隐含层节点数；Nin为输入层节点数；
由于输入层节点数为4，故由经验公式所得隐含层节点数为9，因此BP网络拓扑结构为4-9-1，即输入层有4个节点，隐含层有9个节点，输出层有1个节点。
7.根据权利要求6所述的方法，其特征在于步骤6包括：
建立遗传算法优化BP神经网络的预测模型。
步骤6.1设置遗传算法的初始参数；
步骤6.2构建适应度函数；
步骤6.3遗传算法处理：(1)个体选择操作；(2)交叉操作；(3)变异操作；(4)重复(1)-(3)，不断对种群中的个体进行选择、交叉、变异操作，并记录适应度值，达到最大遗传代数，将新得到的个体中的遗传编码进行解码，计算适应度，与原种群进行比较；适应度最优解对应的染色体即为BP神经网络所对应的权值和阈值。利用得到的权值和阈值对BP神经网络进行训练，得到基于遗传算法优化BP神经网络的预测模型。
8.根据权利要求7所述的方法，其特征在于步骤7包括：基于验证气象数据，通过步骤5中的模型，得到所对应的验证参考作物蒸发蒸腾量，使用3种统计指标将预测值和公式(1)所计算的真实值进行对比，评价模型精度。上述统计指标包括均方根误差、平均绝对误差和决定系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910877898.3A CN112529233A (zh) | 2019-09-18 | 2019-09-18 | 一种预测草坪参考作物蒸发蒸腾量的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910877898.3A CN112529233A (zh) | 2019-09-18 | 2019-09-18 | 一种预测草坪参考作物蒸发蒸腾量的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112529233A true CN112529233A (zh) | 2021-03-19 |
Family
ID=74974764
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910877898.3A Withdrawn CN112529233A (zh) | 2019-09-18 | 2019-09-18 | 一种预测草坪参考作物蒸发蒸腾量的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112529233A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113743762A (zh) * | 2021-08-26 | 2021-12-03 | 中国科学院地理科学与资源研究所 | 基于神经网络模型的草地产草量反演方法及系统 |
| CN115310370A (zh) * | 2022-10-09 | 2022-11-08 | 南开大学 | 耦合深度学习和物理机制的区域性植被蒸腾预测方法 |
-
2019
- 2019-09-18 CN CN201910877898.3A patent/CN112529233A/zh not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113743762A (zh) * | 2021-08-26 | 2021-12-03 | 中国科学院地理科学与资源研究所 | 基于神经网络模型的草地产草量反演方法及系统 |
| CN115310370A (zh) * | 2022-10-09 | 2022-11-08 | 南开大学 | 耦合深度学习和物理机制的区域性植被蒸腾预测方法 |
| CN115310370B (zh) * | 2022-10-09 | 2023-08-29 | 南开大学 | 耦合深度学习和物理机制的区域性植被蒸腾预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111210082B (zh) | 一种基于优化的bp神经网络算法的降水量预测方法 | |
| Ferrise et al. | Probabilistic assessments of climate change impacts on durum wheat in the Mediterranean region | |
| CN111027175B (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
| CN110598290B (zh) | 考虑气候变化的流域未来水电发电能力预测方法和系统 | |
| CN109344865B (zh) | 一种多数据源的数据融合方法 | |
| CN112785024B (zh) | 一种基于流域水文模型的径流计算和预测方法 | |
| CN111783360B (zh) | 高分辨率土地利用及森林景观过程耦合模拟系统及方法 | |
| CN110334732A (zh) | 一种基于机器学习的空气质量预报方法和装置 | |
| CN107909149A (zh) | 一种基于遗传bp神经网络的日光温室温度预测方法 | |
| CN111259522B (zh) | 一种水文模型在地理空间上多流域并行率定的方法 | |
| CN115345076B (zh) | 一种风速订正处理方法及装置 | |
| CN114638146A (zh) | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 | |
| CN116609860B (zh) | 基于集成学习算法的水文模型实时校正方法和系统 | |
| CN112163375A (zh) | 一种基于神经网络的长时间序列近地面臭氧反演方法 | |
| CN108846501A (zh) | 一种雨水低影响开发设施建设规模确定方法 | |
| CN111832828B (zh) | 基于风云四号气象卫星的智能降水预测方法 | |
| CN112529233A (zh) | 一种预测草坪参考作物蒸发蒸腾量的方法 | |
| CN110705182A (zh) | 耦合作物模型和机器学习的作物育种适应时间预测方法 | |
| CN105184400A (zh) | 一种烟田土壤水分预测方法 | |
| CN110276477A (zh) | 一种基于分层贝叶斯网络和增量学习的洪水预报方法 | |
| CN115859789A (zh) | 一种提高极地大气温度廓线反演精度的方法 | |
| Kasiviswanathan et al. | Implications of uncertainty in inflow forecasting on reservoir operation for irrigation | |
| Nasonova et al. | Projecting changes in Russian northern river runoff due to possible climate change during the 21st century: a case study of the Northern Dvina, Taz and Indigirka rivers | |
| WO2022032873A1 (zh) | 一种基于对抗神经网络的无资料地区水文参数率定方法 | |
| CN117251989A (zh) | 一种气象站点的碳水通量信息确定方法、系统及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210319 |
|
| WW01 | Invention patent application withdrawn after publication |