考虑气象因子不确定性的农田参考作物蒸散量预测方法

技术领域

本发明涉及农田灌溉调度，具体涉及一种考虑气象因子不确定性的农田参考作物蒸散量预测方法。

背景技术

参考物蒸腾量(ET

1998年FAO-56推荐的Penman-Monteith(PM)模型是计算ET

发明内容

针对现有技术中的上述不足，本发明提供的考虑气象因子不确定性的农田参考作物蒸散量预测方法解决了气象因子的不确定性致使预测的蒸散量精度不高的问题。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种考虑气象因子不确定性的农田参考作物蒸散量预测方法，其包括：

S1、获取预测区域在预设时间段内设定数量组天气预报数据；

S2、将每组天气预报数据输入贝叶斯概率预报系统，得到修正后的天气预报数据；

S3、将修正后的每组天气预报数据输入已训练的RBF神经网络中，预测得到农田参考作物蒸散量。

进一步地，所述RBF神经网络的训练方法包括：

A1、选取若干组历史气象数据，并采用彭曼公式计算每组历史气象数据对应时间内的参考作物蒸散量；

A2、采用所有历史气象数据及其对应的参考作物蒸散量分别作为RBF神经网络输入和输出，对RBF神经网络进行训练得到初始RBF神经网络模型；

A3、获取若干组历史天气预报数据，并采用彭曼公式计算每组历史天气预报数据对应时间内的参考作物蒸散量；

A4、将步骤A3中的每组天气预报数据和其对应的参考作物蒸散量输入贝叶斯概率预报系统，得到修正后的天气预报数据；

A5、采用步骤A4中修正后的天气预报数据及其对应的参考作物蒸散量分别作为初始RBF神经网络模型的输入和输出，对初始RBF神经网络模型进行训练得到最终的RBF神经网络。

进一步地，贝叶斯概率预报系统修正天气预报数据的方法包括：

B1、计算天气预报数据的先验方差，并采用先验方差作为天气预报数据的初始协方差矩阵的对角线元素；

B2、根据初始协方差矩阵，计算天气预报数据的协方差矩阵：

其中，C

X

B3、从天气预报数据的后验密度N(X

其中，S

B4、随机选取一个0～1之间的均匀随机数，若随机数小于新样本

B5、判断是否产生达到预设精度的X

本发明的有益效果为：本方案采用贝叶斯概率预报系统对天气预报数据进行修正，能够消除其的不确定性，使得RBF神经网络采用这些数据预测的作物参考蒸散量更加准确，从而使得灌溉时能够更加精准的按照农作物需水量进行补给，达到节约用水的同时还能保证作物的正常生产。

采用修正后的天气预报进行蒸散量与传统的RBF确定性预报结果相比，预测结果的各精度评价效果均有所提高，纳什效率系数提高了10％，均方根误差和平均绝对误差分别降低了16.94％、17.05％。

附图说明

图1为考虑气象因子不确定性的农田参考作物蒸散量预测方法的流程图。

图2为最高温度、相对湿度和平均风速分别修正前后ET

图3为建模期和预测期RBF、CU-RBF与标准值相关性分析；其中，(a)为建模期(2013-2015)，(b)为预测期(2016-2018)。

图4为建模期和预测期RBF、CU-RBF预测值与标准值对比；其中，((a)为建模期(2013-2015)，(b)为预测期(2016-2018)。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

参考图1，图1示出了考虑气象因子不确定性的农田参考作物蒸散量预测方法流程图；如图1所示，该方法S包括步骤S1至步骤S3。

在步骤S1中，获取预测区域在预设时间段内设定数量组天气预报数据；其中的天气预报数据为根据实测气象数据预测得到，其具体为最高温度、最低温度、平均相对湿度和平均相对风速。

此处的预设时间一般以天为单位，比如一天、两天、三天……，一般一天得到一组天气预报数据。

在步骤S2中，将每组天气预报数据和对应的参考作物蒸散量输入贝叶斯概率预报系统，得到修正后的天气预报数据。

在本发明的一个实施例中，贝叶斯概率预报系统修正天气预报数据的方法包括：

B1、计算天气预报数据的先验方差(可以采用Excel中进行计算)，并采用先验方差作为天气预报数据的初始协方差矩阵的对角线元素；

B2、根据初始协方差矩阵，计算天气预报数据的协方差矩阵：

其中，C

X

B3、从天气预报数据的后验密度N(X

其中，S

B4、随机选取一个0～1之间的均匀随机数，若随机数小于新样本

B5、判断是否产生达到预设精度的X

在步骤S4中，将修正后的每组天气预报数据输入已训练的RBF神经网络中，预测得到农田参考作物蒸散量。

在本发明的一个实施例中，所述RBF神经网络的训练方法包括：

A1、选取若干组历史气象数据，并采用彭曼公式计算每组历史气象数据对应时间内的参考作物蒸散量；

实施时，本方案优选彭曼公式为：

其中，ET

A2、采用所有历史气象数据及其对应的参考作物蒸散量分别作为RBF神经网络输入和输出，对RBF神经网络进行训练得到初始RBF神经网络模型；

其中，RBF神经网络的RBF函数为：

其中，q为隐含层节点个数，即输入的样本容量；w

A3、获取若干组历史天气预报数据，并采用彭曼公式计算每组历史天气预报数据对应时间内的参考作物蒸散量；

A4、将步骤A3中的每组天气预报数据输入贝叶斯概率预报系统，得到修正后的天气预报数据；

A5、采用步骤A4中修正后的天气预报数据及其对应的参考作物蒸散量分别作为初始RBF神经网络模型的输入和输出，对初始RBF神经网络模型进行训练得到最终的RBF神经网络。

RBF神经网络训练过程，选择1981-2018年1月～12月444组历史气象数据(T

选择2013-2015年36组修正后的历史天气预报数据和ET

实施时，本方案优选所述RBF神经网络构建时，通过Matlab的RBF工具箱实现，具体函数的调用格式为：

net＝newrb(P,T,goal,spread,MN,DF)

其中，P、T分别为输入和输出变量；goal为均方误差，goal＝0.001；spread为RBF函数的宽度；MN为ANN学习过程中神经元最大数目；DF为2次显示之间添加神经元的个数。

下面结合试验例对本方案的方法进行参考作物蒸散量预测的效果进行说明，首先对单气象因子不确定性修正对ET

对于使用RBF神经网络与彭曼公式计算标准值之间的相互比较，使用了五个评价参数，包括决定系数(R

其中，x

图2和表1为单独考虑修正某一因子(T

表1分别单独修正气象因子不确定性修正前后ET

其中，RBF代表训练时未考虑气象因子不确定的RBF神经网络；CU-RBF为本方案训练时考虑气象因子不确定性的RBF神经网络；CU-RBF

由图2和表1可知，当单独对T

同样的，当分别单独考虑Ws和RH修正后，基于RBF模型的ET

由图2对比可知，当单独对Ws修正时，相较于分别单独修正T

单独对RH进行修正时预测效果较差，R

其次，考虑气象因子不确定性修正的ET

采用本方案随机模拟每月8000组ET

其中2013-2015年为建模期，2016-2018年为预报期(预测期)，建模期和预报期的各月ET

表2 CU-RBF和RBF逐月ET

由图3(a)、图4(a)和表2可以看出，建模期(2013-2015)和预测期(2016-2018)在未考虑气象因子不确定性下建立的ET

RBF确定性模型预测得到的ET

由图3(b)、图4(b)和表2可以看出，建模期和预测期在考虑气象因子不确定性下建立的ET

CU-RBF确定性模型预测得到的ET

综上分析可知，无论在模拟期和预测期，CU-RBF模型预测的ET