CN111833202B - 考虑作物系数动态变化与降雨的农田蒸散量短期预测方法 - Google Patents

Abstract

本发明公开了一种考虑作物系数动态变化与降雨的农田蒸散量短期预测方法，该方法包括获取农田作物生长环境的气象数据；根据预测基准日的参考作物蒸散量和农田实测蒸散量计算预测基准日的作物系数；分别构建训练集和测试集，并进行预处理；建立考虑作物系数动态变化和降雨影响的前馈神经网络模型，并进行训练优化；利用优化后的前馈神经网络模型根据测试集数据短期预测农田作物蒸散量。本发明考虑了作物系数变化与降雨对农田作物蒸散量的影响，有效构建了农田参考作物蒸散量与其驱动因素之间的非线性关系，据此可以得到更符合作物实际生长状况的作物蒸散量，为农田下垫面的未来水分管理提供科学依据。

Description

考虑作物系数动态变化与降雨的农田蒸散量短期预测方法

技术领域

本发明属于作物蒸腾预测技术领域，具体涉及一种考虑作物系数动态变化与降雨的农田蒸散量短期预测方法。

背景技术

蒸散过程是陆地水文循环的重要组成部分，蒸散量(Evapotranspiration,ET_c)对于灌溉计划以及区域水资源分配具有重要的指导意义。蒸散量的准确预测可在一定程度上节约灌溉用水量，因此为了更好地管理作物灌溉用水量以及提高作物水分利用效率，亟待对作物蒸散量进行准确预测。

目前，蒸散量的预测方法主要分为4类：时间序列法、灰色模型法、经验公式法和神经网络模型法等。时间序列法由于其所用数据单一(只采用蒸散量的历史数据)，而未能充分考虑其他因素影响下的超历史变化，所以预测精度存在不确定性。灰色预测方法实质是一个指数模型，当目标函数发生零增长时，系统误差严重，而且预测周期越多，误差越严重。经验公式法需要针对不同研究区进行参数修正，并且需要的气象资料多，计算较为复杂。人工神经网络是近几年发展起来的非线性理论，不需要了解非线性系统内部具体结构条件，具有自组织、自适应及自学习的功能，非常适合用来模拟、处理影响因素多、关系复杂的系统，为高度非线性动态关系的时间序列预测和评判提供了一条有效途径。蒸散量与其驱动因素之间存在复杂的非线性关系，针对常规耗水预测模型在预测中存在的盲目性大，拟合精度不高且预测容易失真的不足，引入神经网络的计算方法，建立非线性人工神经网络的预测模型，能够考虑众多因素对蒸散量的影响，所建立的预测模型预测精度高，简便易行，具有良好的应用推广价值。

目前采用BP神经网络模型预测蒸散量主要是将常规变量进行训练和测试，且多采用FAO推荐的作物系数，或者采用历史实测作物系数进行蒸散量预测。但是随着作物本身与外界条件的不同，作物系数也在不断变化，且具有明显的地域和时序差别。研究表明，基于FAO推荐的作物系数值，适用于时间步长较大的过程计算，但不能反映作物逐日动态变化情况，在进行蒸散量预测时，预测值与实测值存在稍大偏差。因此，对于作物系数的获取需要考虑作物生长阶段对其动态变化的影响。此外，降雨作为蒸散量预测精度的重要影响因素，目前还没有学者直接将降雨考虑到蒸散量的预测中。

综上所述，进行蒸散量预测的研究已经开展不少，但是目前主要存在两大问题：(1)FAO-56推荐的固定或者简单差值作物系数，适合较长周期蒸散量的预测，而对于短期蒸散量的预测适用价值较低，并且作物系数法中的基础作物系数曲线只由确定的3个节点进行线性差值，对作物生长过程处理有所简化，从而会造成较大偏差；(2)由于降雨的不确定性，考虑降雨的蒸散量预测模型的研究较少，仅考虑确定性气象因子必然会造成典型天气下蒸散量预测的偏差，适用性较弱。

发明内容

针对现有技术中的上述不足，本发明提供了一种考虑作物系数动态变化与降雨的农田蒸散量短期预测方法。

为了达到上述发明目的，本发明采用的技术方案为：

一种考虑作物系数动态变化与降雨的农田蒸散量短期预测方法，包括以下步骤：

S1、获取农田作物生长环境的气象数据，所述气象数据包括最高气温、最低气温、日照时数和降雨量；

S2、根据预测基准日的参考作物蒸散量和农田实测蒸散量计算预测基准日的作物系数；

S3、根据步骤S1获取的气象数据和步骤S2中农田实测蒸散量及计算的作物系数，分别构建训练集和测试集，并对训练集和测试集数据进行预处理；

S4、建立考虑作物系数动态变化和降雨影响的前馈神经网络模型，并利用训练集数据对模型进行训练优化；

S5、利用步骤S4优化后的前馈神经网络模型根据测试集数据预测农田作物蒸散量。

进一步地，所述步骤S2具体采用彭曼算法计算预测基准日的参考作物蒸散量，计算公式为：

其中，ET₀为参考作物蒸散量，Δ为饱和水汽压曲线斜率，Rn为地表净辐射，G为土壤热通量，γ为干湿常数，T_mean为日平均温度，u₂为设定高度位置风速，e_s为饱和水汽压，e_a为实际水汽压。

进一步地，所述步骤S2具体采用涡度相关法计算预测基准日的农田实测蒸散量，计算公式为：

其中，w′为垂直风速脉动量，q′为水汽密度脉动值。

进一步地，所述步骤S2中预测基准日的作物系数的计算公式为：

其中，K_c为预测基准日的作物系数，ET_c-EC为涡度相关系统实测值；

并设定农田作物在未来设定时间内的作物系数与预测基准日的作物系数相同。

进一步地，所述步骤S3中对训练集和测试集数据进行预处理具体为：

采用双曲正切变换函数，根据训练集和测试集中样本数据测量值的最大值和最小值的权重对样本数据测量值进行标准化处理，表示为：

其中，X'为标准化处理后的样本数据测量值，X为样本数据测量值，X_max、X_min分别为样本数据测量值的最大值和最小值。

进一步地，所述步骤S4具体为：

构建包含输入层、隐藏层和输出层三层拓扑结构的前馈神经网络模型，并设定BP神经网络中输入层包含4个神经元、隐藏层包含10个神经元、输出层包含1个神经元。

本发明具有以下有益效果：

本发明考虑作物系数动态变化和降雨因素对农田作物蒸散量短期预测的影响，建立考虑作物系数动态变化和降雨影响的前馈神经网络模型，并利用涡度相关法实测的蒸散量作为实测值对模型进行训练优化，有效构建了农田参考作物蒸散量与其驱动因素之间的非线性关系，据此可以得到更符合作物实际生长状况的作物蒸散量，为农田下垫面的未来水分管理提供科学依据。。

附图说明

图1为本发明考虑作物系数动态变化与降雨的农田蒸散量短期预测方法流程示意图；

图2为本发明实施例中本发明与多元线性回归模型的预测值与实测值对比图；

图3为本发明实施例中本发明与多元线性回归模型的预测值与实测值验证结果图。

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。

如图1所示，本发明实施例提供了一种考虑作物系数动态变化与降雨的农田蒸散量短期预测方法，包括以下步骤S1至S5：

S1、获取农田作物生长环境的气象数据，所述气象数据包括最高气温、最低气温、日照时数和降雨量；

在本实施例中，本发明以北京市大兴区为研究区对相关数据进行说明。北京市大兴区(39°26′-39°51′N，116°13′-116°43′E)位于华北平原北部永定河冲击平原，总面积为1031km2，属于温带半湿润季风气候，多年平均气温为12.1℃。多年年平均降雨量为540mm，7月和9月降雨较多，降雨量占全年降雨总量的80％以上。北京市大兴试验站下垫面主要为农田，包括玉米/小麦、大豆，其中以玉米和小麦轮作为主，冬小麦整个生育期为260天左右(10月1日-次年6月30日)，在正常年份冬小麦需补充灌溉，以保证作物对水分的需求。夏玉米生长期约90天左右(7月1日-9月30日)，夏玉米全生育期不灌水。研究区作物生长阶段不存在水分胁迫。从试验站的气候及下垫面条件与大兴地区对比分析，试验站具有较好的典型性。

本发明在中国气象科学共享服务网收集了2015-2017年的历史气象数据，在天气网收集了2018年-2019年的1d～7d预见期逐日天气预报数据。历史气象资料数据包括：气压P_a、风速U、最高气温T_max、最低气温T_min、平均相对湿度RH、日照时数n、降雨量P等。天气预报数据及信息包括：最高气温T_max、最低气温T_min、天气情况等。

本发明根据降雨对地面的影响而引起的各种现象，按照降雨量等级表估计降雨共分11等级。再根据天气预报的降雨预报信息确定降雨量值。降雨量等级表如表1所示。

表1 降雨量等级表

本发明中日照时数是指太阳每天垂直于其光线的平面上的辐射强度超过或者等于120w/m2的时间长度。根据地区地理位置参数，一年中每天的辐射R_a可以由太阳常数、太阳倾斜角等计算出，计算公式为：

其中，R_a为辐射，c为光速，G_sc为太阳常数、d_r为太阳与地球相对距离，W为太阳倾角，h为当地纬度，采用弧度单位；k_s为日落时角。

S2、根据预测基准日的参考作物蒸散量和农田实测蒸散量计算预测基准日的作物系数；

在本实施例中，为了得到预测基准日较为精确的参考作物蒸散量，本发明基于气象数据利用(Penman-Monteith)PM法计算预测基准日的参考作物蒸散量，计算公式为：

其中，ET₀为参考作物蒸散量，Δ为饱和水汽压曲线斜率，Rn为地表净辐射，G为土壤热通量，γ为干湿常数，T_mean为日平均温度，u₂为设定高度位置风速，具体为2米高处的风速，e_s为饱和水汽压，e_a为实际水汽压。

本发明采用涡度相关系统(Campbell Scientific Inc.,USA)测定预测基准日的农田实测蒸散量，计算公式为：

其中，w′为垂直风速脉动量，q′为水汽密度脉动值。

上述涡度相关系统由CSAT3型三维超声风速仪、LI7500 CO2/H2O开路气体分析仪、HMP45C空气温湿度传感器和CR5000型数据采集器等组成。净辐射Rn由CNR4净辐射传感器测定，土壤热通量G由两块位于地表以下2cm处的HFP01土壤热通量板测定，全部测定项均取30min的平均值作为每次记录值，日蒸散量由24h数据累计得到。在涡度相关实际数据处理过程中，依据以下原则对异常数据进行剔除：①降水时段以及前后各1h的数据；②明显超出物理含义的数据；③传感器状态出现异常的数据。此外，通过计算日内波文比修正潜热通量来消除能量不闭合引起的误差。

本发明根据上述方法得到的预测基准日的参考作物蒸散量和农田实测蒸散量计算预测基准日的作物系数，表示为：

其中，K_c为预测基准日的作物系数，ET_c-EC为涡度相关系统实测值；

并设定农田作物在未来设定短期时间内的作物系数与预测基准日的作物系数相同，具体设定未来1～7天内的作物系数与预测基准日的动态作物系数相同，即K′_c-var1＝K_c＝K′_c-var2……＝K′_c-var7。

由于预测基准日的作物系数既能反应气象数据对蒸散量影响，也能反映作物种类、土壤水肥条件和田间管理水平对蒸散量的影响，因此本发明通过考虑预测基准日的作物系数对农田作物蒸散量短期预测的影响，构建农田作物蒸散量短期预测能够更准确的预测农田作物蒸散量，从而实现对农田作物蒸散量的短期精准预测。

S3、根据步骤S1获取的气象数据和步骤S2中农田实测蒸散量及计算的作物系数，分别构建训练集和测试集，并对训练集和测试集数据进行预处理；

在本实施例中，由于步骤S1获取的2015年～2019年气象数据中一部分气象数据可能是因环境干扰、人为操作而不存在或不正常，因此本发明对获取的气象数据进行筛选后最终得到了900组数据集。每个训练样本从选取2015-2017年的3月-9月历史气象数据中随机选取100组数据作为训练集，从2018-2019年3月-9月历史气象预报数据中随机选取100组数据作为验证集。

由于数据集中多种数据的量纲不同，量值较大，因此本发明需要对训练集和测试集数据进行预处理；具体而言，即对数据量值进行标准化，从而避免过度训练，提高某些层的神经节点数的收敛程度和计算速度，提高计算精度。

本发明采用双曲正切变换函数，根据训练集和测试集中样本数据测量值的最大值和最小值的权重对样本数据测量值进行标准化处理，表示为：

其中，X'为标准化处理后的样本数据测量值，X为样本数据测量值，X_max、X_min分别为样本数据测量值的最大值和最小值。

通过对样本数据测量值进行标准化处理，可以将样本数据测量值标准化到[-1,1]的范围内，从而显示出最大非线性特征。

S4、建立考虑作物系数动态变化和降雨影响的前馈神经网络模型，并利用训练集数据对模型进行训练优化；

在本实施例中，BP模型建模包括二个阶段：预处理(包括变量选择、数据分割和数据规范化)、训练(包括体系结构和网络训练过程)。BP上一层各神经元通过传递函数实现对下一层各神经元的全连接，同层神经元之间无关联。当学习样本提供给神经网络后，神经网络首先进行正向传播过程。如果输出与目标输出之间误差超出预期，该正向传播过程转入反向传播过程，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，使得误差信号减小。随着这种误差反向传播修正不断进行，网络对输入模式响应正确率不断提高，最终达到可以应用精度。

本发明根据以下公式计算得到隐含层单元数设置范围为3～12，计算公式为：

其中，J为隐含层单元数，A为输入层单元数；B为输出层单元数；K为常数，取值1～10。

由于输入输出的神经元数量是由目标决定的，连接方式也是固定的，所以结构主要取决于隐含层神经元的数量。隐藏节点太少会影响网络的功能，而隐藏节点太多则会导致网络对数据的过度适应。因此本发明设定最佳BP神经网络架构4-10-1，即BP神经网络中输入层包含4个神经元、隐藏层包含10个神经元、输出层包含1个神经元；并设定训练的学习率和迭代分别为0.1和5000。

本发明利用训练集数据作为输入变量训练考虑作物系数动态变化和降雨影响的前馈神经网络模型，并以涡度相关法计算预测基准日的农田实测蒸散量为输出变量，经过多次迭代训练，最终得到优化后的前馈神经网络模型。

S5、利用步骤S4优化后的前馈神经网络模型根据测试集数据预测农田作物蒸散量。

为了验证本发明的考虑作物系数动态变化和降雨影响的前馈神经网络模型的预测效果，本发明将考虑作物系数动态变化和降雨影响的前馈神经网络模型与多元线性回归模型(MLR)进行比较，并采用平均绝对误差MAE、均方根误差RMSE、决定系数R²和预报准确率ACC来评估模型的预测精度。

上述评价参数的计算公式为：

其中，x_i为农田作物蒸散量预测值，y_i为农田参考作物蒸散量期望输出值，；i为预报样本序列，i＝1,2，…,n；

为预测值和期望输出值序列的均值；n为预报值的样本数。ACC可对单个模型的外部预测能力是否达到统计所需精度给出度量，该值越接近于1，表示预测值与实测值越吻合，一般认为ACC>0.6时模型才有实际预测价值。

如图2和图3所示，为本发明考虑作物系数动态变化和降雨影响的前馈神经网络模型与多元线性回归模型的预测值与实测值变化趋势对比图。从图中可以看出，这两种方法预测值与实测值的变化趋势基本一致，但是本发明考虑作物系数动态变化和降雨影响的前馈神经网络模型的预准确率较高，各项误差均较小，也证明了本发明在反映复杂非线性关系的优越性。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (3)

1.一种考虑作物系数动态变化与降雨的农田蒸散量短期预测方法，其特征在于，包括以下步骤：

S1、根据气象预报数据获取农田作物生长环境的气象数据，所述气象数据包括最高气温、最低气温、日照时数和降雨量；

S2、根据预测基准日的参考作物蒸散量和农田实测蒸散量计算预测基准日的作物系数，具体为：

采用彭曼算法计算预测基准日的参考作物蒸散量，计算公式为：

其中，ET₀为参考作物蒸散量，Δ为饱和水汽压曲线斜率，Rn为地表净辐射，G为土壤热通量，γ为干湿常数，T_mean为日平均温度，u₂为设定高度位置风速，e_s为饱和水汽压，e_a为实际水汽压；

采用涡度相关法计算预测基准日的农田实测蒸散量，计算公式为：

其中，w′为垂直风速脉动量，q′为水汽密度脉动值；

根据预测基准日的参考作物蒸散量和农田实测蒸散量计算预测基准日的作物系数，计算公式为：

其中，K_c为预测基准日的作物系数，ET_c-EC为涡度相关系统实测值；

并设定农田作物在未来设定时间内的作物系数与预测基准日的作物系数相同；

S3、根据步骤S1获取的气象数据、步骤S2中农田实测蒸散量及计算的作物系数，分别构建训练集和测试集，并对训练集和测试集数据进行预处理；

S4、建立考虑作物系数动态变化和降雨影响的前馈神经网络模型，并利用训练集数据对模型进行训练优化；

S5、利用步骤S4优化后的前馈神经网络模型根据测试集数据预测农田作物蒸散量。

2.根据权利要求1所述的考虑作物系数动态变化与降雨的农田蒸散量短期预测方法，其特征在于，所述步骤S3中对训练集和测试集数据进行预处理具体为：

采用双曲正切变换函数，根据训练集和测试集中样本数据测量值的最大值和最小值的权重对样本数据测量值进行标准化处理，表示为：

其中，X'为标准化处理后的样本数据测量值，X为样本数据测量值，X_max、X_min分别为样本数据测量值的最大值和最小值。

3.根据权利要求1所述的考虑作物系数动态变化与降雨的农田蒸散量短期预测方法，其特征在于，所述步骤S4具体为：

构建包含输入层、隐藏层和输出层三层拓扑结构的前馈神经网络模型，并设定BP神经网络中输入层包含4个神经元、隐藏层包含10个神经元、输出层包含1个神经元。

Images