[发明专利]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

权利要求书

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。