[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

说明书

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。

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；