[发明专利]一种基于PCA与L-M算法的参考作物腾发量的计算方法

说明书

本发明提出一种基于PCA与L‑M算法的参考作物腾发量的计算方法，用于解决现有参考作物腾发量的计算输入项较多，计算复杂的技术问题。其步骤为：首先，获取研究区域的历史气象数据，通过水文频率分析筛选出典型年份；其次，通过PCA统计方法提取典型年份的历史气象数据的综合指标；然后，利用L‑M算法对综合指标进行训练处理，得到基础网络；最后，利用基础网络计算待求时间段的参考作物腾发量，并判断该基础网络的模拟精度。本发明通过PCA统计方法对多元气象数据进行特征提取并降维，采用L‑M算法对提取后的综合指标进行训练处理得出参考作物腾发量，极大的简化了计算过程，拓展了计算蒸散发的理论基础，为研究蒸散发乃至水循环提供了理论支撑。

技术领域

本发明涉及水资源高效利用和水资源优化配置管理领域，特别是指一种基于PCA与L-M算法的参考作物腾发量的计算方法。

背景技术

参考作物腾发量(ET₀)是水文学的一个基础性概念，主要用于作物需水量计算，对于农业节水灌溉和农田水分管理具有重要作用。ET₀除了用于灌区和田间的用水调度管理，对农业水土资源平衡及水资源优化配置的研究也具有重要意义。同时也是监测全球农业气候变化，生态环境恶化及全球干旱变化情况的一项重要指标。

作物蒸散发量很难直接测定，只能通过间接方式计算获得，作物蒸散发量的计算关键在于参考作物腾发量(ET₀)的计算。国际比较常见的ET₀计算方法主要包括PenmanMonteith方程、Priestley-Taylor模型、Hargreaves公式以及神经网络模型。国内外学者研究表明ET₀与气象因素存在相关性较强且较复杂的非线性关系，应用较多且较为成熟的是Back-Propagation(简称BP)神经网络。研究发现，采用实测的气象数据资料作为神经网络输入项，通过误差反向传播可以实现ET₀的模拟与预测，多项研究表明，通过神经网络模型对ET₀的模拟与预测精度是可靠的。但同时也发现，在使用神经网络模拟预测ET₀时需要输入较多气象因子，这些气象因子存在较大的相关性，部分信息重叠，BP神经网络模型在模拟训练时会出现过度拟合，过度训练和泛化能力不足等问题。但又因为有些因子之间存在不可替代性，若强行对某些气象因子进行删减，则会导致预测的不准确。L-M算法是在BP神经网络基础上改进的一种算法，计算原理相似，L-M算法在输入项的选择上相对BP神经网络进行了删减，但仍然存在输入气象因子较多，运算过程较复杂等问题。主成分分析是把多个具有相关性的因子简化为少数几个无相关的综合因子，获得的少数几个综合因子包含了原来众多因子的信息，而且综合因子间互不相关，从而达到简便计算，简化降维的目的。

发明内容

针对上述背景技术中存在的不足，本发明提出了一种基于PCA与L-M算法的参考作物腾发量的计算方法，解决了现有参考作物腾发量的计算输入项较多，计算复杂的技术问题，达到简化降维，简便计算的目的。

本发明的技术方案是这样实现的：

一种基于PCA与L-M算法的参考作物腾发量的计算方法，其步骤如下：

步骤一：搜集研究区域气象站点的历史气象数据与气象站点地理信息；

步骤二：通过皮尔逊Ⅲ型频率分布曲线对步骤一获取的历史气象数据进行水文频率分析，分别筛选出枯水年、平水年和丰水年的典型年份；

步骤三：利用Penman-Monteith公式计算步骤二中典型年份对应的历史气象数据和气象站点地理信息的参考作物腾发量ET₀，并作为ET₀验证值；

步骤四：通过PCA统计方法提取典型年份对应的历史气象数据的相互独立的气象数据作为综合指标；

步骤五：对步骤四中提取的综合指标进行归一化处理后作为数据集，并将数据集分为训练样本和验证样本；