余江斌，林劍輝*，高大帥

（北京林業(yè)大學工學院，北京 100083）

基于天氣預報的參考作物蒸發(fā)蒸騰量預測模型

余江斌1，林劍輝1*，高大帥1

（北京林業(yè)大學工學院，北京 100083）

參考作物蒸發(fā)蒸騰量（ET0）是計算作物需水量和進行灌溉預報的基本要素。本文利用天氣預報可測因子和Penman Monteith (PM)公式ET0計算值作為基礎數據，分別建立BP神經網絡模型和ANFIS自適應模糊神經推理系統(tǒng)模型，兩種模型的估算值與PM公式的計算值沒有明顯差異，均表現出顯著的相關性以及整體吻合度。本文對兩種模型取相同的數據樣本進行比較，BP-ET0預測結果的MRE值為32.13%，RMSE為0.134 mm,而R2達到了0.971，說明模型預測精度高，穩(wěn)定性良好。相較于ANFIS-ET0的檢驗結果，BP-ET0模型的均方根誤差更?。?.134 mm/d 〈 0.188 mm/d），表明其預測精度更高；而ANFIS-ET0模型估算值的平均相對誤差明顯小于BP-ET0模型估算值（16.92%〈32.13%），顯示出ANFIS-ET0模型更高的穩(wěn)定性。兩種預測模型的輸入項完全可以從當前短期天氣預報因子中取得而不需要專用測量設備，程序操作簡單，具有實用價值，為實時灌溉預報提供了理論基礎。

參考作物蒸發(fā)蒸騰量（ET0）；BP神經網絡；自適應模糊神經推理系統(tǒng)（ANFIS）；天氣預報因子；灌溉實時預報；Penman Monteith

灌溉實時預報是灌溉實時調度的核心理論技術之一，參考作物蒸發(fā)蒸騰量（ET0）預測精度的高低直接影響灌溉實時預報的準確度，是計算作物需水量和進行灌溉管理的主要依據[1]。目前，逐日ET0的計算模型主要是采用FAO推薦的Penman Monteith (PM)公式，它是現今確定和計算逐日ET0比較精確且應用最多的方法[2-4]。但PM公式計算時需要很多氣象數據，包括最高氣溫、最低氣溫、相對濕度、輻射（或日照時數）和風速等，應用時受到一定程度的限制[1]。因此，李彥等[5]應用多元線性回歸法建立預測模型，運用日平均氣溫、日照時數、風速和相對濕度來預測ET0，雖然能夠達到較高的預測精度，但是氣象數據的獲取還是相對繁瑣，不具有實用性。在此基礎上，國外學者Reynolds等[6]考慮到ET0的計算模型都是基于歷史時間序列分析，根據歷史ET0變化過程預測未來的ET0，認為采用數值天氣預報數據（氣溫，相對濕度等）來進行ET0預報或估算正成為一種趨勢，并且能達到更高的預測精度。其中Black等[7]使用這一思路在ET0的預測上做了相關研究，結果表明，根據數值天氣預報數據進行ET0的估算具有高精度和低數據維度的優(yōu)點，表現出很高的可行性。上述已有研究中，采用數值天氣預報數據進行ET0的估算已經很常見[8-11]，但是結合天氣預報信息（天氣狀況和風力狀況等）進行ET0預報并不多見，相關研究表明天氣預報信息對ET0的估算精度有一定的影響[12-14]。因此，本研究以天氣預報可測因子為基礎，可測因子包括天氣狀況、最高、最低氣溫和風力狀況等[15]，建立BP神經網絡模型和自適應模糊神經推理系統(tǒng)模型（ANFIS）估算逐日ET0，對兩種模型的預測結果進行分析，為逐日ET0實時預報尋求捷徑和提高預報精度，同時為有效優(yōu)質的實時灌溉預報提供依據。

1 材料與方法

1.1 數據資料

試區(qū)在中國農業(yè)大學石羊河流域試驗站，試驗站位于甘肅省武威市（102°50'E，37°52'N），海拔1 580 m，氣候類型為溫帶大陸性氣候，年平均氣溫為7.8 ℃；四季降水較少，年降水量為60-610 mm。本研究以武威市1997年至1998年的天氣預報可測因子和ET0公式計算值作為輸入輸出量進行BP神經網絡的模型訓練，并用1999年的相應數據進行模型檢驗；另一方面，本研究以2014年11月至2015年5月的天氣預報可測因子和ET0公式計算值作為輸入輸出量進行ANFIS模型訓練，逐月選擇3 d相應數據進行ANFIS模型檢驗，并以此數據進行兩種模型的對比研究，本文ET0的計算值均是通過FAO Penman-Monteith (PM)公式計算得出。

1.2 BP神經網絡模型

BP神經網絡是一種多層前饋神經網絡，包括輸入層、隱含層和輸出層，相鄰兩層間單向鏈接，基本處理單元為非線性輸入輸出關系，一般使用Sigmoid函數或線性函數作為傳遞函數[16]。BP神經網絡采用誤差反向傳播算法進行學習，在網絡中數據從輸入層經隱含層逐層向后傳播，訓練網絡權值時，則沿著減少誤差的方向，從輸出層經過中間各層逐層向前修正網絡的連接權值[16]。隨著學習的不斷進行，最終的誤差越來越小[16]。基本結構見圖1。

圖1 BP神經網絡結構Fig. 1 BP Neural network architecture

1.2.1 系統(tǒng)輸入輸出項選擇 根據1997-1999年逐日氣象因子（最高氣溫、最低氣溫、相對濕度、輻射（或日照時數）和風速）與ET0計算值的相關分析，發(fā)現日最高氣溫項（r =0.76）、太陽輻射項（日照時數，r =0.69）和風速（r =0.49）線性相關性相對較高，日常天氣預報中的天氣狀況信息往往是由太陽輻射所決定，因此天氣狀況可以按照太陽輻射進行解析[16]，但由于獲取的1997-1999年逐日天氣預報數據缺少天氣狀況信息，所以選擇日最高氣溫項和風速狀況的量化指標即風力等級（通過對試驗地區(qū)1997-1999年逐日風速的統(tǒng)計，整個統(tǒng)計周期最高風速等級只能達到4級，所以本文風力等級范圍取0至4）作為模型的輸入變量，輸出項是ET0的值。風力狀況量化指標見表1[12]。

表1 風力狀況量化指標Table 1 Quantitative indicators of wind conditions

1.2.2 系統(tǒng)構建 本文構建的BP-ET0模型為輸入層、一個隱含層和輸出層，共三層。隱含層的傳遞函數選擇的是Tan-Sigmoid傳輸函數[16]（見公式1）；輸出層選擇的是線性函數，通過多次訓練確定隱含層節(jié)點數為10，即網絡模型的拓撲結構為2-10-1。

式中：n表示神經元節(jié)點對隱含層的輸入，tansig(n)表示隱含層的輸出。訓練的參數設定為：最小學習速率為0.01，最大允許誤差為0.001，最大迭代次數為1 000次。在滿足目標精度要求或者達到最大迭代次數時，訓練自動停止。1.3 自適應模糊神經推理系統(tǒng)（ANFIS）

自適應模糊推理算法是模糊邏輯與神經網絡的結合物，既有模糊邏輯適于表示人的定性或模糊的經驗和知識的特點，又有神經網絡自適應、自學習機制[17]。實質是使用神經網絡中的反向傳播算法或者混合最小二乘估計的反向傳播算法，對給定的一組輸入/輸出數據集進行學習來調整FIS(模糊推理系統(tǒng))中變量的隸屬度函數的形狀參數[17]。圖2是典型的一階兩輸入/一輸出ANFIS結構[17]。

圖 2 具有兩個輸入一個輸出的ANFIS結構Fig. 2 ANFIS architecture for a two-input, two-rules first-order Sugeno model

1.3.1 系統(tǒng)輸入輸出項選擇 由于1997至1999年獲取的天氣預報可測因子數據缺少天氣狀況信息，所以本文選擇2014年11月至2015年5月的數據進行訓練檢驗。根據數據集逐日氣象因子（最高氣溫、最低氣溫、相對濕度、輻射（或日照時數）和風速）與ET0計算值的相關分析，發(fā)現類似于1.2.1節(jié)所述，日最高氣溫、太陽輻射以及風速線性相關性較高，而天氣狀況可以按照太陽輻射進行解析，所以選擇日最高氣溫、風力狀況以及天氣狀況作為模型的輸入變量，輸出項是ET0的值。

1.3.2 系統(tǒng)構建 根據常規(guī)天氣預報，將天氣狀況分為晴、晴間多云、多云間陰、陰和雨（包括雨水等降水）5種情況。為了將一般語言與模糊推理結合起來，分別將這5種情況對應阿拉伯數字5-1，以便在模糊系統(tǒng)中進行模糊推理。風力狀況根據表1給出的量化方法，同樣分為5種情況對應阿拉伯數字0-4。最高氣溫項根據2014年11月至2015年5月逐日數據分析和整理，得到其基本特征和模糊設置。表2是輸入項三變量模糊設置。

輸入隸屬度函數采用高斯（正態(tài)）分布函數，輸出量隸屬函數選擇線性函數。高斯分布是統(tǒng)計中最為常用的函數，他在模糊邏輯中具有非常重要的地位。高斯（正態(tài)）分布函數的表達式為：

表 2 ET0-ANFIS推理系統(tǒng)輸入項模糊設置Table 2 Fuzzy set of input items of ET0-ANFIS inference system

式中：c表示均值；σ表示方差；x表示隸屬度函數的輸入；y表示隸屬度函數的輸出。其中方差（σ）和均值（c)決定了高斯函數的形狀：c決定了峰值點的位置，σ決定了函數曲線的舒展程度[17]。本文使用matlab模糊工具箱提供的圖像化工具函數anfisedit[18]對ANFIS進行訓練和檢驗，其中通過減法聚類的方法自動生成初始模糊推理系統(tǒng)，采用hybrid混合法訓練，誤差閾值設為0，訓練周期為30。

2 結果與分析

本文的模型訓練與檢驗結果均以平均相對誤差(MRE)、均方根誤差(RMSE)以及決定系數(R2)作為考察指標。其中平均相對誤差反映模型的穩(wěn)定性，誤差越小，穩(wěn)定性越好；均方根誤差以及決定系數反映模型的預測精度[19]，均方根誤差越小且決定系數越接近于1，表明該模型預測精度越高。

2.1 BP-ET0模型結果與分析

圖3至圖6分別是BP-ET0模型的訓練結果與檢驗結果和使用PM公式計算結果的比較，其中圖3是模型訓練結果的ET0兩年內變化曲線，圖5是PM計算值與BP估算值的線性相關分析圖。從模型訓練結果的年內變化來看，ET0基本變化規(guī)律每年之間基本類似，即從1月到6月逐漸增大，6月為各月中的最大值，7月至12月逐漸減?。槐容^PM計算值與BP估算值年內變化差異，可以看出從5月至7月間和8月至9月間，兩種計算方法的差異相對偏大，其中5-6月MRE為25.45%，8-9月MRE為30.12%；而12月至二月間，兩種計算方法的結果比較接近，MRE為10.32%，從ET0的年內數據波動幅度來看，波動幅度較大的時期主要集中在4月到8月之間，這種大的起伏可能是年內氣象因素階段影響造成的。對于總體的訓練結果而言，MRE為17.68%，RMSE為0.466 mm/d，而R2達到了0.919，說明模型訓練結果的預測精度較高，穩(wěn)定性好（見表3）。

圖4和圖6分別是模型檢驗結果的ET0變化曲線和線性相關圖，從年內變化差異來看與訓練結果基本類似，同樣是5-7月和8-9月差異較大，MRE分別為24.12%和31.25%，而12月至2月PM計算值與BP估算值結果很接近，沒有太大偏差，MRE為9.71%。數據起伏較大同樣集中在4-8月。從檢驗數據的總體結果而言（表3），檢驗結果相關性相比訓練結果稍小，但是仍然達到了較高的相關性，但MRE相比訓練結果更小，說明通過BP模型訓練之后其預測相對誤差更小，結果更加可靠?？傮w而言，BP-ET0模型的預測效果較好，能夠達到較高的預測精度以及穩(wěn)定性。2.2 ANFIS-ET0模型結果與分析

圖3 1997-1998年內ET0變化過程Fig. 3 Change process of ET0during 1997-1998

圖4 1999年內ET0變化過程Fig. 4 Change process of ET0during 1999

圖5 PM與BP訓練結果的相關分析Fig. 5 Correlation analysis between PM and BP training results

圖6 PM與BP檢驗結果的相關分析Fig. 6 Correlation analysis between PM and BP testing results

表 3 BP-ET0模型訓練與檢驗結果的統(tǒng)計參數Table 3 Statistic parameters of BP-ET0training and testing results

根據模型輸入輸出項的結果分析和相應專家知識，推理系統(tǒng)共產生5×5×5=125個模糊規(guī)則。通過訓練之后模型定義的輸入項日最高氣溫、天氣狀況以及風速狀況的隸屬度函數見圖7，圖中模糊設置（VB、BAD、MED、LOW等）具體含義見表2。

圖8到圖11分別是ANFIS-ET0模型訓練與檢驗的數據結果分析圖，圖8和圖9是ET0變化曲線，圖10和圖11是二者的線性相關分析圖；其中訓練數據選擇的是2014年11月至2015年5月的ET0數據；檢驗數據取每個月10，20，30（二月取28日）日的ET0數據，共18個數據點。從訓練結果的ET0變化曲線來看，11月至5月預測值與PM計算值都是在逐月增大；而從ET0的差異性變化來看，前四個月ET0的預測值與PM計算值誤差較小，MRE為12.24%，后兩個月的誤差稍大，MRE為37.78%，而且3月至5月間，ET0的起伏較大。究其原因，本文認為由于ANFIS算法的模糊推理規(guī)則是以年為周期進行設計的，是認為年內無差異的，才會造成不同月份季度之間的差異。如果在此基礎上針對地區(qū)差異，年內分階段進行系統(tǒng)設計，可以減小這種誤差。而對訓練結果進行整體分析，其中MRE為24.20%，RMSE為0.277 mm/d，而R2達到了0.917（見表4），說明模型訓練結果的預測精度高，穩(wěn)定性好。對于檢驗結果，觀察所選取的18個數據點，會發(fā)現第16個數據點預測值和PM計算值差異明顯并且相比第15個數據點數值大小有大幅的跳躍，而這與訓練結果的4月至5月相對誤差較大、起伏明顯的特點相吻合，說明驗證結果與訓練結果類似，整體的數據分析結果相比訓練結果，相關性更高、相對誤差更?。ㄒ姳?）?？傮w而言，ANFIS-ET0模型的預測效果較好，能夠達到較高的預測精度以及穩(wěn)定性。

圖7 訓練后推理系統(tǒng)輸入量的隸屬度函數Fig.7 Membership functions defined after training for the input variables

表 4 ANFIS-ET0模型訓練與檢驗結果的統(tǒng)計參數Table 4 Statistic parameters of ANFIS-ET0training and testing results

2.3 模型比較

圖8 2014/11至2015/5時段內的ET0變化過程Fig. 8 Change process of ET0 during 2014/11-2015/5

采用上述ANFIS-ET0模型的檢驗數據作為模型比較樣本，將2014年11月至2015年5月逐月10、20以及30日（二月取28日）的風力狀況以及日最高氣溫作為BP-ET0模型的輸入量，ET0作為輸出量，并將輸出結果與ANFIS-ET0的檢驗結果進行比較，對PM-ET0計算值與兩種模型的預測結果進行匯總對比，其中圖12是三者的ET0變化曲線，圖13是線性相關分析圖。從圖12可以看出三者的變化趨勢基本類似，從ET0的值來看，總體BPET0的估算值要略大，BP-ET0預測結果的MRE值為32.13%，RMSE為0.134 mm,而R2達到了0.971，說明模型預測精度高，穩(wěn)定性良好。相較于ANFISET0的檢驗結果（見表4），BP-ET0模型的均方根誤差更?。?.134 mm/d〈0.188 mm/d），表明其預測精度更高；而ANFIS-ET0模型估算值的平均相對誤差明顯小于BP-ET0模型估算值（16.92% 〈 32.13%），顯示出ANFIS-ET0模型更高的穩(wěn)定性。

圖9 逐月10、20、30日的ET0變化過程Fig. 9 Change process of ET0Monthly 10, 20, 30

圖10 PM與ANFIS訓練結果的相關分析Fig. 10 Correlation analysis between PM and ANFIS training results

圖11 PM與ANFIS檢驗結果的相關分析Fig. 11 Correlation analysis between PM and ANFIS testing results

3 討論

針對本文提出的BP-ET0以及ANFIS-ET0模型，分別與前人建立的預測模型進行比較，均表現出類似的預測精度與穩(wěn)定性。

圖12 ET0變化過程對比圖Fig. 12 Comparison of ET0change process

圖13 模型相關性比較Fig. 13 Comparison of model correlation

將本文建立的BP-ET0模型與彭世彰等[20]建立的BP神經網絡模型進行比較，針對訓練樣本，彭世彰等建立的模型訓練結果中決定系數為0.966略高于本文的0.919，平均相對誤差為11.2%低于本文的17.7%，但總體來說沒有太大差異，檢驗樣本也有類似的結果。并且本文的訓練樣本為兩年的逐日氣象數據，檢驗樣本為一年的氣象數據，在樣本容量上相比彭世彰等[20]建立模型所用的一年訓練樣本，兩個月的檢驗樣本要更大，訓練結果也更具可靠性；另一方面，彭世彰等[20]在建立模型時使用的模型輸入維度比本文要大，增加了日序數這一輸入變量，結果表明日序數在ET0預測模型中起到了一定的作用，后續(xù)研究可以借鑒將此氣象因子考慮到模型當中。

本文建立的ANFIS-ET0模型與蔡甲冰等[17]建立的ANFIS模型進行比較，由于本文除了將天氣狀況和日最高氣溫作為模型輸入，還在蔡甲冰等的基礎上增加了風力狀況這一重要變量，所以模型訓練的結果要明顯優(yōu)于蔡甲冰等的訓練模型。其中本文的決定系數為0.948，相關性高于蔡甲冰等建立的ANFIS模型(R2=0.699)[17]，平均相對誤差也更小，表明本文建立的ANFIS-ET0模型具有更高的預測精度。

與前人建立的基于相同算法的模型比較，本文建立的模型均具有相當的預測精度。在此基礎上，本文將建立的BP-ET0、ANFIS-ET0模型與李彥等[5]建立的多元線性回歸模型進行比較：李彥等建立的多元線性回歸模型是以日平均氣溫、日照時數、風速和相對濕度作為模型的輸入，模型訓練的結果中相關性分析為R2=0.937，低于本文所建立的模型；其模型檢驗結果中，PM計算值與預測值沒有明顯偏差，可能與檢驗數據集的數據點選擇有關，誤差相比本文更小，但其選取的模型輸入因子都是很難從天氣預報中獲取的氣象數據，因此其實用性相較本文略差，本文選取的輸入因子都是天氣預報基本參數，實用性更強。

在傳統(tǒng)的模型擬合算法的基礎上，也有部分學者應用了神經網絡之后機器學習的新熱點—支持向量機（SVM）來建立預測模型，張展羽等[12]建立了基于天氣預報的LS-SVM預測模型，文中對天氣預報可測因子作為模型輸入的不同組合方式進行了比較與訓練，最終建立了基于氣溫、天氣類型和風速等級三個輸入量的LS-SVM模型，輸入量與本文選擇的相同，但相關系數R2=0.965略低于本文建立的兩種預測模型，均方根誤差RMSE=0.518 mm也比本文誤差更大；但其建立的SVM模型預測速度更快，降低了預測模型的復雜度，后續(xù)研究可以有所借鑒。

由于本研究所用模型的訓練樣本不同，對模型比較結果的可信度會有影響，所以下一步研究需要在模型樣本上統(tǒng)一，提高模型的可靠性。

4 結論

本研究使用BP神經網絡模型與ANFIS自適應模糊神經推理系統(tǒng)模型估算ET0，以天氣預報可測因子作為模型的輸入量，與PM公式相比雖然減少了輸入因子，但模型的訓練與檢驗結果表明，兩種模型均能達到較低的預測誤差并保證高相關性。通過對兩種模型的對比，BP神經網絡模型的預測精度相對更高，而從穩(wěn)定性上而言，ANFIS模型的穩(wěn)定性有明顯的優(yōu)勢；通過與前人預測模型的比較,表明本文建立的預測模型具有一定的可靠性。

本研究結果表明：兩種模型在根據天氣預報可測因子預測ET0具有可行性，能達到較高的預測精度，對缺少氣象站地區(qū)的實時灌溉預報方法提供了理論基礎；該模型操作簡單，所需氣象參數少，相較于根據PM公式計算的獲取方式，可以通過將模型移植到便攜式設備上（如手機終端），從而投入實際農業(yè)灌溉預報的應用。

[1] 遲道才, 王曉渝, 張瑞, 等. 基于天氣預報估算參考作物蒸發(fā)蒸騰量的預測模型比較[J]. 沈陽農業(yè)大學學報, 2008, 39(4): 455-458. Chi D C, Wang X Y, Zhang R, et al. Real-time ETo forecasting by synoptial report[J]. Journal of Shenyang Agricultural University, 2008, 39(4): 455-458.

[2] 顧世祥, 何大明. 逐日參照騰發(fā)量預測的改進方法[J]. 水利學報, 2005, 36(11): 1292-1297. Gu S X, He D M. Improved method for daily evapotranspiration prediction[J]. Journal of Hydraulic Engineering, 2005, 36(11): 1292-1297.

[3] 佟玲, 康紹忠. 區(qū)域作物耗水時空分布影響的研究進展[J]. 節(jié)水灌溉, 2004(1): 3-6. Tong L, Kang S Z. Advance in research on the impact of spatial and temporal distribution on regional crop evapotranspiration[J]. Water Saving Irrigation, 2004(1): 3-6.

[4] 胡順軍, 康紹忠. 阿拉爾灌區(qū)參考作物潛在騰發(fā)量的變化特征及相關性分析[J]. 灌溉排水學報, 2004, 23(6): 59-61. Hu S J, Kang S Z. Characteristics and dependence analysis reference crop evapotranspiration in Alaer irrigated area in Tarim River Basin[J]. Journal of Irrigation and Drainage, 2004, 23(6): 59-61.

[5] 李彥, 陳祖森, 張寶, 等. 參考作物蒸發(fā)蒸騰量的多元線性回歸模型研究[J]. 新疆農業(yè)大學學報, 2005, 28(1): 70-72. Li Y, Chen Z S, Zhang B, et al. Study on the method of reference crop evapotranspiration by dependence analysis[J]. Journal of Xinjiang Agricultural University, 2005, 28(1): 70-72.

[6] Reynolds A G, Niu L X, Christiane D S. Use of electrical conductivity to assess irrigation impacts on grapevine winter hardiness[J]. International Journal of Fruit Science, 2014, 14(3): 267-283.

[7] Black T A, Gardner W R, Thurtell G W. The prediction of evaporation, drainage, and soil water storage for a bare soil[J]. Soil Science Society of American Journal, 1969, 33(5): 655-660.

[8] 霍再林, 史海濱, 陳亞新, 等.內蒙古地區(qū)ET0時空變化與相關分析[J]. 農業(yè)工程學報，2004, 20(6): 60-63. Huo Z L, Shi H B, Chen Y X, et al. Spatio-temporal variation and dependence analysis of ET0in north arid and cold region[J]. Transactions of the Chinese Society of Agricultural Engineering, 2004, 20(6): 60-63.

[9] 吳普華, 牛文全. 節(jié)水灌溉與自動化控制技術[M]. 北京: 化工工業(yè)出版社, 2002. Wu P H, Niu W Q. Water Saving Irrigation and Automatic Control Technology[M]. Beijing: Chemical Industry Press, 2002.

[10] 李遠華, 羅金耀. 節(jié)水灌溉理論與技術[M]. 湖北: 武漢大學出版社, 2003. Li Y H, Luo J Y. Theory and Technology of Water Saving Irrigation[M]. Hubei: Wuhan University Press, 2003.

[11] 劉鈺, Periera L S. 氣象數據缺測條件下參照騰發(fā)量的計算方法[J].水利學報, 2001(3): 11-17. Liu Y, Periera L S. Calculation methods for reference evapotranspiration with limited weather data[J]. Journal of Hydraulic Engineering, 2001(3): 11-17.

[12] 張展宇, 王聲峰, 段愛旺, 等. 基于天氣預報的參考作物蒸發(fā)量的LS-SVM預測模型[J]. 水科學進展, 2010, 21(1): 63-68. Zhang Z Y, Wang S F, Duan A W, et al. Least squares support vector machines model for predicting reference evapotranspiration based on weather forecasts[J]. Advances in Water Science, 2010, 21(1): 63-68.

[13] 趙琪, 羅玉峰, 彭世彰, 等. 基于天氣預報和Penman-Monteith公式的短期逐日參考作物蒸發(fā)量預報[J]. 節(jié)水灌溉, 2014(1):1-4. Zhao Q, Luo Y F, Peng S Z, et al. Short-term daily reference crop evapotranspiration forecast Based on weather forecast and Penman-Monteith Equation[J]. Water Saving Irrigation, 2014(1): 1-4.

[14] 霍再林, 史海濱, 李為萍, 等. 參考作物蒸發(fā)蒸騰量的人工神經網絡模型研究[J]. 沈陽農業(yè)大學學報, 2004, 35(5/6): 436-438. Huo Z L, Shi H B, Li W P, et al. Artificial neural network model for reference evapotranspiration[J]. Journal of Shenyang Agricultural University, 2004, 35(5/6): 436-438.

[15] 段青春, 邱林. 基于混沌遺傳程序設計的參考作物騰發(fā)量預測模型[J]. 水利學報, 2006, 37(4): 499-503. Duan Q C, Qiu L. Model for predicting reference evapotranspiration based on genetic programming with chaos algorithm[J]. Journal of Hydraulic Engineering, 2006, 37(4): 499-503.

[16] 劉丙軍. 基于小波變換的BP神經網絡參考作物騰發(fā)量預測模型[J]. 武漢大學學報, 2007, 40(1): 69-73. Liu B J. Reference crop evapotranspiration forecasting model for BP neural networks based on wavelet transform[J]. Engineering Journal of Wuhan University, 2007, 40(1): 69-73.

[17] 蔡甲冰, 劉鈺, 雷廷武, 等. 根據天氣預報估算參照蒸騰量的模糊神經網絡方法[J]. 農業(yè)工程學報, 2005, 21(12): 108-111. Cai J B, Liu Y, Lei T W, et al. Daily reference evapotranspiration estimation from weather forecast messages-the ANFIS method[J]. Transactions of the Chinese Society of Agricultural Engineering, 2005, 21(12): 108-111.

[18] 聞新, 周露, 李東江, 等. MATLAB模糊邏輯工具箱的分析和應用[M]. 北京: 科學出版社, 2002. Wen X, Zhou L, Li D J, et al. Analysis and Application of MATLAB fuzzy logic toolbox[M]. Beijing, Science Press, 2002.

[19] 孟明, 牛東曉, 孟寧. 基于主成分分析的神經網絡評價模型研究[J]. 華北電力大學學報, 2004, 31(2): 53-56. Meng M, Niu D X, Meng N. Neural network evaluation model based on principal component analysis[J]. Journal of North China Electric Power University, 2004, 31(2): 53-56.

[20] 彭世彰, 魏征, 徐俊增, 等. 參考作物蒸騰量主成分神經網絡預測模型[J]. 農業(yè)工程學報, 2008, 24(9): 161-164. Peng S Z, Wei Z, Xu J Z, et al. Estimation model for reference evapotranspiration by neural network based on principal components[J]. Transactions of the Chinese Society of Agricultural Engineering, 2008, 24(9): 161-164.

（責任編輯：王育花）

Forecast model of reference crop evapotranspiration based on weather forecast

YU Jiang-bin1, LIN Jian-hui1, GAO Da-shuai1
（School of Technology, Beijing Forestry University, Beijing 100083, China）

Reference crop evapotranspiration (ET0) is a basic property to calculate crop water requirement and irrigation scheduling. The weather forecast measurable variables and ET0calculated by Penman Monteith (PM) formula were used as input to develop the BP neural network model and ANFIS adaptive neural fuzzy inference system model. The estimated value of the two models and the ET0calculated by the PM formula was not significantly different, showing signifcant correlation and overall degree of agreement. The two models were compared with the same data samples. The MRE value of BP-ET0prediction was 32.13%, RMSE was 0.134 mm, and R2was up to 0.971, which shows that the model has high prediction accuracy and good stability. Compared with the ANFIS-ET0test results, the root mean square error of BP-ET0model (0.134 mm/d) was smaller than that of ANFIS-ET0model (0.188 mm/d) which means that the prediction accuracy was higher for the former model. The average relative error of the ANFIS-ET0model (16.92%) was less than that of the BP-ET0model (32.13%) which showed higher stability of the ANFIS-ET0model. The input items of the two forecast models can be obtained from the current short-term weather forecast factors without special measuring equipment and the procedure is simple, thus it has high practical value and provides a theoretical basis for real-time irrigation forecasting.

ET0; BP neural network; ANFIS; weather forecast factor; Real-time irrigation forecasting; Penman Monteith

LIN Jian-hui, E-mail: linjianhui@bjfu.edu.cn.

S161.4

A

1000-0275（2017）02-0307-08

10.13872/j.1000-0275.2017.0016

余江斌, 林劍輝, 高大帥. 基于天氣預報的參考作物蒸發(fā)蒸騰量預測模型[J]. 農業(yè)現代化研究, 2017, 38(2): 307-314.

Yu J B, Lin J H, Gao D S. Forecast model of reference crop evapotranspiration based on weather forecast[J]. Research of Agricultural Modernization, 2017, 38(2): 307-314.

北京林業(yè)大學中長期發(fā)展方向立項項目(2015ZCQ- GX-03)；北京市科技計劃項目(Z161100000916012)。

余江斌(1993-)，男，安徽安慶人，碩士研究生，主要從事林業(yè)智能檢測與信息處理方向研究，E-mail：stefenief@bjfu.edu.cn；通訊作者：林劍輝(1978-)，男，福建建甌人，博士，副教授，主要從事林業(yè)生態(tài)信息采集與處理研究，E-mail：linjianhui@bjfu.edu.cn。

2016-10-20，接受日期：2017-01-13

Foundation item: Long-term Development Project of Beijing Forestry University (2015ZCQ-GX-03); Beijing Science and Technology Project (Z161100000916012).

Received 20 October, 2016; Accepted 13 January, 2017