劉凌峰

(遼寧省湯河水庫管理局有限責(zé)任公司，遼寧 遼陽 111000)

0 前 言

作物蒸騰量是指植株在生長(zhǎng)發(fā)育期間的植株蒸騰量與株間蒸騰量的總和，通過計(jì)算作物蒸騰量可預(yù)測(cè)植株生長(zhǎng)發(fā)育的需水總量，因此蒸騰量的精準(zhǔn)預(yù)報(bào)是規(guī)劃灌區(qū)與灌溉用水調(diào)度的基礎(chǔ)[1-2]。不同時(shí)期作物需水量受多種因素影響，如，作物種類、培育條件、土壤濕度等。蒸騰量等于蒸騰系數(shù)(Kc)和參考蒸騰量(ET0)之積，由于當(dāng)水分充足時(shí)各種植株蒸騰系數(shù)幾乎是一個(gè)穩(wěn)定的數(shù)，故，通過預(yù)報(bào)ET0可預(yù)測(cè)騰發(fā)量。ET0的預(yù)報(bào)大體有FAO Penman法、FAO56 Penman—Monteith法、Irmark—Allen擬合法、Priestley—Taylor法以及Hargreaves—Samani法等。各方法的適用范圍不盡相同。其中，Hargreaves—Samani較適合晝夜溫差較小的地區(qū)使用，Irmark—Allen擬合法與Priestley—Taylor法則更適合在相對(duì)濕度較大的地方使用[3-4]。

在多種計(jì)算ET0方法中，F(xiàn)AO推薦的彭曼(PM)公式應(yīng)用較為廣泛，該公式具較高的估算準(zhǔn)確度，閆曉惠等人[5]了基于全球氣候變化模式和Penman-Monteith公式的長(zhǎng)期逐日ET0估算方法， 以溫哥華、加拿大渥太華、溫尼伯等地區(qū)為例，最終表明了這種模型得到的估算值與實(shí)際基本符合。但該方法仍具有一定的局限性，對(duì)氣象資料的完整性和數(shù)據(jù)要求比較嚴(yán)格，且計(jì)算較為復(fù)雜，因此該方法的推廣受限。亟需一種新計(jì)算簡(jiǎn)單準(zhǔn)確適用范圍廣的方法。隨著人工智能數(shù)據(jù)處理技術(shù)與計(jì)算機(jī)學(xué)習(xí)能力的迅速發(fā)展，為解決多學(xué)科問題提供了技術(shù)支持。近年來，卷積神經(jīng)網(wǎng)絡(luò)等方法用于解決各類水利相關(guān)問題，得到了很大的成效[6]。該方法具有三大明顯優(yōu)勢(shì)：1) 可以進(jìn)行監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)；2)大大減少了計(jì)算量；3)對(duì)數(shù)據(jù)沒有額外的繁雜要求?；诖耍恼绿岢隽嘶诰矸e神經(jīng)網(wǎng)絡(luò)的ET0估算方法( 即“GCM-CNN法”)，通過獲取實(shí)地測(cè)量的逐日溫度數(shù)值、使用Hargreaves模型估算了2011-07-01至2020-03-31間大連市莊河地的ET0。分別利用MRI-CGCM3模型( 即“GCM法”)和新提出的CNN法估算該地的ET0，并與已有的GP方法進(jìn)行對(duì)比，判斷該方法ET0估算的估算準(zhǔn)確度。

1 方 法

1.1 ET0計(jì)算方法

隨著近年來水資源消耗加劇，能否合理規(guī)劃灌區(qū)，調(diào)度灌溉用水對(duì)于優(yōu)化水資源利用尤為重要。大連莊河市是遼南地區(qū)的水源重地，因此準(zhǔn)確估算該地的ET0對(duì)調(diào)度灌溉用水尤為重要。首先采集了2011-07-01至2020-03-31莊河地區(qū)的每日氣象數(shù)據(jù)，共得到3197組數(shù)據(jù)。之后使用Penman-Monteith公式估算ET0。

1.2 MRI-CGCM3模式

對(duì)于未來幾十年甚至上百年的氣候變化預(yù)估，目前最主要的方式是利用全球和區(qū)域氣候模式。MRI-CGCM3是2012年由氣象研究中心(Meteorological Research Institute: MRI) 推出的一種新的預(yù)氣象變化模型。該模型是由 MRI 以前的氣候模型 MRI-CGCM2的基礎(chǔ)上進(jìn)行升級(jí)改造而成，主要可提供氣溫、降雨、海平面氣壓、風(fēng)速和降雪等氣象數(shù)據(jù)。文章利用MRI-CGCM3模式采用MATLAB代碼采集大連市莊河地區(qū)的氣象預(yù)測(cè)數(shù)據(jù)，之后使用 PM公式估算該地區(qū)的ET0值。

1.3 遺傳編程

遺傳編程(Genetic Programing)是基于遺傳算法的自編程算法，是借鑒生物演化遺傳過程而產(chǎn)生的一種算法。它首先隨機(jī)生成模型庫，之后對(duì)模型進(jìn)行性能評(píng)價(jià)，再通過基因繁殖(Reproduction)、基因突變(Mutation)、和基因交叉(Crossover)等運(yùn)算來對(duì)模型進(jìn)行演化，最終得到滿意的模型。文章采用基于MRI-CGCM3模式的遺傳編程算法(GCM-GP)來建立ET0模型并進(jìn)行ET0的計(jì)算，在該方法中，輸入量為MRI-CGCM3模式的氣溫?cái)?shù)據(jù)，輸出量為實(shí)際的ET0，因此采用該算法得到的最終模型可以直接表示MRI-CGCM3模式氣溫?cái)?shù)據(jù)與實(shí)際ET0之間的關(guān)系。

1.4 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)是通過卷積計(jì)算且能進(jìn)行深度運(yùn)算的前饋神經(jīng)網(wǎng)絡(luò) ，是深度學(xué)習(xí)的最流行算法之一。經(jīng)典的神經(jīng)網(wǎng)絡(luò)模型通常需要將整個(gè)圖像作為神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行讀取輸入，因此圖像越大， 模型采集的數(shù)據(jù)也越多，計(jì)算量非常大，顯著降低訓(xùn)練效率，增加了訓(xùn)練難度。而使用卷積神經(jīng)網(wǎng)絡(luò)可以很好地解決此類問題。

文章使用卷積神經(jīng)網(wǎng)絡(luò)方法形成了莊河地區(qū)的ET0模型，進(jìn)行ET0的估算， 相較于以往建立的模式，該模型通過輸入MRI-CGCM3模式的氣溫?cái)?shù)據(jù)得到實(shí)際的ET0，可直接得到MRI-CGCM3模型氣溫值與實(shí)際ET0之間相關(guān)性， 極大降低了計(jì)算量并提高了計(jì)算效率，提高了估算的準(zhǔn)確度。

1.5 性能評(píng)價(jià)

通過模型計(jì)算得到模擬值與獲取的實(shí)際測(cè)量值的均方根誤差(RMSE)和決定系數(shù)值(R2)用于評(píng)估該模型的估計(jì)準(zhǔn)確度，該公式表示為：

均方根差(RMSE)：

(1)

決定系數(shù)(R2)：

(2)式中：xs為實(shí)測(cè)值；xm為模擬值。

2 結(jié)果與討論

2.1 基于GCM法的ET0預(yù)報(bào)結(jié)果

通過計(jì)算實(shí)測(cè)數(shù)據(jù)的ET0(簡(jiǎn)稱實(shí)際值)與GCM模型預(yù)測(cè)的ET0(簡(jiǎn)稱GCM模擬值)，得到了表1所示的預(yù)測(cè)結(jié)果。結(jié)果顯示實(shí)際值與GCM模擬值基本吻合，GCM模擬值的特征值比實(shí)際值偏小。其中Maximum偏小約12%，Median偏小約30%，Average偏小約25%。因此采用得到的預(yù)測(cè)值會(huì)比實(shí)際值偏小。該方法預(yù)測(cè)準(zhǔn)確度仍需提高。

2.2 基于GCM-GP的ET0預(yù)報(bào)結(jié)果

采用MATLAB程序?qū)Λ@得的3197組數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，其中隨機(jī)獲取80%的數(shù)據(jù)用于模型訓(xùn)練，其余20%的數(shù)據(jù)用于模型驗(yàn)證。該模型輸入值為MRI-CGCM3模式的氣溫?cái)?shù)據(jù)，輸出值為得到的實(shí)際ET0，該算法將得到的ET0可作為新的ET0模型，之后可以采用該模型和輸入量計(jì)算輸出量。

表1 實(shí)際ET0和GCM模擬ET0的統(tǒng)計(jì)特征參數(shù)

圖1 實(shí)際ET0與GP模擬ET0的比較圖

該模型計(jì)算ET0值得到的為GCM-GP模擬ET0(簡(jiǎn)稱GP模擬值),并與實(shí)際ET0進(jìn)行比較，如圖1所示。圖形結(jié)果顯示，該模型得到的GP模擬值與實(shí)際值吻合程度較好，有較強(qiáng)的一致性。因此，說明總體預(yù)測(cè)結(jié)果準(zhǔn)確度較高。

從誤差數(shù)據(jù)來看，實(shí)際ET0與GP模擬ET0的RMSE和R2值分別為0.37mm/d和0.94。說明預(yù)測(cè)與實(shí)際ET0比較的離散程度較小。平均誤差為0.0013，說明GP預(yù)測(cè)值與實(shí)際值相比偏高，但兩者數(shù)據(jù)相差非常小。因此，該模型預(yù)測(cè)準(zhǔn)確2度較高，相較于GCM結(jié)果，其計(jì)算精確度提升。

2.3 基于CNN的ET0預(yù)報(bào)結(jié)果

基于CNN模型計(jì)算得到的CNN模擬ET0(簡(jiǎn)稱CNN模擬值),通過與實(shí)際ET0進(jìn)行比較得到了對(duì)比圖，如圖2所示。圖形結(jié)果顯示，該模型得到的CNN模擬值與實(shí)際值有較強(qiáng)的一致性。圖像的擬合程度較好，沒有較大的偏差出現(xiàn)。因此，說明CNN模型對(duì)于ET0預(yù)測(cè)準(zhǔn)確度較高。

圖2 實(shí)際ET0與CNN模擬ET0的比較圖

從誤差數(shù)據(jù)來看，實(shí)際ET0與CNN模擬ET0的RMSE值為0.14mm/d，R2為0.99。說明預(yù)測(cè)與實(shí)際ET0的擬合程度很好。平均誤差為-0.00057 ，說明CNN預(yù)測(cè)值與實(shí)際值相比略有偏小，但兩者相差不大。相較于GP模型的誤差分析，CNN預(yù)報(bào)的RMSE值比GP模型預(yù)測(cè)值更小，而R2值則更大，說明該模型與真實(shí)值之間的偏差更小。因此，該模型預(yù)測(cè)準(zhǔn)確度比GP模型更高，CNN法在三種方法中計(jì)算ET0的效果最好，具有非常好的推廣價(jià)值。

3 結(jié) 語

通過獲取莊河地區(qū)逐日氣溫實(shí)測(cè)數(shù)據(jù)，并利用PM方法計(jì)算了該地區(qū) 2011-07-01至2020-03-31期間的逐日ET0。提出了關(guān)于逐日參考作物蒸騰量(ET0)預(yù)報(bào)的卷積神經(jīng)網(wǎng)絡(luò)(CNN)人工智能方法, 預(yù)報(bào)ET0，并與已有的GP方法結(jié)果進(jìn)行比較。結(jié)果顯示，兩種模型計(jì)算所得數(shù)據(jù)與實(shí)際測(cè)量數(shù)據(jù)均基本一致，但 CNN方法明顯可提高ET0的預(yù)報(bào)準(zhǔn)測(cè)度(相比于 GP法，CNN方法的RMSE值降低了約23%，而R2值提高了約0.6%)，具有更好的發(fā)展前景。文章采用CNN法在莊河地區(qū)建立了較好的ET0預(yù)測(cè)模型，CNN法是否適用于其他地區(qū)亟待進(jìn)一步的研究與論證，因此接下來的研究中，可以嘗試?yán)迷摲椒ń⒉煌貐^(qū)的ET0預(yù)報(bào)模型，或利用人工智能遷移學(xué)習(xí)的方法將該模型遷移到其他地區(qū)進(jìn)行學(xué)習(xí)，提高CNN預(yù)報(bào)模型的適用性。