基于不同机器学习模型的川中丘陵区参考作物蒸散量模拟
发布时间：2021-11-16 19:03
为探究不同数值模拟模型在川中丘陵区的适应能力,提高川中丘陵区气象资料缺失下的参考作物蒸散量（ET0）预报精度。选取7个代表性站点1961-2016年逐日气象资料,分别建立基于M5回归树（M5-RT）、双隐含层优化的反向传播神经网络（H-BPNN）和交叉验证优化的广义回归神经网络（CV-GRNN）的ET0预报模型。并选取3个在川中丘陵区具有较高精度的经验模型与其进行对比,在日尺度上评估模型的预报精度,利用可移植性分析评价3种模型在川中丘陵区的泛化能力。结果表明:①基于温度、风速和大气顶层辐射输入的M5-RT2、CV-GRNN2和H-BPNN2模型都具有较高的模拟精度,其R2分别为0.987、0.967和0.988,NSE分别为0.987、0.937和0.988;②日尺度误差分析表明,4类输入项组合下,M5-RT模型最优,H-BPNN模型次之,CV-GRNN模型最差,但3种模型的均方根误差均小于0.5 mm/d、平均相对误差均小于13.59%,优于Jensen-Haise、Hargreaves-Li和Irmak-Allen模...
【文章来源】：中国农村水利水电. 2020,(05)北大核心
【文章页数】：9 页
【部分图文】：
川中丘陵区气象站点分布图
M5回归树是一种多元的分段式线性回归模型,节点选择时采用贪心算法,理论上可使用足够多的节点完成任何复杂的非线性回归,实际建模中为提升收敛速度,会通过后续的剪枝操作[15]对树模型进行精简,分段函数的特性,使得M5回归树比其他数据模型更为灵活,且能得到映射关系的显式表达,目前已成功应用于降雨—径流模拟中。Goyal等[22]将M5回归树用于Pichola湖流域降雨量和水量预测,Bhattacharya等[23]将M5回归树与神经网络应用于河流流量预测,取得了优于传统模型的结果。1.4.2 交叉验证改良的广义回归神经模型CV-GRNN
广义回归神经网络(GRNN)是由Specht[24]提出的一种变形的径向基神经网络,以样本数据为后验条件,执行Parzen非参数估计[25],具有很强的非线性映射能力。Ladlani等[26]将GRNN用于阿尔及利亚的ET0预报,并证明其精度优于传统的径向基神经网络。冯禹等[27]将基于温度资料的GRNN模型用于四川盆地的ET0预报,精度优于物理模型。GRNN模型由4层网络组成,如图3,依次为输入层、模式层、求和层和输出层。(1)输入层为学习样本的直接输入,其神经元个数等于学习样本中自变量X=[x1,x2,…,xk]的维度k,深度为样本数量。
【参考文献】：
期刊论文
[1]基于ELM的西北旱区参考作物蒸散量预报模型[J]. 张皓杰,崔宁博,徐颖,钟丹,胡笑涛,龚道枝. 排灌机械工程学报. 2018(08)
[2]BP神经网络隐含层节点数确定方法研究[J]. 王嵘冰,徐红艳,李波,冯勇. 计算机技术与发展. 2018(04)
[3]基于GRA&BPNN的广西粮食产量预测研究[J]. 戎陆庆,陈飞,欧阳浩. 中国农业资源与区划. 2017(02)
[4]机器学习算法和Hargreaves模型在四川盆地ET0计算中的比较[J]. 冯禹,崔宁博,龚道枝. 中国农业气象. 2016(04)
[5]利用温度资料和广义回归神经网络模拟参考作物蒸散量[J]. 冯禹,崔宁博,龚道枝,胡笑涛,张宽地. 农业工程学报. 2016(10)
[6]川中丘陵区地表干湿长程相关性及影响因素研究[J]. 王朕,梁川,赵鹏,詹存. 四川大学学报(工程科学版). 2016(S1)
[7]四川省不同区域参考作物蒸散量计算方法的适用性评价[J]. 李晨,崔宁博,冯禹,魏新平. 农业工程学报. 2016(04)
[8]改进Hargreaves模型估算川中丘陵区参考作物蒸散量[J]. 李晨,崔宁博,魏新平,胡笑涛,龚道枝. 农业工程学报. 2015(11)
[9]基于弹性动量深度学习神经网络的果体病理图像识别[J]. 谭文学,赵春江,吴华瑞,高荣华. 农业机械学报. 2015(01)
[10]基于粒子群算法和广义回归神经网络的岩爆预测[J]. 贾义鹏,吕庆,尚岳全. 岩石力学与工程学报. 2013(02)
本文编号：3499404
【文章来源】：中国农村水利水电. 2020,(05)北大核心
【文章页数】：9 页
【部分图文】：
川中丘陵区气象站点分布图
M5回归树是一种多元的分段式线性回归模型,节点选择时采用贪心算法,理论上可使用足够多的节点完成任何复杂的非线性回归,实际建模中为提升收敛速度,会通过后续的剪枝操作[15]对树模型进行精简,分段函数的特性,使得M5回归树比其他数据模型更为灵活,且能得到映射关系的显式表达,目前已成功应用于降雨—径流模拟中。Goyal等[22]将M5回归树用于Pichola湖流域降雨量和水量预测,Bhattacharya等[23]将M5回归树与神经网络应用于河流流量预测,取得了优于传统模型的结果。1.4.2 交叉验证改良的广义回归神经模型CV-GRNN
广义回归神经网络(GRNN)是由Specht[24]提出的一种变形的径向基神经网络,以样本数据为后验条件,执行Parzen非参数估计[25],具有很强的非线性映射能力。Ladlani等[26]将GRNN用于阿尔及利亚的ET0预报,并证明其精度优于传统的径向基神经网络。冯禹等[27]将基于温度资料的GRNN模型用于四川盆地的ET0预报,精度优于物理模型。GRNN模型由4层网络组成,如图3,依次为输入层、模式层、求和层和输出层。(1)输入层为学习样本的直接输入,其神经元个数等于学习样本中自变量X=[x1,x2,…,xk]的维度k,深度为样本数量。
【参考文献】：
期刊论文
[1]基于ELM的西北旱区参考作物蒸散量预报模型[J]. 张皓杰,崔宁博,徐颖,钟丹,胡笑涛,龚道枝. 排灌机械工程学报. 2018(08)
[2]BP神经网络隐含层节点数确定方法研究[J]. 王嵘冰,徐红艳,李波,冯勇. 计算机技术与发展. 2018(04)
[3]基于GRA&BPNN的广西粮食产量预测研究[J]. 戎陆庆,陈飞,欧阳浩. 中国农业资源与区划. 2017(02)
[4]机器学习算法和Hargreaves模型在四川盆地ET0计算中的比较[J]. 冯禹,崔宁博,龚道枝. 中国农业气象. 2016(04)
[5]利用温度资料和广义回归神经网络模拟参考作物蒸散量[J]. 冯禹,崔宁博,龚道枝,胡笑涛,张宽地. 农业工程学报. 2016(10)
[6]川中丘陵区地表干湿长程相关性及影响因素研究[J]. 王朕,梁川,赵鹏,詹存. 四川大学学报(工程科学版). 2016(S1)
[7]四川省不同区域参考作物蒸散量计算方法的适用性评价[J]. 李晨,崔宁博,冯禹,魏新平. 农业工程学报. 2016(04)
[8]改进Hargreaves模型估算川中丘陵区参考作物蒸散量[J]. 李晨,崔宁博,魏新平,胡笑涛,龚道枝. 农业工程学报. 2015(11)
[9]基于弹性动量深度学习神经网络的果体病理图像识别[J]. 谭文学,赵春江,吴华瑞,高荣华. 农业机械学报. 2015(01)
[10]基于粒子群算法和广义回归神经网络的岩爆预测[J]. 贾义鹏,吕庆,尚岳全. 岩石力学与工程学报. 2013(02)
本文编号：3499404
本文链接：https://www.wllwen.com/nykjlw/nyxlw/3499404.html
