基于數(shù)據(jù)挖掘和人工智能的參考作物騰發(fā)量預測.pdf

1、我國水資源分布不均勻，可用水資源短缺，并且農(nóng)業(yè)用水量較大，農(nóng)業(yè)用水效率低下。因此亟需通過提高農(nóng)業(yè)用水效率來減少農(nóng)業(yè)用水量。對作物需水量的準確預測和估算可以有效提高農(nóng)業(yè)用水效率，對灌溉系統(tǒng)的規(guī)劃與管理、灌溉制度的制定、水資源規(guī)劃等諸多研究具有很重要的意義。直接測量作物需水量的方法復雜，設備維護昂貴，而通過計算參考作物騰發(fā)量與作物系數(shù)乘積而得到作物需水量的方法更加便利和高效。在眾多利用氣象數(shù)據(jù)計算參考作物騰發(fā)量的公式中，聯(lián)合國糧農(nóng)組織推薦的

2、Penman-Monteith公式可以不受地域限制廣泛使用并且有較高計算精度，因而被全球很多地區(qū)廣泛使用。該公式計算參考作物騰發(fā)量需要較多的氣象數(shù)據(jù)，因此Penman-Monteith公式并不適合在缺乏氣象數(shù)據(jù)的地區(qū)使用。因此，需要找到其他使用較少氣象數(shù)據(jù)并且可以達到較高精度的參考作物騰發(fā)量的計算方法。本研究主要利用了模糊C均值聚類算法、遺傳算法、GammaTest算法和ELM神經(jīng)網(wǎng)絡等數(shù)據(jù)挖掘和人工智能技術對參考作物騰發(fā)量進行估算預測

3、，取得了如下主要成果:
　　(1)從眾多基于氣象數(shù)據(jù)的參考作物騰發(fā)量計算公式中挑選出具有代表性的7個公式（Hargreaves公式、Hargreaves-M1公式、Hargreaves-M2公式、Irmark-Allen公式、Priestley-Taylor公式、Makkink公式和Turc公式），對這7個公式在浙江省18個地區(qū)的適應性進行了分析。結果表明，Priestley-Taylor公式在各地的適應性最好，Hargreave

4、s公式、Irmark-Allen公式和Makkink公式僅在部分地區(qū)有足夠的適應性。
　　(2)將訓練好的預測模型應用到具有相似氣候條件的地區(qū)可大大提高模型的泛化能力。本研究假定根據(jù)經(jīng)度、緯度和海拔等地理信息被聚類分析劃分在同一類別中氣象站具有相似的氣候條件，并通過實際建模對這一假設進行驗證。模糊C均值聚類算法(FCM)易受初始聚類中心的影響，容易收斂于局部極小值，而遺傳算法可以有效避免局部最優(yōu)，可以找到全局近似最優(yōu)解。因此使用遺

5、傳算法對模糊C均值聚類算法的初始聚類中心進行優(yōu)化。結果表明，雖然經(jīng)過遺傳算法優(yōu)化的FCM穩(wěn)定性有了很大的改善，但是算法運行時間較長。本研究將基于遺傳算法優(yōu)化的FCM算法對18個氣象站進行聚類分析，將其分為三個類別，為之后的ELM建模提供必要信息。
　　(3)在建立參考作物騰發(fā)量預測模型時，使用哪些氣象數(shù)據(jù)一直是研究的難點。Gamma Test算法以有效估計建模樣本的有效噪聲誤差，據(jù)此可為建模提供有效信息，判斷輸入變量的有效性。本研

6、究中首先使用Levenberg-Marquardt神經(jīng)網(wǎng)絡對Gamma Test篩選變量的有效性進行了驗證。結果表明，Gamma Test可以有效篩選對建模貢獻最大的輸入變量。本研究采用Gamma Test算法對建模所需的氣象因素進行篩選。之后使用Gamma Test算法對杭州、金華和瑞安等地的建模樣本進行分析，并從中挑選出適合建模的輸入變量組合，為之后建模提供必要信息。
　　(4)ELM算法結構簡單，訓練速度快并且有良好的泛化能

7、力。本研究使用ELM神經(jīng)網(wǎng)絡對參考作物騰發(fā)量進行預測。對氣象站的聚類分析和對建模樣本的Gamma Test分析為建模提供有效信息，據(jù)此來制定ELM模型的訓練策略。在不同類別的氣象站點中，挑選一個氣象站的2007年到2010年數(shù)據(jù)作為訓練樣本，同一類別使用其他氣象站2011年到2012年的氣象數(shù)據(jù)作為驗證樣本。對模型的訓練和驗證結果表明，模型在訓練時均取得了較好的精度;在驗證時，在洞頭、玉環(huán)、嵊泗、大陳島和石浦這些靠?；蚝u地區(qū)的精度較差