当前的世界环境

介绍

在半干旱地区，水资源管理是增加农业生产的关键要求，因为粮食不安全正成为一个主要问题。ET是水文循环的组成部分之一，准确估算ET对于Kumar等报道的水分平衡、灌溉设计与管理、作物产量建模、水资源规划与管理等研究都非常重要。^5.(2002)。等_0.可以通过许多估计方法得到，但Shih等人。^6.(1983)报道，在选择ET时，必须考虑数据可用性等因素_0.计算技术。维持Penman-Monteith方法为FAO推荐的计算ET的单一标准方法_0.来自完整的气象数据[Allen等人。²(2006);史密斯et al。^7.（1990）]但是，粮农组织56 PM方法的主要缺点是，它需要大量的气候参数，这些参数并不总是可用于许多地点。已经提出了几种型号，如Hargreaves和Blaney-Criddle等模型以预测ET_0.，但特劳雷等人。^8.(2008)报告说，这些模型对不同的气候条件没有普遍的共识。等_0.是一个复杂的过程，它取决于几个相互作用的气候因素，如温度、湿度、风速和辐射。缺乏对外星人的物理认识_0.处理和所有相关数据的不可用导致对ET的估计不准确_0.．在过去二十年中，人工神经网络（ANNS）已被越来越多地使用水文过程的建模，因为它具有映射输入输出关系而无需任何理解物理过程。在大多数关于水文建模的研究中，馈送前馈多层Perceptron（MLP）是广泛采用的。ANNS能够建模复杂的非线性过程，有效地提取流程的输入和输出之间的关系，而不会对它们进行明确提供物理学，并且即使数据是嘈杂的，也可以识别底层规则，并通过asce建议的错误污染^3.(2000)和第3期^4.(2000 b)。

蒸散发的准确估算对于水资源使用者、重要水文水资源规划和运行模型的参数化、天气和气候变化预测模型的运行、干旱的预测和监测、水资源的有效开发和利用、水资源紧缺地区的水资源管理与分配，包括国家和民族间水资源的分配。蒸散发估算方法有很多种。这些方法都是基于现有的水文模型及其气象数据输入需求。这项研究的目标是开发基于人工神经网络的模型，该模型的性能接近FAO 56 PM估计，并且需要较少的气象数据，因为在未经测量的盆地中，气象信息通常是不可获得的。在这种情况下，需要较少气象数据的模型产生准确的结果，而需要模型的密集数据由于缺乏气象信息而不能采用。

材料和方法

研究区域

参考蒸散估计为印度古吉拉特邦的Junagadh。学习区落在南部萨拉什特拉区农业气候区。Junagadh轴承均为69.40°至71.05°距71.05°和20.44°至21.40°至21.40°北纬，MSL以上83米（平均海平面）。该地区的气候在亚热带和半干旱下分类，平均每年降雨量为900毫米，平均平均锅蒸发为6.41毫米/天。可能是最热的月份，平均平均平底锅蒸发10.95毫米，平均每月温度在35°C至45°C之间变化。1月是最酷的月份，平均每月最小温度在7°C至10°C之间变化。在季风月期间约有95％的降雨量。

输入天气参数的描述

本文利用Junagadh农业大学农业气象台1984年1月至2012年12月的逐日气象资料，估算了参考蒸散量。四个气象参数温度、风速、日照时数、相对湿度已经采集了29年。在某些模型中，利用太阳辐射代替强日照时数来计算参考ET的影响。

Penman-Monteith方程

联合国粮农组织Penman-Monteith方法是由定义参考作物作为一个假设的作物一个假定的高度为0.12米的表面电阻70年代m - 1和0.23的反照率,类似于一个广泛的表面的蒸发的绿草统一的高度,积极发展,充分浇水。

粮农组织Penman-Monteith计算参考(潜在)蒸散的方法ET可以表示为Allen et al。¹（1998）：

在哪里等_0.参考蒸散量[毫米日^－1), R_n作物表面的净辐射[MJ m^－2一天^－1， G为土壤热通量密度[MJ m .^－2一天^－1), T_一个2米高度的日平均气温[°C]， u₂风速在2米高度[m s^－1), e_年代为饱和蒸气压[kPa]， e_一个是实际蒸气压[kPa]， (e_年代- e_一个)为饱和水汽压差[kPa]， Δ为坡面水汽压曲线[kPa°C]^－1]， γ为湿度常数[kPa°C^－1］.

安架构

输入层节点的数量取决于估算ET时使用的气候变量的数量_0.．输入层中的各个节点对应于各个变量。因此，输入层中的节点的数量根据模型的气候数据要求而变化。决策者必须在每个隐藏层中指定隐藏层和神经元的数量。在本研究中，单个隐藏层用于开发ANN模型。

可用数据通常分为三个独立的数据集:(1)训练集，(2)交叉验证集，(3)验证集。总的可用数据分为三个主要类别，23年(1984-2006年)的数据用于模型的训练和交叉验证;其余数据用于模型的检验。其余6年(2007-2012年)的数据用于模型检验。采用试错法对模型进行称重和训练，以达到预期的目标。模型用MATLAB实现。模型开发采用了前向反向传播算法。本研究的神经网络结构是由输入层、隐含层和输出层组成的三层学习网络。每一层都由许多被称为神经元的处理节点组成，这些节点之间有连接。图1显示了本研究中用于建模ET的BP典型配置的数学表示_0.的过程。

图1神经网络的数学表示 点击此处查看数字

数据归一化

为实现数据标准化，将输入节点和输出节点的数据按如下公式在[0 1]范围内进行缩放

在那里,Y_规范=具体输入节点的归一化无量纲数据;Y_我=具体输入节点的观测数据;Y_最小值=特定输入节点的最小数据;和Y_马克斯=指定输入节点的最大数据。

神经网络在ET中的应用_0.

日平均气温(T_一个）和相对湿度（RH），风速在2米（W），最大和最小温度（T_马克斯, T_最小值)和太阳总辐射(R_年代)作为Penman-Monteith方程的输入数据。ANN的主要输入变量包括平均气温、平均相对湿度、风速、太阳辐射和日照时数。本研究的目的是探索神经网络模型在预测ET方面的潜力_0.在月度规模的研究区域。然后为了最佳网络配置用于培训和测试表1中表示的几个其他输入组合，以便理解影响ET的潜在输入变量_0.的过程。这可能有助于了解天气对ET的影响_0.．估计等_0.使用PM方法(FAO 56)计算的月时间尺度被认为是所有ANN模型的输出。模型-1到模型-5只有一个上面定义的变量。在此基础上分析个体变量对参考ET的影响。地外太阳辐射不是收集的数据，而是确定某一天和艾伦号的位置等．(1998)程序。模型-6到模型-11的输入结构是通过五个变量中插入两个变量的组合而形成的。然后，model -12a到model -15的模型将5个主要变量中的3个变量综合起来，分别是平均气温、平均相对湿度、风速、太阳辐射和日照时数。最后将所有参数集成到模型16a和模型16b中预测PM参考蒸散发。

表1:用于回归模型开发的不同输入组合

(T_一个=平均气温(°C)， Rh =平均相对湿度(%)，W =风速(m/sec)， N =亮
hr, R_年代=太阳辐射，单位为MJ/m²/天)

绩效评估标准

因此，在本节中，我们将使用其他误差度量来量化这些缺陷。本研究采用的效率标准为均方根误差(RMSE)、纳什效率(EF)、决定系数(R)²)、残差系数(CRM)、绝对误差(AE)、赤池信息准则(AIC)、贝叶斯信息准则(BIC)、均方误差(MSE)、校正后的R²．表2列出了上述标准的概要。

表2:本研究采用的各种评价标准 点击这里查看表格

结果与讨论

表3和图4分别显示了在培训和测试期间基于组合的ANN模型的不同性能指标。从表格和图表中可以说在更换（r_年代）在明亮的阳光小时（n）的地方，这种相关模型的性能增加到明显的水平。从一个基于输入的模型RAW基于模型的性能非常差，而RHN和RHWN也分别从两种输入组合的模型中发出了差的性能。一种基于输入的模型的性能可以以越来越顺序排列为RH，W，N和T._一个．类似地,神经,T_一个W, RhW, WN, T_一个N,科技_年代T_一个R_年代和WR._年代对于两种基于输入组合的模型和RhWN, T_一个神经,T_一个RhR_年代T_一个RhW T_一个wn，rhwr._年代和T_一个或者说是_年代对于三种输入组合，基于模型可以按性能指标递增排列。基于四种输入组合的模型达到最高的模型效率。

图2:FAO 56 PM ET的月度比较0.和 基于不同组合的ANN模型预测 等0.在测试期间 点击此处查看数字

表3：在具有不同输入组合的模型的培训期间对各种ANN模型的性能评估 点击这里查看表格

表4:不同输入组合模型测试时各ANN模型的性能评价 点击这里查看表格

结论

研究表明，模型5 (R_年代给出了基于单输入组合的模型的良好结果。同样,model-8b(或者说是_年代), model-13b (RhWR_年代)和型号16a (T_一个WRhR_年代)表现出色(接近PM FAO-56)，分别用2、3和4个输入组合的ANN模型估算给定区域的月参考蒸散量。太阳辐射(右_年代)比强日照时数(N)对ET的估计更准确_0.．

参考文献

1. 艾伦,R.G.;佩雷拉,L.S.;Raes, D.和Smith, M.计算作物需水量的作物蒸散指南。灌溉与排水，第56号文件。粮农组织，罗马，意大利，300，(1998)。
   十字架
2. Pruitt艾伦·R·G。w . O。赖特J . L。豪厄尔t·A。文图拉F。斯奈德,Itenfisu D, Steduto P, Berengena J。,Yrisarry J . B。史密斯,佩雷拉L . S。Raes D,毕雷矿泉水,阿尔维斯我。,沃尔特·I和艾略特在标准化表面电阻R .推荐每小时计算等_0.由FAO56 Penman-Monteith MTD。水管理81:1-22,(2006)。
3. 人工神经网络在水文学中的应用专题委员会。水文学中的人工神经网络，I:初步概念。水文工程学报， 5(2):115 - 123， (2000a)。
   十字架
4. 人工神经网络在水文学中的应用专题委员会。水文学中的人工神经网络(II):水文应用。水文工程学报， 5(2): 124-137， (2000b)。
   十字架
5. Kumar先生;Raghuwanshi:;辛格,r;基于人工神经网络的蒸散发估算。灌溉排水工程学报， 128(4): 224-233，(2002)。
   十字架
6. 南佛罗里达盆地宽需水量估算。Soc。阿格利司。英格26:760 - 766,(1983)。
   十字架
7. Smith M.， Allen R.， Monteith J. L.， Perrier A.， Pereira L. S.， Segeren A.在意大利罗马举行的关于修订粮农组织作物需水方法的专家协商报告。土地及水务发展部， 5月28-31日，第1-59页，(1990)。
8. Traore S，Wang Ym，Kerh T.非洲半干旱地区广义回归神经网络建模参考蒸发。圆柱反式。正,科学。:。，6：991-1000，（2008）。