气象资料受限条件下BP神经网络优化模型模拟参考作物蒸散量:以京津冀地区为例

摘要：

为确定气象数据缺乏地区参考作物蒸散量(ET0)的最优简化估算模型,本文以京津冀地区作为研究区域,以传统BP神经网络模型为基础,基于粒子群算法(PSO)、遗传算法(GA)、思维进化算法(MEA)、麻雀算法(SSA)和人工鱼群算法(AF)5种优化算法,构建了PSO-BP、GA-BP、MEA-BP、SSA-BP、AF-BP共5种优化模型,并将计算结果与3种传统机器学习模型BP模型、随机森林模型(RF)、小波神经网络模型(WNN)和2种经验模型Hargreaves模型(HS)、Droogres-Allen模型(DA)进行对比,在仅输入温度数据的条件下,得出区域ET0最优估算模型.结果表明:在不同区域,5种优化模型计算精度显著高于其余模型,其中,SSA-BP模型均表现出了较高的精度,RMSE、R2、Ens和MAE分别为0.297～0.402mm·d-1、0.879～0.946、0.862～0.940、0.210～0.300mm·d-1,模型GPI在研究区域内排名第1位;在相同气象数据条件下,机器学习模型精度优于HS模型和DA模型,其中SSA-BP模型精度最高.因此,在仅有温度资料的条件下,SSA-BP模型可作为京津冀地区ET0估算的标准模型使用.

关键词：京津冀地区;参考作物蒸散量;BP神经网络模型;麻雀算法

所属期刊栏目：43

资助基金：河北省高等学校科学技术研究项目;河北省水利科研与推广计划项目;沧州市重点研发计划指导项目

在线出版日期：2022-03-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共16页

页码：1-16