《作物需水量预测模型研究及其在灌溉管理信息系统中的应用(1)》由会员分享，可在线阅读，更多相关《作物需水量预测模型研究及其在灌溉管理信息系统中的应用(1)（67页珍藏版）》请在金锄头文库上搜索。
1、华中科技大学 硕士学位论文 作物需水量预测模型研究及其在灌溉管理信息系统中的应用 姓名：郭晓玲 申请学位级别：硕士 专业：水利水电工程 指导教师：黄牧涛 20071111 I 摘 要 灌区在我国国民经济和社会发展中具有重要的地位和作用。然而，由于管理手段 和方法的落后，我国灌区普遍存在水资源利用率低下，水资源浪费严重的现象。鉴于 上述情况，加强灌区灌溉管理势在必行。作物需水量估算是实施农业灌溉管理的重要 环节之一。要进行科学、高效的灌溉管理，必须准确地计算和预测作物需水量。本文 针对这一问题进行了研究，并在疏勒河灌区灌溉管理信息系统中进行了应用。 作物需水量的计算方法多种多样，其中应用最为广泛
2、的是用参考作物需水量和作 物系数来计算实际的作物需水量。本文以疏勒河灌区主要农作物之一春小麦为例，应 用 Penman-Monteith 方法计算了参考作物需水量，单作物系数法计算了春小麦生育期 内各生育阶段的作物系数，并由作物系数和参考作物需水量计算得到相应的实际作物 需水量。 本文以计算得到的作物需水量为目标输出，气象因子为网络输入，建立了作物需 水量预测的 BP 网络模型。通过选择不同的输入因子组合、隐含层节点数和网络训练 函数，建立不同的模型，并比较它们的预测精度，从中选出具有较高精度的 BP 网络 模型。将优选出的模型应用于疏勒河灌区的作物需水量预测，为灌区作物灌溉提供指 导。本研究
3、对我国其它干旱半干旱地区的作物需水量预测也具有一定的参考价值。 关键词： 作物需水量 参考作物需水量 作物系数 BP 神经网络 预测 II Abstract Irrigation areas play an important role in national economy and the development of society in our country. However, as a result of unenlightened management means and methods, the water use efficiencies are universally low
4、, and the waste of water is serious in irrigation areas. Consequently, to enhance the management of irrigation areas is imperative under the situation. To estimate crop water requirements is one important part of agricultural irrigation management. In order to carry through scientific and efficient
5、irrigation management, crop water requirements must be calculated and forecasted accurately. This paper will study on prediction model of crop water requirements and apply it to the irrigation management information system of Shulehe irrigation area. There are a variety of methods to calculate crop
6、water requirements，and the most widely used one is using the reference crop water requirements 执行上面的语句，则建立一个名为net的三层BP网络。传递函数分别为tansig、 purelin，网络的学习函数采用缺省值learngdm，网络的性能函数采用缺省值mse。其 中，pn为归一化后的输入矢量，minmax（pn）用来生成输入矢量中每维的最小值和 最大值之间的范围。网络结构见图3-3。 X1 X2 Xp ET 输入层隐含层输出层输入层隐含层输出层 图 3-3 作物需水量 BP 网络模型结构图 用
7、函数init对网络的权值和阈值进行初始化。 由式（3-10）可得隐含层节点数的试算范围为6-13，限于篇幅，本文仅从中选取 隐含层节点数为6、10、12，网络的训练函数为trainlm、traingdx或trainscg，建立不 同的网络模型来对春小麦全生育期内的需水量进行预测，并分析比较不同模型的预测 结果（详见4.5节） 。 3.4.4 网络训练 1）设置网络训练参数： net.trainparam.show = NaN; %不显示网络训练过程 39 net.trainparam.lr = 0.01; %学习速率，不能过大或过小 net.trainParam.time = inf; %最大
8、训练时间 net.trainparam.epochs = 4000; %最大的训练次数 net.trainparam.goal = 0.01; %网络性能目标 下面主要介绍一下如何确定网络的学习速率。 学习速率lr决定每一次循环训练中 所产生的权值变化量。一般较大的lr可以减少训练次数，但不能保证绝对收敛；较小 的lr在同等训练误差条件下导致训练次数增多，收敛速度变慢，但可以保证网络的误 差值不跳出误差表面的低谷而最终趋于最小误差值。所以，一般情况下，倾向于选取 较小的lr以保证系统的稳定性。 1r的取值范围一般在0.010.8之间40。由于范围较大，我们在实际应用中应当具体 问题具体分析，选
9、取较为合适的学习速率。特别是在计算机技术迅猛发展的今天，速度已 不再成为制约的理由。为保证网络的稳定性和精度，这里采用0.01为最终的学习速率。 2）训练网络： 采用语句net =train (net，pn，tn)对网络进行训练。 其中，pn为归一化后的网络输入矢量；tn为与pn对应的目标输出矢量；等号右 边的net为训练前的神经网络；等号左边的net为训练后的神经网络对象。当网络训 练次数大于4000，或误差小于0.01时，停止训练，返回训练后的神经网络对象。 3.4.5 网络仿真结果与分析 用3.2.4节介绍的方法，以2000年生育期的数据作为输入对训练后的网络进行验 证。选取不同的输入因
10、子，隐含层节点数或者网络训练函数，得到不同的仿真结果， 并对结果进行对比分析。 注：网络输出与目标输出的相关关系图在括号中注明了输入因子数、隐含层节点 数及网络训练函数名。如：六因子、6个、trainlm，即表明：选取了六个因子作为网 络输入；隐含层节点数为6；网络训练函数为trainlm。图中反应了网络输出与目标输 出的相关程度。R值越大，表明相关程度越高，网络性能越好。 在不同网络模型的仿真结果对比图中，为了使图形清晰、美观，便于对结果进行查 看、对比与分析，本文仅从春小麦全生育期中截取一部分（播种后30天）来绘制图形。 40 图 3-4 网络输出与目标输出相关关系图（六因子、6 个、tr
11、ainlm） 图 3-5 网络输出与目标输出相关关系图（六因子、10 个、trainlm） 41 图 3-6 网络输出与目标输出相关关系图（六因子、12 个、trainlm） 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 13579 11 13 15 17 19 21 23 25 27 29 播种后天数 作物需水量(mm/d) 六因子、6个、trainlm六因子、10个、trainlm 六因子、12个、trainlm目标值 图 3-7 选取不同隐层节点数时的作物需水过程对比图 图3-4、图3-5、图3-6反映的是：在同样选取六个因子（最高气温、最低气温、 平均气温、平
12、均相对湿度、风速及日照时数）作为输入，采用trainlm网络训练函数 42 的情况下，选择不同的隐含层节点数（6、10、12）时的结果。从这些结果图中可以 看出：针对疏勒河灌区春小麦的作物需水量而言，当隐含层节点数取为10时，网络 性能最好，网络输出与目标输出的相关系数达到0.91以上，具有较高的精度。而当隐 含层节点数为6或12时，网络性能均有所下降。从图3-7中也可以得出相同的结论。 故选择隐含层节点数为10。 图 3-8 网络输出与目标输出相关关系图（六因子、10 个、traingdx） 图 3-9 网络输出与目标输出相关关系图（六因子、10 个、trainscg） 43 -0.02 0
13、 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 1357911 13 15 17 19 21 23 25 27 29 播种后天数 作物需水量(mm/d) 六因子、10个、trainlm六因子、10个、traingdx 六因子、10个、trainscg目标值 图 3-10 选择不同训练函数时的作物需水过程对比图 图3-5、图3-8和图3-9反映的是：在同样选取六个因子（最高气温、最低气温、平 均气温、平均相对湿度、风速及日照时数）作为输入，选择隐含层节点数为10的情况 下，采用不同的网络训练函数（trainlm、traingdx、trainscg）时的结果。从这些
14、结果 图中可以看出：针对疏勒河灌区春小麦的作物需水量而言，当采用函数trainlm训练网 络时，网络性能最好，网络输出和目标输出的相关系数达到0.91以上，具有较高的精 度；而采用traingdx和trainscg时，网络输出和目标输出的相关系数分别为0.70和0.78， 与采用trainlm函数时有较大差距。由图3-10也可以得出相同的结论。故采用trainlm函 数训练网络。 44 图3-11 网络输出与目标输出相关关系图（四因子、10个、trainlm） 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 13579 11 13 15 17 19 21 23 25 2
15、7 29 播种后天数 作物需水量(mm/d) 六因子、10个、trainlm四因子、10个、trainlm 目标值 图3-12 采用不同网络输入时的作物需水过程对比图 45 图3-5、图3-11反映的是：在同样选择隐含层节点数为10，采用trainlm网络训练函 数的情况下，选取不同的输入因子时的结果。图3-5反映的是六因子（最高气温、最低 气温、平均气温、平均相对湿度、风速、日照时数）的情况；图3-11反映的是四因子 （平均气温、平均相对湿度、风速、日照时数）的情况。从这些结果图中可以看出： 针对疏勒河灌区春小麦的作物需水量而言，当选取六个输入因子时，网络输出和目标 输出的相关系数达到0.9
16、1以上，具有较好的精度；选取四个输入因子时，网络输出和 目标输出的相关系数达到0.87以上，与选取六因子时相差不大。由图3-12也可以得出 相同的结论。由此可以说明，最高气温和最低气温不是影响疏勒河灌区春小麦需水量 的重要因素。 图3-13 网络输出与目标输出相关关系图（三因子、10个、trainlm） 46 图3-14 网络输出与目标输出相关关系图（三因子、10个、trainlm） 说明：图3-13反映的是以平均气温、平均相对湿度、日照时数为网络输入时的情况， 图3-14是以平均气温、风速、日照时数为网络输入时的情况。 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 1357911 13 15 17 19 21 23 25 27 29 播种后天数 作物需水量(mm/d) 平均气温、平均相对湿度、日照时数 平均气温、风速、日照时数 目标值 图3-15 采用不同网络输入时的作物需水过程对比图 47 图3-13、图3-14反映的是：在同样选择隐含层节点数为10，采用trainlm网络训练函数 的情况下，选取
