基于气象预报的参考作物蒸发蒸腾量的神经网络预测模型

参考作物蒸发蒸腾量(ET0)是进行实时灌溉预报和农田水分管理的主要参数,BP神经网络能够较好地反映ET0与诸影响因素间复杂的非线性关系。本文将ET0看作时间序列,选取前3日ET0作为影响因子,以天气预报可测因子包括最高、最低和日平均温度、反映天气类型的阴晴指数、日序数和风力等级进行修正,建立了三层BP神经网络模型。选取江苏射阳站2003与2004年气象资料,应用Matlab神经网络工具箱,采用trainer算法进行模型训练与预测。结果证明,所建模型能够很好地反映诸多影响因子与ET0之间的关系,具有较高的模拟精度和较好的泛化能力。     

青铜峡灌区参考作物蒸发蒸腾量与气象因子的灰色关联度分析

在收集了青铜峡引黄灌区5个气象站最近5年气象资料的基础上,应用1998年FAO修正彭曼-蒙特斯公式,计算出各站逐年的参考作物蒸发蒸腾量ET0;在阐述灰关联分析理论与计算方法的基础上,利用灰关联分析理论计算出各站各气象因子与ET0的灰色关联度并进行排序。分析结果表明：各气象因子对参考作物蒸发蒸腾量的影响都比较大,尤其是日照时数、平均最高气温和年平均风速对各站的影响相对较大,而最低气温、相对湿度和降雨对各站的参考作物蒸发蒸腾量的影响相对比较小。     

基于模糊神经网络的参考作物蒸腾量预测研究

为准确估算灌区作物需水量,建立了基于模糊神经网络的参考作物腾发量时间序列预测模型。采用宝鸡地区1954—2004年逐月气象资料,利用主成分分析法提取影响参考作物蒸发蒸腾量的主要影响因子,获得4个综合变量作为输入向量,用彭曼-蒙蒂斯公式计算的参考作物蒸发蒸腾量作为目标向量。运用matlab进行编程,应用模糊神经网络模型预测参考作物腾发量。结果表明:12组测试集样本的平均相对误差绝对值为5%,最大相对误差为11.4%,最小相对误差为0.4%;模糊神经网络模型与用彭曼-蒙蒂斯公式计算值有很高的一致性。     

石羊河流域参考作物蒸发蒸腾量对气候变化的响应模拟及预测

模拟和预测气候变化对石羊河流域参考作物蒸发蒸腾量(ET0)时空分布的影响,为发展节水农业和科学利用水资源提供参考依据。根据石羊河流域及周边11个气象站点1951—2012年的逐日气象资料,使用PenmanMonteith公式计算现状ET0,利用大气环流模型HadCM3的输出和SDSM统计降尺度模型,预测A2、B2两种排放情景下未来石羊河流域2020s,2050s和2080s的ET0,使用反距离加权插值法(IDW)和Mann-Kendall检验分别研究ET0的空间分布特征和随时间的变化趋势。结果表明,石羊河流域多年平均ET0值为1 061mm,高值区位于东北地区,低值区位于西南地区,预计未来2020s、2050s和2080s,在HadCM3模式的A2情景下ET0将分别增加6%、14%和23%,B2情景下将分别增加7%、12%和17%,增幅较大的地区位于流域东南,2050s和2080s在B2情景下增幅低于A2情景。石羊河流域ET0在未来将持续增加,2050s之后增加趋势更为显著。     

基于GRNN神经网络的参考作物腾发量预测

参考作物腾发量是估算作物蒸发蒸腾量的关键参数,它的准确预测对提高作物需水预报精度具有十分重要的意义。由于参考作物腾发量与各气象因子呈非线性关系,将GRNN神经网络引用于参考作物腾发量预测中,并以铁岭市为例,对比分析了GRNN模型与BP模型的预测结果。分析表明：GRNN模型不仅训练速度快,还具有比BP模型更高的预测精度、逼近性和稳定性。     

基于气候分区的甘肃省参考作物蒸发蒸腾量时空分布特征

参考作物蒸发蒸腾量(ET0)是计算作物需水量的重要参数,为了减少甘肃地区因地形和气候跨度大而引起的灌溉参数计算误差,根据甘肃省的地理特征和干湿程度将甘肃地区划分为陇南-甘南湿润区、陇中南部半湿润区、陇中北部半干旱区和河西干旱区4个区域,利用26个国家气象站点1980-2015年的逐日气象资料,采用FAO-56 Penman-Monteith方程计算ET0,并通过反距离权重空间插值法和偏相关分析法研究了甘肃省整体和不同分区ET0的时空分布特征和影响因素。结果表明:甘肃省ET0年际变化趋势为1980-1991年下降,1991-2015年上升,整体呈上升趋势;甘肃省ET0的空间分布总体为自东南向西北逐渐增加;ET0与日平均风速、日照时数、日最高气温、日最低气温、日平均气温均表现为极显著正相关,与平均相对湿度表现为极显著负相关,且影响程度顺序为,甘肃省:U>N>Tmax>RH>Tmin>Tmean,陇南-甘南湿润区:N>U>Tmax>RH>Tmin>Tmean,陇中南部半湿润区:N>U>RH>Tmax>Tmin>Tmean,陇中北部半干旱区和河西干旱区:U>N>Tmax>RH>Tmin>Tmean。结论:地形和气候对ET0影响很大,由湿润区向干旱区依次增加;各分区ET0差异较大,从东南部向西北部增加;甘肃省ET0主要影响因素为平均风速和日照时数。     

基于灰色组合模型的参考作物腾发量预测

参考作物腾发量 (ET0)是制定灌溉用水计划、水量分配计划的最基本、最重要内容之一,其精确预测可以提高灌溉预报的精度.针对GM(1,1)模型在原始数据变化幅度较大且趋势不明显时预测效果差的情况,提出了用人工神经网络对GM(1,1)模型的残差系列进行修正的组合模型,并将其应用于鞍山地区参考作物腾发量预测中.预测结果表明,该方法具有较高的预测精度,同时也指出了其存在的不足之处,有待今后加以解决,以进一步提高其预测的稳定性.     

利用蒸发计估测参考作物蒸发蒸腾量的试验研究

根据联合国粮农组织推荐的方法估算参考作物蒸发蒸腾量(ET0)需要具备一定的气象资料,而使用另一种方法,即蒸发计估测ET0,可以减少基于作物蒸发蒸腾量制定灌溉制度的工作量,并且降低其复杂度。在叙述蒸发计构造及使用方法的基础上,介绍了一些研究者在不同气候条件下对蒸发计估测ET0准确度的试验研究。试验表明,在缺乏标准气象资料时,可以利用蒸发计来可靠地估测农场或更广阔领域的ET0。     

参考作物蒸发蒸腾量计算方法在额尔齐斯河流域的适用性研究

基于额尔齐斯河流域5个气象站哈巴河、吉木乃、福海、阿勒泰、富蕴站1962-2012年的日观测气象资料,选用7种方法计算各站历年逐日参考作物蒸发蒸腾量(ET0),并以FAO Penman-Monteith法计算结果为标准,建立7种方法间的拟合关系,以比较日尺度与月尺度下各计算方法的精度与地区适宜性。结果表明:在额尔齐斯河流域,7种方法计算的参考作物蒸发蒸腾量变化趋势基本相同,但数值上有一定差异;Kimberly Penman法、HargreavesSamani法与FAO Penman-Monteith法计算结果接近,适用性较好;对于缺少气象资料地区,使用Hargreaves-Samani法可获得较好估值;同时分析了7种方法计算的ET0与实测的水面蒸发量之间的关系,利用拟合公式,可以用水面蒸发资料估算该地区ET0值。     

用神经网络计算技术从有限气候资料估算实际蒸发蒸腾量

本文在用有限的气候资料估算实际作物蒸发蒸腾量（ET）时,检验到人工神经网络（ANN）的潜力。研究采用RBF（径向基函数）人工神经网络计算水稻日蒸发蒸腾量。六个RBF网络,每个均根据气候的变化采用不同的输入值,进行网络训练和测试。该模型估算结果与蒸渗仪测量结果比较,清楚显示了ANN方法的成熟程度。本文提出了采用人工神经网络方法用空气温度计算作物蒸发蒸腾量,然而本研究利用的仅是一段有限时间内的单一作物数据。因此,本理论在更多种类作物及天气条件下的应用研究,有待进一步加强。     

基于BP神经网络的来水量预测模型

针对径流量长期变化的因果关系复杂特性,常规的中长期水文预报模型又很难满足精度要求,提出了基于BP神经网络的来水量预测模型。结合实际径流数据,验证了模型的预报精度,可用来进行中长期水文预报。     

基于BP神经网络的尼尔基水库短期洪水预报研究

人工神经网络(ANN)诞生于20世纪40年代,兴起于80年代,以其非线性特性、大量的并行分布结构以及出色的学习和归纳能力,广泛应用于水文各要素的预测分析。本次研究利用ANN中最常见的BP(Back Propagation)神经网络,由上游3个控制站(即柳家屯、库漠屯和科后)的流量,模拟出未来24 h的尼尔基入库流量,分析二者的非线性关系以用于水库短期洪水预报。预报方案中各预报要素精度均达甲级水平,可用于实际作业预报。     

基于Matlab神经网络的流域年径流量预测

阐述了运用人工神经网络模型对流域年径流量径流序列做出预报,表明人工神经网络模型在水文预报中具有一定的优势。通过BP神经网络算法得到了适合该神经网络模型的训练算法。以渔峡口站年径流量实测序列为研究对象,在数值试验的基础上建立了年径流序列预报的人工神经网络预报模型结构,提高了该模型的预报准确性。     

BP神经网络预测挑流泄洪雾化范围的应用分析

对于挑流泄洪雾化范围的BP神经网络模型,选用李家峡、二滩、漫湾和东江水电站的原型观测数据或泄流雾化计算数据作为训练样本进行学习训练,随后应用此模型对江垭大坝泄洪雾化范围进行了预测计算。通过与相应的原型观测资料比对分析,验证了模型的适用性、精确性,并指出了其应用的局限性。     

基于BP神经网络的建筑工程造价快速预测

快速而可靠的估算工程造价直接影响着招投标决策的合理性。该文根据建筑工程概预算原理,提出以主要特征指标作为典型样本、将字符型转化为数值型特征指标的快速估价方法,在主要特征指标中增加造价指数;并以实例结合带有动量项自适应BP神经网络开展了工程造价的估算。实例计算表明,在考虑造价指数时实例工程造价误差为1.06%,远高于文献[1]的工程造价误差3.02%,提高了工程造价估算精度。该模型具有较高的可行性和可靠性,为工程造价的快速估算提供了一种有效途径。     

基于BP神经网络的大跨桥梁结构混凝土温度预测

讨论了大体积混凝土水化热时的温度应力对于桥梁结构的影响,表明温度监控对于大体积混凝土结构的必要性,根据洛阳瀛洲大桥拱肋中心部位浇筑过程的水化热温度场的变化为研究对象,对建立的BP神经网络进行优化训练,并用此BP神经网络预测温度变化值并与有限元仿真得到的温度结果进行了比较。     

逐步回归和BP神经网络模型的枯季月径流预测

枯季径流是工农业用水的重要来源,分析和预报流域枯季来水情况,可为科学制定用水方案、合理调配水资源提供依据。运用逐步回归模型和BP神经网络模型分别对盘龙河流域枯季月径流进行拟合和预报分析,并采用相关系数、相对误差、合格率对两个模型预测精度进行比较。结果表明BP神经网络模型预测精度更高,预测结果精度满足规范要求,更适用于盘龙河流域枯期月径流的预测。     

Performance Evaluation of Reference Evapotranspiration Estimation Using Climate Based Methods and Artificial Neural Networks

This study is an attempt to find best alternative method to estimate reference evapotranspiration (ET_o) for the Mahanadi reservoir project (MRP) command area located at Raipur (Chhattisgarh) in India, when input climatic parameters are insufficient to apply standard Food and Agriculture Organization (FAO) of the United Nations Penman–Monteith (P–M) method. To identify the best alternative climatic based method that yield results closest to the P–M method, performances of four climate based methods namely Blaney–Criddle, Radiation, Modified Penman and Pan evaporation were compared with the FAO-56 Penman–Monteith method. Performances were evaluated using the statistical indices. The statistical indices used in the analysis were the standard error of estimate (SEE), raw standard error of estimate (RSEE) and the model efficiency. Study was extended to identify the ability of Artificial Neural Networks (ANNs) for estimation of ET_o in comparison to climatic based methods. The networks, using varied input combinations of climatic variables have been trained using the backpropagation with variable learning rate training algorithm. ANN models were performed better than the climatic based methods in all performance indices. The analyses of results of ANN model suggest that the ET_o can be estimated from maximum and minimum temperature using ANN approach in MPR area.     

基于BP神经网络的膨胀土判别分级方法研究

以安康膨胀土为研究对象,选用粘粒含量、粉粒含量、液限和塑性指数4个分级指标,建立了两层无偏置的BP神经网络模型,研究膨胀土的判别分级问题。结果表明,该模型学习效果良好,能准确预测未知样本的膨胀性;对于安康膨胀土,粘粒含量和粉粒含量对分级结果影响较大,而液限和塑性指数影响较小;相比于传统的指标分级法,该模型具有较好的容错能力,可有效减小指标测量误差对分级结果的影响;BP神经网络用于膨胀土的判别分级是合理可行的,具有一定的推广与应用价值。     

基于MATLAB神经网络的三门峡水库泥沙冲淤变化预测分析

通过理论分析并结合三门峡水库的实际情况,建立了三门峡水库潼关以下库区泥沙冲淤变化和潼关断面水位变化的BP预测模型,并利用MATLAB环境下的神经网络工具箱开发了相应的程序。预测结果表明,该模型程序具有学习能力强、预测精度较高、快速方便等特点,为三门峡水库及其它多沙河流水库的泥沙冲淤预测研究提供了一种可供借鉴的思路与方法。