第3章 作物需水量优化神经网络模型

节水农业中对作物需水量的计算极其重要，要对农业实现节水灌溉，包括多个方面，其中一个重要的方面是适时适量灌溉，要适量地灌溉就要对作物需水量进行准确的计算，作物需水量主要是作物用来蒸发蒸腾，即对作物腾发量的预测。作物腾发量主要影响因素是气象条件、作物叶面积指数和生育阶段，而对某一特定的作物在特定的生长阶段其腾发量主要影响因素是气象条件。目前计算腾发量的方法主要有3类：经验公式、以水汽扩散理论为基础的半经验公式和以热量平衡理论及水汽扩散理论相结合的半经验公式。但由于实测资料的地区分布和时间系列均十分有限，而以水汽扩散理论为基础的半经验公式由于考虑因素多，理论上不太成熟。彭曼（Penman）公式是目前应用最多，理论上也最成熟严密的计算作物腾发量的方法，但由于要估算大量的参数，因而计算烦琐。

通常采用修正的Penman-FAO，或者采用直接相关法，即通过长期观测，利用气象数据，选取其中的一个或多个因子分别建立回归方程；或者采取多维时序分析，即考虑前一生育阶段的各个气象因子的综合作用，建立需水量多变量自回归预测模型ARV（n，p）；利用灰色系统理论，对需水量序列建立灰色预测模型GM（1，1）或GM（2，1）模型，并对残差辅以随机模型修正。上述这些方法多以线性理论为基础，考虑问题偏于简单化，导致预测精度不高。将人工神经网络（Artificial Neural Networks，简称ANN）技术与多维自回归模型相结合，通过多个气象因素与作物需水量的相关分析，来确定网络的拓扑结构，用训练好的神经网络实时预测作物需水量。由于神经网络在处理非线性、不确定性或模糊关系方面具有独特的优势，采用L-M优化算法BP神经网络对作物需水量建模和预测，利用前一阶段的气象数据和作物需水量来预测后一阶段需水量，从而揭示气象数据和作物需水量之间的复杂关系，对发展节水灌溉理论，实行有效的灌溉具有重要的理论意义和实用价值。

因此，提出了作物需水量（腾发量）优化神经网络预测模型以及自适应模糊神经网络预测模型，应用当前的智能化技术根据天气环境参数来预测作物的腾发量。