摘要:为了寻找最适宜的鄱阳湖作物蒸散量替代计算方法,文中以FAO Penman-Monteith模型参考作物蒸散量计算结果(ET0)为标准值,使用江西省南昌站1966—2015年逐日最高温度、最低温度、日照时数、风速和相对湿度数据(其中1966—1990年数据用于建立模型,1991—2015年数据用于验证模型),建立12种不同气象要素组合条件下的多元自适应回归样条(MARS)ET0计算模型,并将计算结果与广义回归神经网络(GRNN)、支持向量机(SVM)和经验模型(Hargreaves法、Irmak-Allen法、Makkink法、Pristley-Taylor法)的计算结果相比较.结果表明:3种人工智能算法的ET0计算结果精度均优于相同输入数据下的经验模型.3种人工智能算法中MARS的精度最高,在全参数组合下RMSE为0.227mm/d,R^2为0.982,NRMSE为0.086,其次是支持向量机,其在全参数组合下RMSE为0.266mm/d,R^2为0.978,NRMSE为0.101,GRNN排第三,其在全参数组合下RMSE为0.323mm/d,R^2为0.962,NRMSE为0.123.缺少温度参数时,模型精度总体较差,3种人工智能算法下R^2仅为0.800左右.MARS法不但精度更高,而且具有明确的数学表达式,是鄱阳湖地区适宜的ET0计算方法.
关键词:参考作物蒸发蒸腾量 多元自适应回归样条 经验模型 支持向量机 广义回归神经网络
单位:南昌工程学院水利与生态工程学院; 江西南昌330099; 江西农业大学江西省鄱阳湖流域农业资源与生态重点实验室; 江西南昌330045
注:因版权方要求,不能公开全文,如需全文,请咨询杂志社