湯鵬程，徐　冰，張偉明，高曉瑜，宋一凡

(1.水利部牧區(qū)水利科學(xué)研究所， 內(nèi)蒙古 呼和浩特 010020；

2.河北省天和咨詢有限公司，河北，石家莊 050021； 3.中國農(nóng)業(yè)大學(xué)水利與土木工程學(xué)院， 北京 100083)

?

基于GA-BP網(wǎng)絡(luò)的西藏高海拔地區(qū)ET0預(yù)報

湯鵬程1，徐冰1，張偉明2，高曉瑜3，宋一凡1

(1.水利部牧區(qū)水利科學(xué)研究所， 內(nèi)蒙古 呼和浩特 010020；

2.河北省天和咨詢有限公司，河北，石家莊 050021； 3.中國農(nóng)業(yè)大學(xué)水利與土木工程學(xué)院， 北京 100083)

摘要：選擇那曲縣(海拔4 450 m)、改則縣(海拔4 700 m)作為西藏高原氣候典型地區(qū)，通過遺傳-神經(jīng)(GA-BP)網(wǎng)絡(luò)訓(xùn)練，應(yīng)用1983—2012年30年的數(shù)據(jù)建立GA-BP網(wǎng)絡(luò)模型，采用前一年的氣象資料預(yù)報當(dāng)年的參考作物騰發(fā)量，當(dāng)2010—2012年連續(xù)3年的預(yù)報值均滿足設(shè)定的閾值下限時，輸出預(yù)測結(jié)果，這樣使得模型在保證了預(yù)報精確度的同時兼具預(yù)報穩(wěn)定性。結(jié)果發(fā)現(xiàn)：經(jīng)GA-BP網(wǎng)絡(luò)確定的2010—2012年3年模型預(yù)報值與真實值間的線性關(guān)系明顯，決定系數(shù)R2分別達到0.8805、0.9363、0.9167，斜率接近于1；多年的模擬預(yù)報值與實際值之間的相對誤差均處于0.1以下，小于設(shè)定的閾值下限。對于易獲得氣象資料的地區(qū)，研究成果可對高海拔地區(qū)未來月際間作物需水量的變化進行預(yù)判，進而為將來灌溉制度的制定提供依據(jù)；對于缺測氣象資料的地區(qū)，通過本文建立的網(wǎng)絡(luò)模型，結(jié)合氣象條件類似的站點，可在大時間尺度下對該地區(qū)ET0變化趨勢進行模擬，同時對下年度灌溉制度的擬定提供指導(dǎo)。

關(guān)鍵詞：參考作物蒸騰蒸發(fā)量(ET0)；ET0預(yù)報；遺傳神經(jīng)網(wǎng)絡(luò)模型；高海拔地區(qū)；西藏

西藏高海拔地區(qū)位于我國邊疆，由于特殊的自然地理環(huán)境，加之歷史欠賬較多，與內(nèi)蒙古、新疆等其他民族地區(qū)相比，水利科研嚴(yán)重滯后于工程建設(shè)。關(guān)于參考作物騰發(fā)量(ET0)的計算方面，主要表現(xiàn)在氣象站點有限，計算數(shù)據(jù)缺失。對于中長期參考作物騰發(fā)量(ET0)的計算及其預(yù)報是自然與技術(shù)科學(xué)領(lǐng)域內(nèi)的一個難題，對其進行深入研究具有十分重要的理論與實際意義[1]。造成中長期ET0預(yù)報研究困難的主要原因是ET0本身的計算具有復(fù)雜性及其不確定性[2]。復(fù)雜性表現(xiàn)在正確計算ET0需要對多種氣象數(shù)據(jù)進行觀測，通過復(fù)雜的計算推導(dǎo)得出理論值[3]；不確定性表現(xiàn)在對ET0進行預(yù)報的氣象因子是不確定的、多變的，比如風(fēng)速、降雨、日照等[4]。不僅預(yù)報對象與預(yù)報因子間存在高度復(fù)雜的非線性關(guān)系，預(yù)報因子與預(yù)報因子間也存在復(fù)雜的非線性關(guān)系[3-5]。

在國內(nèi)已有研究中對于ET0預(yù)報多局限于簡單的公式模擬，或是由氣象因素估算ET0，預(yù)報模型通?；贔AO彭曼公式或類似公式的改良與擬合[6-9]。同時基于氣象因素的ET0預(yù)報模型以中短期為主，本文針對參考作物騰發(fā)量的計算特點，基于GA-BP網(wǎng)絡(luò)，利用前一年固定月份的氣象資料，對當(dāng)年同月份ET0進行中長期預(yù)報，預(yù)報效果較好，結(jié)果可靠；對于易獲得氣象資料的高海拔地區(qū)，本模型研究成果可對未來月際間作物需水量的變化進行預(yù)判，進而為將來灌溉制度的制定提供依據(jù)；對于不易獲得氣象資料的地區(qū)，通過本文建立的網(wǎng)絡(luò)模型，同時結(jié)合氣象條件類似的站點，可在大時間尺度下對該地區(qū)ET0變化趨勢進行模擬，同時對下年度灌溉制度的擬定提供指導(dǎo)。

1材料與方法

1.1研究區(qū)概況

研究區(qū)位于西藏自治區(qū)典型高原氣候區(qū)-那曲縣(海拔4 450 m)與改則縣(海拔4 700 m)，分別地處西藏地區(qū)中部與北部，地貌類型為高原山地，平均海拔4 450 m以上，屬高原亞寒帶季風(fēng)半濕潤氣候區(qū),高寒缺氧，氣候干燥，年平均氣溫為-2.2℃，降雨主要集中在6—9月份，多年平均降水量410 mm,多年平均日照時數(shù)為2 886 h以上。全年無絕對無霜期，每年十月至次年五月為風(fēng)雪期和土壤凍結(jié)期，六月到八月為作物生長期。年日照百分率在60%以上，光照資源充足，熱量不足。

1.2研究方法

1.2.1GA-BP網(wǎng)絡(luò)建模思路事物間的聯(lián)系是普遍存在的，盡管很多關(guān)系是復(fù)雜的、多樣且多變的[10]。單純的線性關(guān)系很難準(zhǔn)確地描述某兩者之間的聯(lián)系，在復(fù)雜多變的非線性關(guān)系中如何尋找更加準(zhǔn)確的預(yù)報模型是當(dāng)前預(yù)報研究的重點[11-15]。為了防止神經(jīng)網(wǎng)絡(luò)(BP網(wǎng)絡(luò))容易陷入局部極小影響的缺陷發(fā)生，本文通過遺傳算法對BP網(wǎng)絡(luò)權(quán)閾值進行遺傳優(yōu)化(GA優(yōu)化)，建立GA-BP網(wǎng)絡(luò)模型[16-17]。

GA-BP網(wǎng)絡(luò)模型采用三層神經(jīng)網(wǎng)絡(luò)，具有非常強的非線性處理能力，理論上三層BP網(wǎng)絡(luò)結(jié)構(gòu)，可以通過任意的計算精度逼近任意的輸入與輸出的映射。將經(jīng)過篩選用于計算的k個預(yù)報因子作為神經(jīng)網(wǎng)絡(luò)預(yù)報模型中的自變量(x),因變量y作為期望的網(wǎng)絡(luò)輸出預(yù)報項，首先為GA-BP網(wǎng)絡(luò)確定個體串長(L)：

L=k×g±g±g×n±n

(1)

式中，k為輸入節(jié)點個數(shù)；g為隱層結(jié)點個數(shù)；n為輸出節(jié)點個數(shù)。

其次對BP神經(jīng)網(wǎng)絡(luò)的權(quán)閾值進行遺傳編碼，同時我們將其作為遺傳算法的父代，所以種群中的每個單獨個體均包含了一個BP網(wǎng)絡(luò)所有的權(quán)閾值，可以通過適應(yīng)度函數(shù)對個體的優(yōu)劣性進行評價。

然后，本文通過選擇、交叉和變異操作尋找到最優(yōu)的適應(yīng)度值對應(yīng)的個體，這個被尋找到的最優(yōu)個體即為GA-BP網(wǎng)絡(luò)最優(yōu)權(quán)閾值。

最后利用優(yōu)化后的GA-BP網(wǎng)絡(luò)對預(yù)報因子進行訓(xùn)練，對預(yù)報對象進行預(yù)測。

1.2.2GA-BP網(wǎng)絡(luò)建模流程示意圖GA-BP網(wǎng)絡(luò)算法流程如圖1所示。

1.2.3GA-BP網(wǎng)絡(luò)建模計算GA-BP網(wǎng)絡(luò)建模計算具體計算步驟如下[18-19]：

1) 編碼。

GA-BP網(wǎng)絡(luò)算法采用實數(shù)編碼，其中每個染色體由隱含層閾值、輸入層與隱含層連接權(quán)值、隱含層與輸出層連接權(quán)值和輸出層閾值四部分組成。

2) 適應(yīng)度函數(shù)。

本文把期望輸出和預(yù)測輸出之間的絕對誤差值作為個體適應(yīng)度(ada.),其計算公式為：

(2)

式中，m為系數(shù)，取0～1之間的值；n為網(wǎng)絡(luò)輸出節(jié)點的個數(shù)；oi為第i個節(jié)點的預(yù)測輸出; yi為神經(jīng)網(wǎng)絡(luò)第i個節(jié)點的期望輸出。

圖1算法流程圖

Fig.1Algorithm flow chart

3) 選擇操作。

對于選擇操作這一選項，本文采用輪盤賭法，對于每個個體i的選擇概率pi為：

(3)

(4)

式中，apai為個體i的適應(yīng)度；n為種群個體數(shù)。

4) 交叉操作。

交叉操作采用兩個體算術(shù)交叉，針對所選擇的兩個染色體進行如下交叉：

(5)

(6)

5) 變異操作。

選取第i個個體的第j個基因aij進行變異，變異操作方法如下：

(7)

6) 預(yù)測。

經(jīng)過以上步驟，可以找出適應(yīng)度最大的個體，即為最優(yōu)權(quán)閾值，將其賦值給神經(jīng)網(wǎng)絡(luò)，并進行預(yù)測。

2結(jié)果與分析

2.1GA-BP網(wǎng)絡(luò)實例計算

遺傳神經(jīng)網(wǎng)絡(luò)中的部分輸入數(shù)據(jù)來自那曲縣、改則縣氣象站和中國氣象科學(xué)數(shù)據(jù)共享服務(wù)網(wǎng)。包括1983—2012年30年間每日的日照時數(shù)(JH，h)、平均氣溫(Tmean，℃)、最高氣溫(Tmax，℃)、最低氣溫(Tmin，℃)、平均相對濕度(HUM，%)、平均風(fēng)速(μ，m·s-1)、降雨(P,mm)等。

用于校核模擬值的另一部分輸入數(shù)據(jù)，通過FA056 Penman-Monteith公式(見公式8)計算得到[7]，對典型地區(qū)逐日參考作物騰發(fā)量進行計算，經(jīng)過日累積計算得到月參考作物騰發(fā)量的數(shù)據(jù)，因為對于ET0的預(yù)報值應(yīng)用于作物需水量的預(yù)報研究，所以本文將逐日ET0經(jīng)過累積后可得到月資料，對實際生產(chǎn)更有意義，具體計算結(jié)果見表1。

(8)

式中，ET0為參考作物騰發(fā)量(mm·d-1)；Rn為冠層表面凈輻射(MJ·m-2·d-1)；G為土壤熱通量(MJ·m-2·d-1)；T為平均氣溫(℃)；u2為高度2.0m處風(fēng)速(m·s-1)；es為飽和水汽壓(kPa)；ea為實際水汽壓(kPa)；Δ為飽和水汽壓溫度曲線的斜率(kPa·℃-1)；γ為濕度計常數(shù)(kPa·℃-1)。

表1　1983—2012年作物生育期內(nèi)月ET0

數(shù)據(jù)輸入的時間段為1983—2012年內(nèi)5月到9月份，即作物生育期時間段內(nèi)30年的數(shù)據(jù)資料。模型中采用多年訓(xùn)練的模式，并采用前一年具體月份的氣象基礎(chǔ)數(shù)據(jù)，預(yù)報當(dāng)年對應(yīng)月份的ET0。

Ψi+1,j=f(JHi,j,Tmaxi,j,Tmini,j,HUNi,j,vi,j,Pi,j)

(9)

式中：i表示年份，1983≤i≤2012；j表示月份，5≤j≤9；Ψi+1,j表示對i+1年j月份的預(yù)報值；JHi，j表示i年j月份的日平均日照時數(shù)(h)；Tmaxi,j表示i年j月份的日平均最高溫度(℃)； Tmini,j表示i年j月份的日平均最低溫度(℃)；HUNi,j表示i年j月份的日平均大氣相對濕度(%)；vi,j表示i年j月份的2m高度處的日平均風(fēng)速(m·s-1)；Pi,j表示i年j月份的日平均降雨(mm)。

在GA-BP網(wǎng)絡(luò)計算中，本文利用1983—2009年27年的輸入數(shù)據(jù)進行網(wǎng)絡(luò)的訓(xùn)練，確立模型，利用2010—2012年連續(xù)三年的輸入數(shù)據(jù)進行檢驗，當(dāng)連續(xù)三年的檢驗誤差在規(guī)定的閾值范圍內(nèi)時，默認訓(xùn)練建模成功。

2.2GA-BP網(wǎng)絡(luò)預(yù)報與誤差檢測

在GA-BP網(wǎng)絡(luò)計算中，必須當(dāng)連續(xù)3年的計算數(shù)據(jù)均在規(guī)定閾值的范圍內(nèi)時(≤0.1)，才可輸出模擬結(jié)果。表2中Simulation value表示GA-BP網(wǎng)絡(luò)預(yù)報值; True-value表示真實值；Δ表示絕對誤差；δ表示相對誤差。

絕對誤差(Δ)=預(yù)報值-真實值　(10)

在圖2中可看到那曲地區(qū)與改則地區(qū)5—9月份的ET0真實值與預(yù)報值所做的散點圖，數(shù)據(jù)間線性關(guān)系顯著，2010—2012年決定系數(shù)R2分別達到0.8801、0.9363、0.9169，斜率接近于1。

圖2那曲、改則地區(qū)月ET0真實值與預(yù)報值散點圖

Fig.2The scatter diagrams between true values and predicted values

3結(jié)論與討論

本文選擇那曲縣(海拔4 450 m)、改則縣(海拔4 700 m)作為西藏高原氣候典型地區(qū)，通過遺傳-神經(jīng)(GA-BP)網(wǎng)絡(luò)訓(xùn)練，應(yīng)用1983—2012年30年的數(shù)據(jù)建立GA-BP網(wǎng)絡(luò)模型，對西藏高原氣候區(qū)主要牧草作物生育期內(nèi)5—9月份的參考作物騰發(fā)量進行預(yù)報研究。通過GA-BP網(wǎng)絡(luò)訓(xùn)練，ET0預(yù)報值與真實值間的線性關(guān)系明顯，決定系數(shù)R2分別達到0.8805、0.9363、0.9167，斜率接近于1；多年的模擬預(yù)報值與實際值之間的相對誤差均處于0.1以下。在模型建立過程中，當(dāng)連續(xù)3年預(yù)報值均滿足要求時輸出的結(jié)果本模型才予以采用，這樣在保證了GA-BP網(wǎng)絡(luò)預(yù)報精確度的同時使其兼具穩(wěn)定性。

對于易獲得氣象資料的地區(qū)，本研究成果結(jié)合該地區(qū)對應(yīng)作物的作物系數(shù)，可進一步對高海拔地區(qū)未來月際間作物需水量的變化進行預(yù)判，進而為將來灌溉制度的制定提供依據(jù)；對于缺測氣象資料的地區(qū)，通過本文建立的網(wǎng)絡(luò)模型，結(jié)合與該地區(qū)氣象條件類似的氣象數(shù)據(jù)，可在大時間尺度下對氣象資料缺測地區(qū)ET0變化趨勢進行模擬。本研究成果可對下年度灌溉制度的擬定提供指導(dǎo)，可以提高勞動效率，有效地緩解當(dāng)?shù)貏趧恿o張的局面。

本研究中所述模型在得到區(qū)域氣象信息后可以應(yīng)用于大面積參考作物騰發(fā)量的預(yù)報，但對于缺少氣象資料的地區(qū)預(yù)報過程中需要考慮空間變異性，如何對高海拔地區(qū)參考作物騰發(fā)量實時預(yù)報并進行合理性和有效性檢驗，以及如何用于不同地區(qū)和不同作物將需進一步的深入研究。

參 考 文 獻：

[1]Zhao Lu, Liang Chuan, Wei Renjuan, et al. Temporal and spatial variations of ET0and sensitivity coefficients in spring-summer in eastern agricultural areas of Qinghai, China[J]. Journal of Mountain Science, 2012,(6):817-826.

[2]霍再林.基于人工智能的參考作物騰發(fā)量與作物水鹽響應(yīng)研究[D].呼和浩特:內(nèi)蒙古農(nóng)業(yè)大學(xué),2004:71.

[3]馮克鵬,田軍倉.寧夏參考作物騰發(fā)量的時空特征分析[J].灌溉排水學(xué)報，2013，(5):26-29.

[4]張火青，雒文生.預(yù)報因子及預(yù)報方程的優(yōu)化探討[J].人民珠江，2000,(2)：13-15.

[5]史峰,王小川,郁磊.MATLAB神經(jīng)網(wǎng)絡(luò)30個案例分析[M].北京：北京航空航天大學(xué)出版社，2010：183-187.

[6]王志強,朝倫巴根,柴建華.用多變量灰色預(yù)測模型模擬預(yù)測參考作物蒸散量的研究[J].中國沙漠,2007,(4):584-587.

[7]Allen R G. Crop evapotranspiration: guidelines for computing crop water requirements:FAO irrigation and drain paper 56[Z]. University of Michigan: Fao and Agriculture Organization of the United Nations, 1998:56-57.

[8]蔣任飛,阮本清,韓宇平,等.基于BP神經(jīng)網(wǎng)絡(luò)的參照騰發(fā)量預(yù)測模型[J].中國水利水電科學(xué)研究院學(xué)報，2005,3(4):308-311.

[9]夏克文,李昌彪,沈鈞毅.前向神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點數(shù)的一種優(yōu)化算法[J].計算機科學(xué)，2005,32(10):143-145.

[10]Yan Dan, Zhang Jilong, Wang Zhibin, et al. Prediction model of gas volume fraction based on golden section and BP network[J]. Transducer and Microsystem Technologies，2012,(1):4-6.

[11]Xie Wujie, Wang Ying, Sgen Maoxing, et al. The modeling and application of surface-to-air missile survivability prediction model[J]. Journal of Projectiles, Rockets, Missiles and Guidance，2012,(1):2775-2781.

[12]Yan Xiaoming, Zheng zhi. Research on gradient functions of BP artificial neural networks[J]. Journal of Fujian Institute of Education，2011，(1):120-123.

[13]XIE Yuangui, et al. Study on prediction for grain yield based on REMCC-BPNN[J]. Journal of Anhui Agricultural Sciences，2013,(6):2775-2778.

[14]Lei Yu, Li Xiaoan. Study on GA-BP-based neural network inference mechanism[J]. Electronic Design Engineering，2013,(2):34-37.

[15]Yan Zheping, Li Zi, Chen Tao, et al. Heading fault-tolerant control for UUV based on GA-BP neural network[J]. Chinese Journal of Sensors and Actuators, 2013,(9):1237-1242.

[16]Wang Bo, Hu Shuhui, Cao Zhijian. Application of GA-BP neural network on radar target tracking[J]. Fire Control Radar Technology，2010,(3):18-22.

[17]Sun Bin, Jiang Nengfei. Application of thermal comfort index based on artificial neural network[J]. Journal of Civil,Architectural & Environmental Engineering，2011,(S1):66-69.

[18]Chen Jielai, Sun Junlan. Prediction model of surface roughness in ultra-precision turning processing based on GA neural network[J]. Manufacturing Automation，2011,(24):10-12.

[19]Wang Linlin, LI Yijie, Wang Kegang. Improved BP algorithm in reinforced concrete beam deflection forecast[J]. Computer Measurement & Control，2012,(1):50-58.

ET0forecast on the basis of GA-BP network in high altitude areas of Tibet

TANG Peng-cheng1, XU Bing1, ZHANG Wei-ming2, GAO Xiao-yu3, SONG Yi-fan1

(1.InstituteofWaterResourcesforPastoralAreaofIWHR,Hohhot,InnerMongolia, 010020,China;2.TheTianheConsultingLimitedCompanyofHebei,Shijiangzhuang,Hebei050021,China;3.CollegeofWaterResourcesandCivilEngineering,ChinaAgriculturalUniversity,Beijing,100083,China)

Abstract：As the typical climate area of Tibet plateau, Nagqu County (4 450 m above sea level) and Gerze County (4 700 m above sea level) were chosen to build a Genetic Algorithm-Back Propagation (GA-BP) model through the GA-BP network training using data from 1983 to 2012. The ET0 was obtained by the monthly meteorological data from the previous year. When the forecast values for consecutive years between 2010 and 2012 met the threshold limit set, the forecast values would be exported, which could ensure accuracy and stability of the forecast. The results showed that the there was a great linear relationship between the predicted values by GA-BP model and the real values, reaching R2 values of 0.8805, 0.9363 and 0.9167, respectively. The relative error produced by predicted values and real values were all smaller than 0.1, which was less than the threshold. In conclusion, the model can be used to predict the ET0 of different months during crop growth period, and then the inter-monthly water demand of crops can be estimated in the future. It can further provide the basis for future irrigation schedule. For areas lacking meteorological data, based on the network model discussed in this article, the ET0 variation in these areas can be simulated within a big time frame by referring to other stations with similar meteorological conditions, which can provide guidance for the irrigation schedule of next year.

Keywords:reference crop evapotranspiration (ET0); prediction of ET0; genetic algorithm-back propagation model; high altitude areas; tibet

中圖分類號：S163

文獻標(biāo)志碼：A

作者簡介：湯鵬程(1988—)，男，河北石家莊人，助理工程師，主要研究方向為節(jié)水灌溉技術(shù)。 E-mail：tangpc1988@163.com。

基金項目：國家自然科學(xué)基金項目“西藏高海拔地區(qū)ET0計算公式試驗率定與作物系數(shù)推求”(51579158)；中國水科院科研專項基金項目“西藏地區(qū)灌溉飼草料地節(jié)水豐產(chǎn)集成模式研究”(MK2014J01)

收稿日期：2015-05-30

doi:10.7606/j.issn.1000-7601.2016.02.34

文章編號：1000-7601(2016)02-0212-06