基于卷積神經網絡的逐日參考蒸騰量估算研究

劉凌峰

(遼寧省湯河水庫管理局有限責任公司，遼寧 遼陽 111000)

0 前 言

作物蒸騰量是指植株在生長發育期間的植株蒸騰量與株間蒸騰量的總和，通過計算作物蒸騰量可預測植株生長發育的需水總量，因此蒸騰量的精準預報是規劃灌區與灌溉用水調度的基礎[1-2]。不同時期作物需水量受多種因素影響，如，作物種類、培育條件、土壤濕度等。蒸騰量等于蒸騰系數(Kc)和參考蒸騰量(ET0)之積，由于當水分充足時各種植株蒸騰系數幾乎是一個穩定的數，故，通過預報ET0可預測騰發量。ET0的預報大體有FAO Penman法、FAO56 Penman—Monteith法、Irmark—Allen擬合法、Priestley—Taylor法以及Hargreaves—Samani法等。各方法的適用范圍不盡相同。其中，Hargreaves—Samani較適合晝夜溫差較小的地區使用，Irmark—Allen擬合法與Priestley—Taylor法則更適合在相對濕度較大的地方使用[3-4]。

在多種計算ET0方法中，FAO推薦的彭曼(PM)公式應用較為廣泛，該公式具較高的估算準確度，閆曉惠等人[5]了基于全球氣候變化模式和Penman-Monteith公式的長期逐日ET0估算方法， 以溫哥華、加拿大渥太華、溫尼伯等地區為例，最終表明了這種模型得到的估算值與實際基本符合。但該方法仍具有一定的局限性，對氣象資料的完整性和數據要求比較嚴格，且計算較為復雜，因此該方法的推廣受限。亟需一種新計算簡單準確適用范圍廣的方法。隨著人工智能數據處理技術與計算機學習能力的迅速發展，為解決多學科問題提供了技術支持。近年來，卷積神經網絡等方法用于解決各類水利相關問題，得到了很大的成效[6]。該方法具有三大明顯優勢：1) 可以進行監督學習和非監督學習；2)大大減少了計算量；3)對數據沒有額外的繁雜要求。基于此，文章提出了基于卷積神經網絡的ET0估算方法( 即“GCM-CNN法”)，通過獲取實地測量的逐日溫度數值、使用Hargreaves模型估算了2011-07-01至2020-03-31間大連市莊河地的ET0。分別利用MRI-CGCM3模型( 即“GCM法”)和新提出的CNN法估算該地的ET0，并與已有的GP方法進行對比，判斷該方法ET0估算的估算準確度。

1 方 法

1.1 ET0計算方法

隨著近年來水資源消耗加劇，能否合理規劃灌區，調度灌溉用水對于優化水資源利用尤為重要。大連莊河市是遼南地區的水源重地，因此準確估算該地的ET0對調度灌溉用水尤為重要。首先采集了2011-07-01至2020-03-31莊河地區的每日氣象數據，共得到3197組數據。之后使用Penman-Monteith公式估算ET0。

1.2 MRI-CGCM3模式

對于未來幾十年甚至上百年的氣候變化預估，目前最主要的方式是利用全球和區域氣候模式。MRI-CGCM3是2012年由氣象研究中心(Meteorological Research Institute: MRI) 推出的一種新的預氣象變化模型。該模型是由 MRI 以前的氣候模型 MRI-CGCM2的基礎上進行升級改造而成，主要可提供氣溫、降雨、海平面氣壓、風速和降雪等氣象數據。文章利用MRI-CGCM3模式采用MATLAB代碼采集大連市莊河地區的氣象預測數據，之后使用 PM公式估算該地區的ET0值。

1.3 遺傳編程

遺傳編程(Genetic Programing)是基于遺傳算法的自編程算法，是借鑒生物演化遺傳過程而產生的一種算法。它首先隨機生成模型庫，之后對模型進行性能評價，再通過基因繁殖(Reproduction)、基因突變(Mutation)、和基因交叉(Crossover)等運算來對模型進行演化，最終得到滿意的模型。文章采用基于MRI-CGCM3模式的遺傳編程算法(GCM-GP)來建立ET0模型并進行ET0的計算，在該方法中，輸入量為MRI-CGCM3模式的氣溫數據，輸出量為實際的ET0，因此采用該算法得到的最終模型可以直接表示MRI-CGCM3模式氣溫數據與實際ET0之間的關系。

1.4 卷積神經網絡

卷積神經網絡(Convolutional Neural Networks, CNN)是通過卷積計算且能進行深度運算的前饋神經網絡 ，是深度學習的最流行算法之一。經典的神經網絡模型通常需要將整個圖像作為神經網絡模型并進行讀取輸入，因此圖像越大， 模型采集的數據也越多，計算量非常大，顯著降低訓練效率，增加了訓練難度。而使用卷積神經網絡可以很好地解決此類問題。

文章使用卷積神經網絡方法形成了莊河地區的ET0模型，進行ET0的估算， 相較于以往建立的模式，該模型通過輸入MRI-CGCM3模式的氣溫數據得到實際的ET0，可直接得到MRI-CGCM3模型氣溫值與實際ET0之間相關性， 極大降低了計算量并提高了計算效率，提高了估算的準確度。

1.5 性能評價

通過模型計算得到模擬值與獲取的實際測量值的均方根誤差(RMSE)和決定系數值(R2)用于評估該模型的估計準確度，該公式表示為：

均方根差(RMSE)：

(1)

決定系數(R2)：

(2)式中：xs為實測值；xm為模擬值。

2 結果與討論

2.1 基于GCM法的ET0預報結果

通過計算實測數據的ET0(簡稱實際值)與GCM模型預測的ET0(簡稱GCM模擬值)，得到了表1所示的預測結果。結果顯示實際值與GCM模擬值基本吻合，GCM模擬值的特征值比實際值偏小。其中Maximum偏小約12%，Median偏小約30%，Average偏小約25%。因此采用得到的預測值會比實際值偏小。該方法預測準確度仍需提高。

2.2 基于GCM-GP的ET0預報結果

采用MATLAB程序對獲得的3197組數據進行數據處理，其中隨機獲取80%的數據用于模型訓練，其余20%的數據用于模型驗證。該模型輸入值為MRI-CGCM3模式的氣溫數據，輸出值為得到的實際ET0，該算法將得到的ET0可作為新的ET0模型，之后可以采用該模型和輸入量計算輸出量。

表1 實際ET0和GCM模擬ET0的統計特征參數

圖1 實際ET0與GP模擬ET0的比較圖

該模型計算ET0值得到的為GCM-GP模擬ET0(簡稱GP模擬值),并與實際ET0進行比較，如圖1所示。圖形結果顯示，該模型得到的GP模擬值與實際值吻合程度較好，有較強的一致性。因此，說明總體預測結果準確度較高。

從誤差數據來看，實際ET0與GP模擬ET0的RMSE和R2值分別為0.37mm/d和0.94。說明預測與實際ET0比較的離散程度較小。平均誤差為0.0013，說明GP預測值與實際值相比偏高，但兩者數據相差非常小。因此，該模型預測準確2度較高，相較于GCM結果，其計算精確度提升。

2.3 基于CNN的ET0預報結果

基于CNN模型計算得到的CNN模擬ET0(簡稱CNN模擬值),通過與實際ET0進行比較得到了對比圖，如圖2所示。圖形結果顯示，該模型得到的CNN模擬值與實際值有較強的一致性。圖像的擬合程度較好，沒有較大的偏差出現。因此，說明CNN模型對于ET0預測準確度較高。

圖2 實際ET0與CNN模擬ET0的比較圖

從誤差數據來看，實際ET0與CNN模擬ET0的RMSE值為0.14mm/d，R2為0.99。說明預測與實際ET0的擬合程度很好。平均誤差為-0.00057 ，說明CNN預測值與實際值相比略有偏小，但兩者相差不大。相較于GP模型的誤差分析，CNN預報的RMSE值比GP模型預測值更小，而R2值則更大，說明該模型與真實值之間的偏差更小。因此，該模型預測準確度比GP模型更高，CNN法在三種方法中計算ET0的效果最好，具有非常好的推廣價值。

3 結 語

通過獲取莊河地區逐日氣溫實測數據，并利用PM方法計算了該地區 2011-07-01至2020-03-31期間的逐日ET0。提出了關于逐日參考作物蒸騰量(ET0)預報的卷積神經網絡(CNN)人工智能方法, 預報ET0，并與已有的GP方法結果進行比較。結果顯示，兩種模型計算所得數據與實際測量數據均基本一致，但 CNN方法明顯可提高ET0的預報準測度(相比于 GP法，CNN方法的RMSE值降低了約23%，而R2值提高了約0.6%)，具有更好的發展前景。文章采用CNN法在莊河地區建立了較好的ET0預測模型，CNN法是否適用于其他地區亟待進一步的研究與論證，因此接下來的研究中，可以嘗試利用該方法建立不同地區的ET0預報模型，或利用人工智能遷移學習的方法將該模型遷移到其他地區進行學習，提高CNN預報模型的適用性。