气象资料受限条件下BP神经网络优化模型模拟参考作物蒸散量:以京津冀地区为例

摘要

为确定气象数据缺乏地区参考作物蒸散量(ET0)的最优简化估算模型,本文以京津冀地区作为研究区域,以传统BP神经网络模型为基础,基于粒子群算法(PSO)、遗传算法(GA)、思维进化算法(MEA)、麻雀算法(SSA)和人工鱼群算法(AF)5种优化算法,构建了PSO-BP、GA-BP、MEA-BP、SSA-BP、AF-BP共5种优化模型,并将计算结果与3种传统机器学习模型BP模型、随机森林模型(RF)、小波神经网络模型(WNN)和2种经验模型Hargreaves模型(HS)、Droogres-Allen模型(DA)进行对比,在仅输入温度数据的条件下,得出区域ET0最优估算模型。结果表明:在不同区域,5种优化模型计算精度显著高于其余模型,其中,SSA-BP模型均表现出了较高的精度,RMSE、R^(2)、E_(ns)和MAE分别为0.297~0.402mm·d^(−1)、0.879~0.946、0.862~0.940、0.210~0.300mm·d^(−1),模型GPI在研究区域内排名第1位;在相同气象数据条件下,机器学习模型精度优于HS模型和DA模型,其中SSA-BP模型精度最高。因此,在仅有温度资料的条件下,SSA-BP模型可作为京津冀地区ET0估算的标准模型使用。