基于长短期记忆的柑橘园蒸散量预测模型

摘要

传统的柑橘灌溉方式主要依赖人工经验,一方面有可能导致灌溉时机不准确,另一方面有可能造成灌溉量过高或者过低,对果实的生长都会产生负面影响。柑橘果园水分蒸散量是表征耗水量的重要指标。为了实现对大面积柑橘果园蒸散量(Evapotranspiration,ET)的准确估算,制定更加科学精细化的灌溉策略,基于气象数据集,应用长短期记忆(Long short-term memory,LSTM)、极限学习机(Extreme learning machine,ELM)和广义回归神经网络(General regression neural network,GRNN)方法对蒸散量建立预测模型并验证其准确性。结果表明,LSTM模型的平均绝对误差(Mean absolute error,MAE)和均方根误差(Root mean square error,RMSE)是3种模型中最优的,ELM和GRNN模型的性能接近。为了估算3种模型结果的可信度,在训练时加入了蒙特卡洛不确定性分析方法。结果表明,LSTM模型在不同输入特征数量下具有较高的精度,而ELM模型存在预测值偏高的现象,GRNN模型则偏低。