参考作物腾发量

摘要： 为了提出一套比较精确的适合江西省的水稻参考作物腾发量(ET;)预报方法,采用PM公式和26个气象站点的历史气象数据来计算ET0,以此为基准值对Hargreaves-Samani(HS)模型、Blaney-Criddle(BC)模型及McCloud(MC)模型进行率定。并利用天气预报数据,评价3种ET0预报模型在江西省各个站点的适用性。结果表明:经过参数校正后,HS模型、BC模型及MC模型的ET0预报值在26个站点的平均的准确率分别为86.63%、85.81%、87.12%,平均绝对误差的均值分别为0.75、0.80、0.76 mm/d,平均的均方根误差分别为0.98、1.00、0.99 mm/d,平均的相关系数分别为0.76、0.76、0.78,有16个站点推荐使用HS模型进行ET0预报。对于江西省各个站点,预报精度最好的是HS模型,MC模型其次,BC模型最差。整体来看,采用率定后的HS模型进行预报,可为江西省灌溉预报及决策提供较为准确的ET0预报数据。

摘要： 为实现参考作物腾发量(ET_(0))在气象资料缺失地区的准确计算,探究ET_(0)简便方法在泸州市的适用性,以Penman-Monteith(PM)法作为标准方法,对Hargreaves(Har)法、FAO24 Blaney-Criddle(FAO24 BC)法、Makkink(Mak)法、Priestley-Taylor(PT)法计算的ET_(0)进行适用性分析,并采用线性关系和贝叶斯公式对各方法进行修正。通过误差分析得出,Har、PT法在研究区的适用性较好,RMSE在0.5~1.1 mm/d、PE在10%~15%,误差相对较小,且利用线性关系修正比贝叶斯公式好,线性修正后的Har法、PT法误差分别下降50%、80%左右,可以看出PT法的修正效果比Har法更理想。采用线性关系修正后的PT法更适合代替PM法计算气象资料缺失时的ET_(0),可为估算作物需水量提供理论依据和数据支持。

摘要： 参考作物腾发量ET_(0)是作物需水量计算的关键因子,是水循环研究的重要因素。研究气候变化背景下参考作物腾发量长期变化规律,阐明其主要成因,可为应对气候变化对农业产生的影响和区域水资源规划管理提供基础。采用FAO推荐的Penman-Monteith公式计算了淀西平原1955-2018年逐日ET_(0),分析了ET_(0)及其构成项辐射项ETrad和空气动力学项ET_(aero)的长期变化规律,利用Mann-Kendall方法分析了ET_(0)及其主要驱动因素平均温度、湿度、日照和风速的变化趋势,并利用偏相关分析获得ET_(0)和主要驱动因素之间的关系。结果显示:淀西平原多年平均ET_(0)为1070.5 mm,ET_(0)下降趋势明显,倾向率为-19.5 mm/10 a。多年平均ETrad和ET_(aero)占ET_(0)的百分比分别为61.2%和38.8%。从4月至10月以辐射项为主,辐射项占参考作物腾发量的53.0%~80.2%,其他时段空气动力学项占的比例大些。淀西平原平均温度呈显著上升趋势,温度倾向率为0.23°C/10 a;日照时数、平均风速和相对湿度倾向率分别为-138.85 h/10 a、-0.09 m/s/10 a和-0.58%/10 a。从偏相关分析来看,参考作物腾发量与平均温度、日照时数、平均风速呈显著正相关,相关系数分别为0.909、0.608和0.534,与相对湿度呈显著负相关,相关系数为-0.371。淀西平原参考作物腾发量呈显著下降趋势,主要因为日照时数和风速的显著下降所致。

摘要： 为了解不同机器学习算法在预测不同气候区参考作物腾发量(ET_(0))方面的表现,以中国干旱区和湿润区共计20个气象站点1960-2019年的逐日气象数据为依据,以PM和HS公式计算的ET_(0)为参考,评价了多元逐步回归(SL)、支持向量机(SVM)和高斯过程回归(GPR) 3种机器学习算法的ET_(0)预测精度及其适用性。结果表明:(1)当分别以PM和HS公式计算的ET_(0)数值为标准时,3种机器学习算法模拟ET_(0)精度大小关系均表现为:GPR>SVM>SL,且GPR算法的模拟精度最高,其相关系数(R~2)均高达0.950以上。(2)当采用同一种机器学习算法时,其在以PM公式计算的ET_(0)为参考值情况下的R~2范围为0.965~0.995、RMSE的范围为0.212~0.260 mm/d、MAE的范围为0.151~0.201 mm/d;以HS公式计算结果为参考值时,其R~2范围为0.935~0.984、RMSE范围为0.832~0.964 mm/d、MAE范围为0.596~0.745mm/d。(3)在不同气候分区,以同一参考公式计算结果为标准值时采用机器学习算法模拟干旱区的ET_(0)精度均优于湿润区,其R~2提高了0.01。(4)对比不同机器学习算法的稳健性,SL和SVM算法在分别以PM和HS公式计算结果为参考值时的稳健性最高,其训练到模拟阶段的R~2变化幅度仅为0.16%和0.11%,而GPR算法稳健性均最低。(5)对比不同机器学习算法训练时间成本,SVM和GPR算法的计算成本显著高于SL算法。综合分析3种算法的ET_(0)预测精度、稳健性和计算成本,SVM算法可推荐为中国干旱区和湿润区较为精准预测参考作物腾发量的方法。且机器学习模拟精度与气象因子的定量关系表明,日照时数(N)变化是影响各算法预测精度的主要因子。

摘要： 针对BP神经网络在参考作物腾发量(ET 0)计算方面存在稳定性差、易陷入局部最优的缺陷,通过平均影响值算法(MIV)和SPSS软件对影响ET 0的变量进行筛选,消除多重共线性,同时计算各变量对ET 0的相对贡献率,选择相对贡献率较高的3个变量作为输入;同时,提出改进的非线性随机递减蝙蝠算法(NRDBA)对BP神经网络的权值和阈值进行优化,该算法将非线性随机递减权重引入速度更新公式中以提高算法的全局收敛性。将改进的NRDBA-BP算法应用于商丘地区的ET 0预测中,并建立BP、BA-BP和PSO-BP三种预测模型与之进行对比。实验结果表明,4种模型中,NRDBA-BP模型的R 2值最大,MSE最小,这表明提出的NRDBA-BP模型与ET 0的真实值更加接近,其预测精度更高,可以有效提高ET 0的预测能力。

摘要： 针对BP神经网络在参考作物腾发量(ET0)计算方面存在稳定性差、易陷入局部最优的缺陷,通过平均影响值算法(MIV)和SPSS软件对影响ET0的变量进行筛选,消除多重共线性,同时计算各变量对ET0的相对贡献率,选择相对贡献率较高的3个变量作为输入;同时,提出改进的非线性随机递减蝙蝠算法(NRDBA)对BP神经网络的权值和阈值进行优化,该算法将非线性随机递减权重引入速度更新公式中以提高算法的全局收敛性.将改进的NRDBA-BP算法应用于商丘地区的ET0预测中,并建立BP、BA-BP和PSO-BP三种预测模型与之进行对比.实验结果表明,4种模型中,NRDBA-BP模型的R2值最大,MSE最小,这表明提出的NRD-BA-BP模型与ET0的真实值更加接近,其预测精度更高,可以有效提高ET0的预测能力.

摘要： 利用世界粮农组织的Penman-Monteith方法以及敏感曲线分析法,对甘肃国家级地面站点民勤站1968-2018年来的参考作物腾发量和气象因素的变化规律及各气象因子对参考作物腾发量变化的贡献大小进行了研究.结果 表明:1)民勤站参考作物腾发量ET0年内变化特征呈抛物线形式,在1-5月增加,8-12月递减,7月达到最大值为5.29 mm/d,年际变化整体呈波动上升趋势;2)利用相关性分析与主成分分析发现ET0与平均最高气温Tmax平均饱和水汽压差VPD的相关性最大,利用偏相关性分析发现ET0与平均风速U、平均净辐射与土壤热通量的差Rn-G的相关性最小,但ET0与U、Rn-G的偏相关性较大,说明ET0与U、Rn-G的关系受其他气象因素的影响较大;3)气象因素的年内变化与ET0对各气象因素的敏感系数在年内的变化趋势有一定的相似度.ET0对RnG的敏感系数不大,但是由于Rn-G自身的增长幅度较大,导致Rn-G对ET0增长的贡献率最大;平均气温T和VPD对ET0的增长也产生了一定的贡献;U对ET0的增长产生了较大的负贡献.

摘要： 为了提出适合我国三江平原的高精度ET0预报方法,基于该区6个气象站点的天气预报数据和实测气象数据,以FAO56-Penman-Monteith(FAO56-PM)公式计算值为基准,比较Hargreaves-Samani(HS)、Thornthwaite(TH)和Blaney-Criddle(BC)3个ET_(0)预报模型的效果,对最优模型进行敏感性分析。结果表明:3个模型1~7 d预见期平均绝对误差均值分别为0.66、0.65、0.65 mm/d,均方根误差分别为0.93、0.96、0.95 mm/d,相关系数分别为0.857、0.828、0.840。1~5 d预见期最优预报模型为HS模型,6~7 d为TH模型。总体上预报精度由高到低为HS、TH、BC模型,建议采用HS模型在三江平原开展ET_(0)预报,HS模型预报对最高温预报的敏感性大于最低温。其预报值在夏季受温度预报误差影响最大,冬季最小,4季整体误差较小。研究可为灌溉预报提供较准确的数据基础。

摘要： 为对气候变化下不同时间尺度参考作物腾发量(ET 0)的变化规律及其主控因子进行研究,为北京地区制定作物灌溉制度提供参考。基于1970—2019年北京市的逐日气象资料,对不同时间尺度上ET 0进行趋势分析,并采用相关分析与因子分析相结合的方法确定ET 0主控因子。研究表明:①日尺度下,ET 0年内变化呈双峰型曲线变化,第一峰值为5.32 mm/d,第二峰值为3.93 mm/d,年内均值为2.78 mm/d;月尺度下,ET 0呈单峰变化趋势,1月份最低,5月份最高,分别为31.3、148.2 mm;ET 0的年际变化范围为901.33~1095.47 mm,年际变化倾向率为6.32 mm/(10年)。②各气象因子与ET 0的相关性随年内月份的不同而表现出差异性,仅采用相关分析法难以真实厘清各个气象因子对ET 0的影响作用;采用因子分析后可知,影响北京地区夏季和春季ET 0的主控因子分别是温度辐射因子和湿度日照风速因子;结合相关性分析表明,北京地区ET 0增加趋势主要是气候升温导致的。本研究对气候变化下北京地区未来农业用水管理具有实际指导意义。

摘要： 为对气候变化下不同时间尺度参考作物腾发量(ET0)的变化规律及其主控因子进行研究,为北京地区制定作物灌溉制度提供参考.基于1970—2019年北京市的逐日气象资料,对不同时间尺度上ET0进行趋势分析,并采用相关分析与因子分析相结合的方法确定ET0主控因子.研究表明:①日尺度下,ET0年内变化呈双峰型曲线变化,第一峰值为5.32 mm/d,第二峰值为3.93 mm/d,年内均值为2.78 mm/d;月尺度下,ET0呈单峰变化趋势,1月份最低,5月份最高,分别为31.3、148.2 mm;ET0的年际变化范围为901.33～1095.47 mm,年际变化倾向率为6.32 mm/(10年).②各气象因子与ET0的相关性随年内月份的不同而表现出差异性,仅采用相关分析法难以真实厘清各个气象因子对ET0的影响作用;采用因子分析后可知,影响北京地区夏季和春季ET0的主控因子分别是温度辐射因子和湿度日照风速因子;结合相关性分析表明,北京地区ET0增加趋势主要是气候升温导致的.本研究对气候变化下北京地区未来农业用水管理具有实际指导意义.

摘要： 研究参考作物腾发量的时空变化特征,有助于了解新疆维吾尔自治区农牧业及生态需水的分布与演变规律.选择新疆吾尔自治区范围68十气象站的气象观测资料,应用Penman Monteith公式,计算得出不同气候分区的历年参照作物腾发量ET0,分析了不同气候分区不同年份ET0的变化情况.采用ArcGIS空间插值技术绘制新疆维吾尔自治区参考作物腾发量的分布图,结果表明:各站ET0变化在660～18OO mm,其空间分布总体表现为南疆大于北疆、东部大于西部、盆地大于山区的分布格局.

摘要： 根据南京站2001-2011年实测气象数据,以Pemman Monteith(PM)分式计算得到的参考作物腾发量ET0值作为基准值,对仅需要气温数据计算参考作物腾发量的Hargreaves Samani(HS)公式进行参数率定,采用率定后的HS公式依据2012年6月-2015年6月气温预报数据对南京水稻、冬小麦不同生育期未来1～7d的ET0进行预报,并与基于实测气象数据的PM法计算的ET0值进行比较,评价HS法的ET0预报精度.结果表明:最低、最高气温实测值与预报值相关系数分别为0.97和0.93,最低气温预报精度略高于最高气温;预见期1～7d内,水稻、冬小麦不同生育期ET0预报值与PM法计算值变化趋势基本一致,整个生育期内冬小麦ET0预报值与PM法计算值吻合程度更好,水稻、冬小麦相关系数分别选0.60.0.80左右;水稻各生育期平均准确率为66.0％～97.5％,平均绝对误差为0.65～1.22mm/d,均方根误差为0.76～1.42mm/d,冬小麦各生育期平均准确率为75.4％～99.5％,平均绝对误差为0.33-1.06mm/d,均方根误差为0.43～1.23mm/d;作物生育期各阶段对气温预报误差越敏感,ET0预报精度越低,随着生育期的推进,水稻对气温预报误差的敏感程度逐渐减小,相应的ET0预报精度进新增加,而冬小麦反之;但整体上预见期1～7d的气温预报及ET0预报精度达到可利用程度,可为快速灌溉预报及灌溉决策提供数据支撑.

摘要： 参考作物腾发量(ET0)为制定合理的作物灌溉制度和区域灌溉方案提供了基本依据,使作物需水量估算有了统一的基础.本文基于本溪地区4个气象站(本溪站、本溪县站、桓仁站、草河口站)逐日气象资料,采用Penman-Monteith公式,计算得出四站年内及年际参考作物腾发量ET0.运用气候趋势系数法研究各个参数的变化趋势及ET0的演变特征.结果表明本溪地区参考作物腾发量年际变化幅度不大,ET0总体呈平稳下降趋势;而年内变化较大,呈单峰型变化曲线,5月份腾发量最大,1月份最小,夏季平均腾发量要高于春季,冬季腾发量最少,各站变化一致,ET0呈现明显的以年为周期的变化特征.本溪地区参考作物腾发量由东南向西北递增,蒸发梯度变化不是很大.

摘要： 为提高短期ET0预报的精度,以FAO56-Penman-Monteith(PM)公式计算值为基准,比较了基于天气预报的Hargreaves-Samani(HS)和与Penman-Monteith(PM)两种ET0预报模型.收集了西藏林芝站2000年1月-2014年12月的历史实测气象数据用以HS模型参数的率定与验证.以2014年1月-2016年12月农业干旱实时监测逐日对未来7d的气象预报数据和两种方法进行ET0预报.其中天气预报资料包括:日最高温、日最低温、天气类型和风力等级.天气类型和风力等级分别换算为日照时数和平均风速应用于PM模型中,并与以实测气象数据和PM模型计算的ET0进行比较.结果表明:最低气温、最高气温、日照时数、风速的预报精度逐渐降低,利用这两种方法分别预报ET0时,1～7d预见期平均绝对误差均值MAE分别为0.44mm/d、0.61mm/d;均方根误差RMSE分别为0.56mm/d、0.74mm/d;相关系数r分别为0.78、0.71.由于通过天气类型、风力等级预报转换成的日照时数和平均风速预报并不准确,考虑了天气和风力影响的PM模型并不能提高ET0预报精度.

摘要： 以河套灌区义长灌域永联试验区为例,对水均衡法中采用不同时间和空间尺度时的蒸散发估算结果进行了比较分析.然后借鉴由参考作物腾发量(ET0)计算实际蒸散发量的思路,以区域平均埋深和累积生长度日(GDD)为变量,建立综合因子,再结合参考作物腾发量估算出区域蒸散发.利用永联试验区的数据对模型进行检验,结果可靠.该模型需要数据较少,易应用,为实时估算农田区域蒸散发量提供了一种方法。

摘要： 实时、准确的对作物参考腾发量(ET0)的预测是实现智能节水灌溉发展精准农业的必要条件之一,同时有利于研究区域水分的供需平衡.随着人工智能算法在ET0的预测中有了越来越多的应用,出现了多种以神经网络为基础的ET0的预测模型与算法,在算法上存在着收敛速度慢、精度不和网络泛化能力不够好的问题,难以适应ET0随机性和不确定性的特点,而且针对新疆干旱地区的研究并不多见.本文以新疆吐鲁番绿洲盆地地区为研究区域,以日平均气温、相对湿度、日照时长和风速为输入量,ET0为输出量,建立了以粒子群算法优化三层BP神经网络的预测模型,经验证该模型在网络训练的过程中,其输入数据和期望输出数据有着很高的相关性,具有较高的精度和收敛速度,为干旱区农业带计算ET0值提供了新的思路与方法.

摘要： 实时、准确的对作物参考腾发量(ET0)的预测是实现智能节水灌溉发展精准农业的必要条件之一,同时有利于研究区域水分的供需平衡.随着人工智能算法在ET0的预测中有了越来越多的应用,出现了多种以神经网络为基础的ET0的预测模型与算法,在算法上存在着收敛速度慢、精度不和网络泛化能力不够好的问题,难以适应ET0随机性和不确定性的特点,而且针对新疆干旱地区的研究并不多见.本文以新疆吐鲁番绿洲盆地地区为研究区域,以日平均气温、相对湿度、日照时长和风速为输入量,ET0为输出量,建立了以粒子群算法优化三层BP神经网络的预测模型,经验证该模型在网络训练的过程中,其输入数据和期望输出数据有着很高的相关性,具有较高的精度和收敛速度,为干旱区农业带计算ET0值提供了新的思路与方法.

摘要： 实时、准确的对作物参考腾发量(ET0)的预测是实现智能节水灌溉发展精准农业的必要条件之一,同时有利于研究区域水分的供需平衡.随着人工智能算法在ET0的预测中有了越来越多的应用,出现了多种以神经网络为基础的ET0的预测模型与算法,在算法上存在着收敛速度慢、精度不和网络泛化能力不够好的问题,难以适应ET0随机性和不确定性的特点,而且针对新疆干旱地区的研究并不多见.本文以新疆吐鲁番绿洲盆地地区为研究区域,以日平均气温、相对湿度、日照时长和风速为输入量,ET0为输出量,建立了以粒子群算法优化三层BP神经网络的预测模型,经验证该模型在网络训练的过程中,其输入数据和期望输出数据有着很高的相关性,具有较高的精度和收敛速度,为干旱区农业带计算ET0值提供了新的思路与方法.

摘要： 实时、准确的对作物参考腾发量(ET0)的预测是实现智能节水灌溉发展精准农业的必要条件之一,同时有利于研究区域水分的供需平衡.随着人工智能算法在ET0的预测中有了越来越多的应用,出现了多种以神经网络为基础的ET0的预测模型与算法,在算法上存在着收敛速度慢、精度不和网络泛化能力不够好的问题,难以适应ET0随机性和不确定性的特点,而且针对新疆干旱地区的研究并不多见.本文以新疆吐鲁番绿洲盆地地区为研究区域,以日平均气温、相对湿度、日照时长和风速为输入量,ET0为输出量,建立了以粒子群算法优化三层BP神经网络的预测模型,经验证该模型在网络训练的过程中,其输入数据和期望输出数据有着很高的相关性,具有较高的精度和收敛速度,为干旱区农业带计算ET0值提供了新的思路与方法.

摘要： 实时、准确的对作物参考腾发量(ET0)的预测是实现智能节水灌溉发展精准农业的必要条件之一,同时有利于研究区域水分的供需平衡.随着人工智能算法在ET0的预测中有了越来越多的应用,出现了多种以神经网络为基础的ET0的预测模型与算法,在算法上存在着收敛速度慢、精度不和网络泛化能力不够好的问题,难以适应ET0随机性和不确定性的特点,而且针对新疆干旱地区的研究并不多见.本文以新疆吐鲁番绿洲盆地地区为研究区域,以日平均气温、相对湿度、日照时长和风速为输入量,ET0为输出量,建立了以粒子群算法优化三层BP神经网络的预测模型,经验证该模型在网络训练的过程中,其输入数据和期望输出数据有着很高的相关性,具有较高的精度和收敛速度,为干旱区农业带计算ET0值提供了新的思路与方法.

摘要： 本发明公开了一种估算缺资料地区参考作物蒸散量的方法，包括资料收集，参数优化，地理因子选择，基于机器学习的参数区域化模型，计算得到的Hargreaves‑Samani模型参数，采用气温数据进一步计算缺资料地区参考作物蒸散量。本发明充分借助研究区内资料齐全地区的气象数据和地理因子信息，结合机器学习算法构建了Hargreaves‑Samani模型参数的缺资料区优化估计方法，相对于原始的Hargreaves‑Samani模型能显著提高缺资料地区参考作物蒸散量计算精度，同时相比于以往直接利用气象数据和机器学习模型建模的方式，本发明以Hargreaves‑Samani模型为基准，具备良好的物理基础，为缺资料地区精准的参考作物蒸散量估算提供了技术手段。

摘要： 本发明公开了一种三七栽培设施内参考作物蒸散量的估算方法,该方法通过马尔可夫链蒙特卡罗抽样方法率定Irmak公式中的参数，在小样本情况下提高了公式的估算精度，改进Irmak公式的计算值与FAO‑56PM公式的计算值接近，相比FAO‑56PM公式减少了气象参数数量；利用改进Irmak公式计算设施外的参考作物蒸散量，根据设施内外参考作物蒸散量之间的关系，进一步计算三七栽培设施内的参考作物蒸散量，节省了在设施内安装测量仪器的成本。本发明方法能够利用少量气象参数实现高精度估算三七栽培设施内参考作物蒸散量，为三七栽培设施内的水资源管理提供一种新方法。

摘要： 本发明涉及一种新型气象站用参考作物蒸散量测定方法及设备，其中，新型气象站用参考作物蒸散量测定方法，包括以下步骤：获取各个气象站采集的参考作物所在区域内的站点气象数据；根据站点气象数据计算参考作物所在区域的参考作物蒸散量，包括：根据站点气象数据计算参考作物所在区域的参考作物逐日蒸散量；根据参考作物逐日蒸散量求和生成参考作物逐旬蒸散量；根据参考作物逐日蒸散量求和生成参考作物逐月蒸散量；根据参考作物逐日蒸散量求和生成参考作物逐年蒸散量。在本发明的技术方案中，能够专门针对气象要素数据进行自动判识功能的处理系统，即能够自动识别有效气象要素数据，插补缺测数据，剔除实际情况不符合参考作物蒸散概念的站点。

摘要： 本实用新型公开一种测量作物腾发量与土壤渗漏量的装置，包括上盖、正方体容器、脚支架，所述上盖形状近似正四棱锥，上盖顶端距底端距离为25cm，底端正方形边长为50cm，所述正方体容器边长为50cm，顶端边缘设置有5cm宽的水槽，顶端与上盖衔接，正方体容器底部为向下凸的正四棱锥，正四棱锥顶点位置设置有五个直径1cm的漏水孔，顶点距底面的距离为15cm，所述脚支架连接正方体容器底端，脚支架高度为30cm。本实用新型在测量一段时间内作物腾发量与土壤渗漏量时，通过测量水槽收集的水量，得到正方体容器中作物的腾发量；通过测量正方体容器下端漏水孔下漏水量，得到土壤渗漏量，其结构简单、操作方便、造价低廉。

摘要： 本发明公开了一种参考作物腾发量组合预测方法，采用经地区校正后的哈格里夫斯模型、基于时间序列的傅立叶级数模型、基于多年平均修正法的多元回归模型、基于符号回归SR算法的

摘要： 本发明提出一种基于遥感数据的参考作物腾发量计算方法，属于定量灌溉设计与农业水资源管理领域。本发明首先获取研究区域训练气象数据并计算对应的训练参考作物腾发量ET

摘要： 本发明公开了一种基于MIV与改进蝙蝠算法的参考作物腾发量预测方法，基于彭曼公式选择气象因素和历史数据，并利用PM公式计算参考作物腾发量，构建对应的神经网络样本集；利用MIV算法和SPSS软件对所述神经网络样本集进行降维解耦，得到主成分之间的皮尔逊系数；根据粒子群算法思路对蝙蝠算法进行改进，并利用改进后的所述蝙蝠算法对神经网络参数进行优化；利用降维解耦后的所述神经网络样本集对优化后的所述神经网络进行训练，并将根据所述皮尔逊系数选择出的预测样本输入训练后的所述神经网络中，得到参考作物腾发量预测值，提高预测精度与效率。

摘要： 本发明提出一种基于PCA与L‑M算法的参考作物腾发量的计算方法，用于解决现有参考作物腾发量的计算输入项较多，计算复杂的技术问题。其步骤为：首先，获取研究区域的历史气象数据，通过水文频率分析筛选出典型年份；其次，通过PCA统计方法提取典型年份的历史气象数据的综合指标；然后，利用L‑M算法对综合指标进行训练处理，得到基础网络；最后，利用基础网络计算待求时间段的参考作物腾发量，并判断该基础网络的模拟精度。本发明通过PCA统计方法对多元气象数据进行特征提取并降维，采用L‑M算法对提取后的综合指标进行训练处理得出参考作物腾发量，极大的简化了计算过程，拓展了计算蒸散发的理论基础，为研究蒸散发乃至水循环提供了理论支撑。

摘要： 本发明公开了一种参考作物腾发量组合预测方法，采用经地区校正后的哈格里夫斯模型、基于时间序列的傅立叶级数模型、基于多年平均修正法的多元回归模型、基于符号回归SR算法的

摘要： 本发明提出一种基于遥感数据的参考作物腾发量计算方法，属于定量灌溉设计与农业水资源管理领域。本发明首先获取研究区域训练气象数据并计算对应的训练参考作物腾发量ET