基于BP 神经网络的湛江站点ET0 估算模型研究

晏成明

（广东水利电力职业技术学院，广东 广州 510610）

参考作物腾发量（ET0）作为灌溉制度确定的参考指标之一，对农业研究具有重要意义。当前，ET0研究主要集中在ET0预报方法、普适性以及时空变异特性研究[1～9]，尤以普适性研究备受关注。专家、学者希望通过分析实测资料建立一个放置四海皆准的预报、估算模型，但从ET0影响因子角度分析不难发现，平均气温、日照时数、辐射、风速等因子均与所处地理环境、时段相关，导致建立精度较高、普适性较好的模型十分困难。因此，针对不同站点、气候，结合其气象因子周期性变化规律，建立适合局部区域、高精度的ET0估算模型比较符合当前实际。

湛江作为广东农作物主产区，其灌溉制度主要依据农事经验确定，较少通过ET0确定灌溉制度。本研究将选取湛江站1981 年1 月1 日～2010 年12月31 日的气象数据，结合气象因子规律性分析，建立适合湛江站点高精度的BP 估算ET0模型，从而为农业生产提供决策依据。

1 材料与方法

1.1 研究区概况

湛江市位于中国大陆最南端的雷州半岛、广东省西南部、粤桂琼三省区交汇处，东濒南海、南隔琼州海峡、西临北部湾、背靠大西南、东北与茂名市相连。工业基础相对薄弱，以农业为主，是我国重要的蔗糖、热带作物、水产等生产基地。其辖区内的雷州青年运河灌区是全国重点大型灌区之一，也是广东省最大的灌区，建于1960 年，有效灌溉面积146.6 万亩，属Ⅱ等大(2)型工程。灌区多年平均降雨量1538 mm，降雨时空分布不均，85%以上降水量集中在汛期（4～10 月），西南沿海地带年降水量在1200mm 以下；年均蒸发量1774.1mm，旱季内蒸发量比降雨量大5 倍左右[10]。

1.2 数据来源与处理

由中国气象数据网收集了湛江站点1981 年1月1 日～2010 年12 月31 日的实测日最低温度、日最高温度、平均风速、日照时数、平均相对湿度。根据文献[11]，将3、4、5 月划为春季，6、7、8月划为夏季，9、10 月划为秋季，11、12 月以及次年1、2 月划为冬季。

2 研究方法

本研究ET0参考值采用FAO-56 Penman—Monteith 模型计算获取；ET0预报采用BP、神经网络计算获取[12～13]，趋势及突变分析采用斜率、MK检验，精度通过平均绝对误差（MAE）、均方根误差（RMAE）、相关系数（r）评价。

2.1 FAO-56 Penman—Monteith 模型（PM）

PM 公式是公认计算ET0的公式[14]，具体如下所示：

2.2 评价方法

3 结果计算与分析

3.1 各气象因子规律分析

图1 为湛江站平均气温、最高气温、最低气温、相对湿度、风速、日照时数长系列分布图，可知平均气温、最高气温、最低气温、相对湿度年值、季节值均随年份变化不剧烈（见图1（a）、（b）、（c）、（d）），而风速、日照时数、ET0年值、季节值在1981～2010 年长周期内变化剧烈（见图1（e）、（f）、（g）），且全年风速、ET0整体呈增加趋势。以各气象因子年内分布为研究对象，发现：平均、最高、最低气温、ET0同一年份中季节分布中夏季最大，秋季最小，春、冬季相差不大；相对湿度年内分布中冬季最大，春夏差异不大，秋季最小；日照时数以夏季最大、冬季次之，春季最小。

为探寻各气象因子年际间变化，针对长系列采用线性拟合研究其趋势（见表1）。从年值年际变化来看，平均温度、相对湿度、日照时数、ET0均随时间增大，且增长幅度（斜率与多年平均值比值）ET0＞日照时数＞相对湿度＞平均气温（1.3203＞0.3782＞0.2097＞0.1473）；最高最低气温、风速随年份增加减小，减小幅度风速＞最高气温＞最低气温（0.2106＞0.0209＞0.0011）。季节值随年份变化与年值存在一定差异，最高气温表现最为显著，最高气温年值随年份增大呈减小趋势，而最高气温各季节值随年份增大呈增大趋势，这可能由于年值、季节值随年份变化中气象因子突变导致。

图1 各气象因子长系列分布

表1 各气象因子长系列拟合

为进一步研究各气象因子的变化规律，采用MK 检验法研究各气象因子长系列的突变情况（见图2）。由图2 可知：除秋季最高、最低气温突变年份不一致以外（平均气温突变发生在2005、2008、2009 年；最高、最低气温突变发生在1982、1985 年），其他长系列最高、最低气温基本一致，尤以冬季平均、最高、最低气温最为一致，突变均发生在1985 年（见图2（ac）、（ad）、（ae））。综合各长系列，可看出相对湿度、日照时数发生突变次数最多、最不稳定。主要表现为年值中日照时数突变发生在1981、1982、2002、2003、2005 年（见图2（f））；春季值中相对湿度突变发生在1982、1983、1985 年（见图2（k））；夏季值相对湿度、日照时数突变分别发生在1982、2006、2008、2009，1982、1994、1995、1996（见图2（r）、（t））；秋季值相对湿度、日照时数突变分别发生在1982、2005，2002、2005 年（见图2（y）、（aa））；冬季值相对湿度、日照时数突变分别发生在1983、1984、1988、1992、1994，1983、1984、1985 年（见图2（af）、（ah））。而风速突变较为稳定，主要集中在1991～1993 年（见图2（e）、（l）、（s）、（z）、（ag））。受各因子作用，ET0也发生较为剧烈突变（见图2（g）、（n）、（s）、（ab）、（ai））。因此，后续ET0估算中考虑突变以及各因子季节性特征十分必要。

3.2 考虑季节与非季节变化ET0 估算比较

为提高ET0估算精度，根据上述分析，将结合季节划分利用BP 神经网络研究ET0。在确保验证期达到3 年的情况下，尽可能延长训练期，以保证训练精度。因此，将整个数据集以2007 年12 月31 日为界，划分为训练期和验证期。本研究采用的6*25*1 网络结构，训练误差控制在0.00004，训练次数100次，训练期ET0估算结果见表2。相比不考虑季节性的BP（BP）预估ET0值，考虑季节性BP（BP-季节）预估ET0精度有所提高。BP-季节与BP 相比，平均绝对误差减小0.1018mm，均方根误差减小53.7%，相关系数增大0.0124。

表 2 训练期ET0 估算评价指标

图3 为训练期ET0估算散点，可知相比BP 估算结果，BP-季节估算的ET0值更加均匀地分布在y=x 两边，且BP 估算结果整体相比PM-ET0 值偏小，BP-季节估算ET0较好地调整了偏小的趋势。

验证期BP、BP-季节估算ET0值效果如表3、图4 所示。可知，MAE 相比BP，减小54.6%，RMSE 减小55.4%，R 增大0.0148；BP-季节估算ET0的散点与PM-ET0散点更为接近。

图2 各气象因子长系列MK 检验

表 3 验证期ET0 估算评价指标

4 结论

本研究通过分析1981～2010 年湛江站的气象因子年际、季节变化规律，以PM-ET0为基准值，结合BP 神经网络预估ET0，主要得到以下结论：

（1）平均温度、相对湿度、日照时数、ET0年值均随年份增大而增大，增长幅度ET0＞日照时数＞相对湿度＞平均气温；最高最低气温、风速随年份增加而减小，减小幅度风速＞最高气温＞最低气温。季节值随年份变化与年值存在一定差异，最高气温表现最为显著，最高气温年值随年份增大均呈减小趋势，而最高气温各季节值随年份增大呈增大趋势。

（2）除秋季最高、最低气温突变年份不一致外，其他长系列最高、最低气温基本一致，尤以冬季平均、最高、最低气温最为一致，突变均发生在1985 年。综合各长系列，可知相对湿度、日照时数发生突变次数最多，最不稳定。

图4 验证期ET0 估算散点

（3）考虑季节性变化的BP 估算ET0模式相较未考虑季节性变化的BP 估算ET0模式效果好，具有一定的推广价值。

（4）考虑季节性变化的BP 神经网络在估算ET0时需要大量的历史数据进行训练，今后可考虑进一步优化算法，使其在历史数据较少的地区也可推广使用。