基于5种人工智能模型计算重庆地区参考作物蒸散量

S161.4; 为获得计算重庆地区参考作物蒸散量(Reference crop evapotranspiration,ET0)的最优模型,选用支持向量机模型(SVM)、高斯指数模型(GEM)、随机森林模型(RF)、极限学习机模型(ELM)和广义回归神经网络模型(GRNN)5种人工智能模型,以丰都、奉节、沙坪坝、万州、酉阳共5个站点1991—2016年的逐日气象数据为基础,估算ET0日值、月值,并与Penman-Monteith(P-M)计算结果进行了对比,结果表明:不同模型精度存在差异,在相同气象参数输入的情况下,人工智能模型计算精度要高于经验模型,在相同参数输入的情况下,GEM模型误差指标最...

Full description

Saved in:
Bibliographic Details
Published in水土保持研究 Vol. 28; no. 1; pp. 85 - 92
Main Authors 鲍玲玲, 杨永刚, 刘建军, 张卫华
Format Journal Article
LanguageChinese
Published 重庆市水利电力建筑勘测设计研究院,重庆 400020%西南大学 资源环境学院,重庆 400715 2021
Subjects
经验模型
日照时数
参考作物蒸散量
人工智能模型
重庆
Online AccessGet full text
ISSN1005-3409

Cover

More Information
Summary:S161.4; 为获得计算重庆地区参考作物蒸散量(Reference crop evapotranspiration,ET0)的最优模型,选用支持向量机模型(SVM)、高斯指数模型(GEM)、随机森林模型(RF)、极限学习机模型(ELM)和广义回归神经网络模型(GRNN)5种人工智能模型,以丰都、奉节、沙坪坝、万州、酉阳共5个站点1991—2016年的逐日气象数据为基础,估算ET0日值、月值,并与Penman-Monteith(P-M)计算结果进行了对比,结果表明:不同模型精度存在差异,在相同气象参数输入的情况下,人工智能模型计算精度要高于经验模型,在相同参数输入的情况下,GEM模型误差指标最低而一致性指标最高,日照时数n是影响重庆地区ET0变化和影响模型精度的最关键因素,而GEM模型为重庆地区ET0估算的最优人工智能模型.
ISSN:1005-3409