[发明专利]基于MIV与改进蝙蝠算法的参考作物腾发量预测方法

说明书

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。

技术领域

本发明涉及农业灌溉需水量预测技术领域，尤其涉及一种基于MIV与改进蝙蝠算法的参考作物腾发量预测方法。

背景技术

参考作物腾发量(ET₀)的准确预测对于灌溉用水管理、作物需水量计算具有重要意义。ET₀的计算受到多种气象因素的影响，包括温度、相对湿度、风速、日照时长、太阳辐射量等，因此很难建立一个简单的方程来获得不同气候条件下的准确估计量。ET₀计算过程中的非线性、动态性和高度复杂性是其建模的主要困难所在。

Khoob等学者从2008年开始将BP神经网络应用于ET₀的预测中，且发现BP神经网络可以比基于Peman-Monteith公式的传统方法可以更好地预测ET₀，ET₀的计算是一个繁琐的过程，与各个影响因子之间具有复杂的非线性关系，而神经网络具有强大的非线性拟合能力，可以用来拟合任意精度的非线性函数，因此非常适用于ET₀的预测中。但传统的神经网络通常存在一些缺点，如网络结构难以确定、易陷入局部极值、收敛速度慢等。此外，ET₀的影响因素对其的影响是相互作用的，具有非线性、多维度的特点，而很多模型忽略了彼此之间的联系，且PCA等线性降维方法的使用前提是各因素之间的关系是线性的或近似线性的，不适用于ET₀的预测中。

发明内容

本发明的目的在于提供一种基于MIV与改进蝙蝠算法的参考作物腾发量预测方法，提高预测精度与效率。

为实现上述目的，本发明提供了一种基于MIV与改进蝙蝠算法的参考作物腾发量预测方法，包括以下步骤：

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。

其中，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，包括：

基于彭曼公式选择气象因素和对应的历史数据；

获取多个基本参数，并基于PM公式计算出对应的参考作物腾发量；

根据所述气象因素构建对应的神经网络样本集。

其中，获取多个基本参数，并基于PM公式计算出对应的参考作物腾发量，包括：

将地表净辐射减去土壤热通量后的值与0.408倍的饱和水气压曲线斜率相乘，得到第一量值；

利用饱和水气压减去实际水气压后，与2米高处的风速相乘，并将得到的乘积与干湿表常数和900相乘后，除以日平均温度与273相加后的和值，得到第二量值；