论文部分内容阅读
作物蒸腾量是指导作物灌溉关键参数之一,实时获取作物蒸腾量,实现按需灌溉是节约用水的有效途径.然而,温室内小气候效应显著,作物蒸腾与环境因子间关系较为复杂,且各环境因子之间相互关联并呈非线性变化.本文以番茄作为研究对象,使用称量法测量作物实时蒸腾量,通过布设传感器实时获取温室小气候数据,包括空气温度(Air temperature,AT)、相对湿度(Relative humidity,RH)、光照强度(Light intensity,LI)作为模型的小气候环境输入,冠层相对叶面积指数(Relative leaf area index,RLAI)作为模型的作物生长输入,在此基础上,提出了基于长短期记忆网络(Long short term memory,LSTM)的番茄蒸腾量预测模型.利用该模型对番茄蒸腾量进行预测,并与非线性自回归(Nonlinear autoregressive with exogeneous inputs,NARX)神经网络、Elman神经网络、循环神经网络(Recurrent neural network,RNN)模型进行了对比.试验结果表明,LSTM预测模型决定系数(Determination coefficient,R2)与平均绝对误差(Mean absolute error,MAE)分别为0.9925和4.53g,与NARX神经网络、Elman神经网络、RNN方法进行对比,其决定系数分别提高了8.97％、1.18％和0.82％,其平均绝对误差分别降低了8.16、6.23、0.52g.本研究所提的预测模型具有较高的预测精度及泛化性能,研究成果可为温室作物需水规律及需水量研究提供参考.