跳到主要导航 跳到搜索 跳到主要内容

参考作物腾发量预报在线训练深度学习模型

  • 邓 轩盈
  • , 吕 辛未
  • , 郑 文燕
  • , 郑 世宗
  • , 张 亚东
  • , 罗 童元
  • , 崔 远来
  • , 罗 玉峰*
  • *此作品的通讯作者
  • 百度在线网络技术(北京)有限公司
  • 甘肃省水利科学研究院
  • 浙江省水利河口研究院(浙江省海洋规划设计研究院)

科研成果: 期刊稿件 › 论文 › 同行评审

1 引用 (Scopus)

摘要

【目的】探究参考作物腾发量(ET_(0))的实时预报方法。【方法】以浙江省杭州市萧山区2021年4月24日-2023年12月31日的天气预报数据和整点天气实况资料为数据集,分析模型输入数据的预报精度,采用BP神经网络算法构建ET_(0)预报的深度学习模型,并部署至阿里云服务器进行在线训练。【结果】模型的输入数据中,气温预报准确率较高,且最低气温预报精度高于最高气温,天气类型及风力等级预报存在一定误差。模型预报值与实时数据计算得到的标准值相比,预见期内二者变化趋势大致相同,预报精度较高,训练期与测试期准确率最高分别可达到91.56%和84.75%,训练期均方根误差(RMSE)与平均绝对误差(MAE)平均值分别为0.828mm/d和0.667mm/d,测试期RMSE与MAE平均值分别为1.049mm/d和0.829mm/d。【结论】采用公共天气预报数据构建BP模型在线训练,能够实现ET0的实时预报,精度较高且便于运用,可为农业工作者实时灌溉决策提供数据支撑。
投稿的翻译标题Forecasting reference crop evapotranspiration using deep learning model and online training
源语言中文
页(从-至)57-64
页数0
期刊Journal of Irrigation and Drainage
卷43
期12
DOI
出版状态已出版 - 1 12月 2024

基金资助

国家自然科学基金项目(52379046)。

关键词

  • 参考作物腾发量
  • BP神经网络
  • 公共天气预报
  • ET0预报
  • 在线训练

收录

  • CSCD

学术指纹

探究 '参考作物腾发量预报在线训练深度学习模型' 的科研主题。它们共同构成独一无二的学术指纹。

引用此