文摘

蒸散是植物在生长季节的需水量,和它的精确测量在农场农业水规划者和管理者是至关重要的。现场测量土壤水分蒸发蒸腾损失总量一直与许多困难,使研究人员寻求一种远程测量该组件在园艺和农业领域。本研究旨在探讨一种间接方法每日水稻作物蒸散(等)测量机器学习(ML)技术和可用性最低的气候变量。为此,每日气象变量得到从三个地面气象站在伊朗北部的水稻种植地区在2003 - 2016。等利率被七个气象变量,计算了FAO-56 Penman-Monteith方程,和地区校准水稻作物系数视为参考数据。美国职业足球大联盟,包括多层感知器(MLP)、径向基函数(RBF),广义回归神经网络(GRNN)和组的数据处理方法(GMDH),利用等建模。不同的输入组合应用,基于使用最低有效的变量作为输入。结果表明,该模型显示最准确的表演四个气候变量的输入组合:日照时间,最高温度,相对湿度,风速。调查的准确性在水稻生长阶段模型表明,最小的估计误差属于初始成长阶段,这增加了球员在中期和增长阶段。比较的模型表明,GMDH模型对其他竞争对手表现得更好。 For this model, both the Nash-Sutcliffe (NS) coefficient andR2大于0.98,均方根误差(RMSE)介于0.214和0.234毫米之间每天站。目前大米蒸散建模的方法展示出了有前景的结果只有四个常见的气象变量,可以可靠地申请这个变量的间接测量水稻农场。研究方法将大米和其他作物的研究价值,相似/不同的气候条件。

1。介绍

蒸散是水文循环的关键部件之一。这个变量定义在领域层面,这表明水的总输出所需的土壤和植物,代表了水植物在生长季节。蒸散是受地区气候和气象因素的影响,如太阳辐射、温度、湿度、和远程并置对比模式。也是最重要的一个变量在研究干燥应力的植物和农业干旱监测,用于干旱指数的计算标准化Precipitation-Evapotranspiration指数和帕尔默干旱强度指数(1,2]。因此,在农场精确测量水平是至关重要的和必要的农民和经理,以及农业水资源的规划者。它的价值可以衡量一个浓度计嵌在一个字段中。浓度计的精度敏感所以全职技师专业领域需要消除错误和蒸散的提供准确的测量结果。它使处理浓度计极其困难,和研究人员转向数值模型来解决这个问题。这些模型可以估计参考作物蒸散(ET0),指草植物的蒸散,使用气象变量如温度、湿度和风速。特定产品的蒸散(等)是由植物系数相乘得到的ET0的植物。等数值模型Hargreaves-Samani、Blaney-Criddle Thornthwaite,和FAO-56 Penman-Monteith (FAO-56 PM)介绍了为此,其中世界气象组织(WMO)模型FAO-56点可以推荐最合适的和可靠的选择浓度计数据3]。FAO-56点方法的输出现在被视为完全接受观察ET0 ET0率建模和一般ET0相关研究(4- - - - - -13]。

近年来,机器学习(ML)模型也被用来估计和预测土壤水分蒸发蒸腾损失总量。这些模型也被称为黑盒模型,可以发现与高精度input-target变量之间复杂的数值关系。在比较研究在加州,Kumar et al。14]表明,人工智能模型等多层感知器(MLP)可以估计真实日常ET0数据(浓度计)甚至比FAO-56 PM模型更准确。延时模型也与FAO-56点估计每日大麦作物蒸散在设拉子大学农业研究站,伊朗(15]。结果验证了考虑浓度计,由于精度和适应性与气候数据的限制,中长期规划的优越性的表现报告。Antonopoulos et al。16)调查中的延时模型估计每天蒸散在希腊。他们还使用了FAO-56点输出为基础和模型表明,该算法在估计性能可靠ET0以最小的变量。澳大利亚东南部Falamarzi et al。17)使用FAO-56点模型为基础测量和他们检查ET0的模型估计的性能。他们表明,这个模型只能提供一个准确的估计的ET0与温度和风速变量。人工智能模型,如支持向量机(SVM)也被用来估算蒸散。这个模型提供了一个可接受的ET0每天估计规模最低气象变量估计每日ET0中部[18)、南(19),和中国东南部20.),以及在美国佛罗里达21在土耳其]和[22]。支持向量机还提供了好的结果在月度ET0长期预测(23]。使用中的延时,适应性Neurofuzzy推理系统(简称ANFIS)和支持向量回归(SVR)模型,Nourani et al。24]做了相同的工作,周边国家在欧洲的三个大洲,亚洲和非洲。他们还报道提到的模型是有效的。

ET0估计,美国在伊朗也欢迎。通常利用模型以这种方式支持向量机,SVR,多元自适应回归样条函数(火星),和基因表达式编程(GEP)。Mehdizedeh [25火星和GEP)用于这个目的在半干旱,干旱,hyperarid气候伊朗。Mehdizedeh提到的模型表明,在这些气候在估计ET0可接受的性能。在类似的领域(气候条件)与先前的研究在伊朗,穆罕默量化这些活动和麦迪扎德(26)也用毫升SVR等模型。他们计算的ET0 FAO-56点模型和考虑它作为测量依据。结果显示,该模型也可以估计ET0具有很高的准确性和最小输入(包括平均温度、最低温度、太阳辐射、风速)。艾哈迈迪et al。27]还估计每月ET0干旱地区的伊朗。他们还发现毫升模型适用于估算每月ET0使用最小输入。广义回归神经网络(GRNN)和径向基函数(RBF)神经网络是两个其他美国职业足球大联盟成功地用于ET0估计全世界不同地区。GRNN开发土耳其(28,29日),中国(30.,31日),美国(32,33),和阿尔及利亚34]。RBF也被利用在美国33,35,36)、意大利(37],阿尔及利亚[34)、土耳其(28)、印度(38),和塞尔维亚39]。但是都很少被用于ET0估计伊朗气候;GRNN尚未使用和RBF只是报道的一项研究Hashemi和Sepaskhah15]。之前的一些研究情况下蒸散估算表中所示1。

表1
先前研究蒸散估算方面的研究。

如表所示1蒸散,通过人工智能模型建模在世界不同的地方。这些研究的相似之处是,他们使用气象变量估计量输入,和所有的评估这些模型是有效的在这方面。同样,大多数此类研究,模型能够估计ET0变量并没有集中在一个特殊的作物蒸散。在文献中,只有两个蒸散估算作物的研究大麦(15和土豆46),分别在伊朗和意大利检查。在这种情况下,中长期规划模型、RBF和GRNN是最常用的情况下。

组数据处理方法(GMDH)神经网络polynomial-based毫升模型,可以解决复杂的非线性函数逼近问题。在水文气象研究中,GMDH已经被用来估计和预测变量,如辐射(47)、干旱指数(48- - - - - -52),河流量(53,54),和雪55,56),但它很少被用于蒸散估算研究。目前的研究旨在研究首次GMDH模型的性能在一个特殊的作物蒸散估算和比较它与常用的模型如延时,RBF和GRNN。调查表明,ET0估计在伊朗主要是在干旱、半干旱,hyperarid地区。伊朗与里海北部有一个潮湿的气候,这是非常重要的的培养高质量的大米。因此,本研究试图评估提到毫升类型估算这个地区的日蒸散率。作为另一个新奇,本研究着重于水稻作物的蒸散,这是一个植物需水量高也高的主要作物种植面积在提到的地区。事实上,本研究试图找到一个数值方法,对蒸散的间接测量变量,可耕种的土地上种植水稻。

2。材料和方法

2.1。研究区域与数据

本研究着重于里海南部地区。基于扩展De Martonne分类(57),这些区域在中等温度类perhumid,潮湿,semihumid,地中海降雨类。Gilan伊朗这个区域包括三个省份,马赞达兰、和。大部分的农田受到广泛种植不同的水稻品种。计算参考蒸散然后米饭蒸散在这些地区,首都的三个城市这三个省份进行了研究。图1显示这个区域和城市研究的位置。


图1
研究区和气象站的位置。

每天的数据研究了研究规模在2003 - 2018年被收到伊朗气象组织(IRIMO)。这些数据包括10个变量:最低气温(Tmin),最高气温(达峰时间),平均空气温度(T)、最小相对湿度(RHmin),最大相对湿度(RHmax),平均相对湿度(RH),日照时间(SSD)、降水(P)、风速的高度2米(U2),锅蒸发(Epan)。每天规模的ET0值计算使用Tmin FAO-56点方程和变量,达峰时间,RHmin RHmax, SSD, U2,在R p .蒸散包软件用于计算。然后,这个地区水稻的生长期,从5月到8月,分开整个时期。大米蒸散率(等)在不同的生长阶段根据水稻作物系数计算。为此,联合国粮农组织推荐的水稻作物系数以及本地校准系数的存在,如图2。


图2
水稻作物系数在其成长阶段;比较联合国粮农组织推荐和地方校准系数([58- - - - - -60])[Babaee等的研究[58)提取水稻生长期的作物系数在2015年连续3年的,2016年和2017年的后缀“a”“b”和“c”表明这三年,分别)。

大米的地方系数提取先前研究病例在里海南部地区(58- - - - - -60]。这个数字说明了联合国粮农组织推荐的水稻作物生长期的系数在最初的阶段(可能)是当地的校准系数的范围内,可以接受这个阶段。但对于其他阶段,中期阶段(6)和赛季中段阶段(8月),粮农组织系数远从本地系数小得多,尤其是赛季中段的阶段。因此,使用当地校准水稻作物系数的平均值来计算等在这一地区,等于1.024,1.390,1.094,最初,赛季,球员和阶段,分别是决定。对于建模,input-target样本分为训练集和测试部分,包括最初的75%(2003 - 2014)期间水稻生长周期和最后的25%(2015 - 2018)期间水稻生长周期的研究期间,分别。表2介绍了使用的所有数据的统计特征。

表2
气象站的规格提供学习和日常气象/计算数据集。
2.2。机器学习模型
2.2.1。多层感知器(MLP)

这个模型是应用最广泛的人工智能模型在所有科学领域的数值模拟。这些网络通常包括一组感觉单位(基本神经元)由一个输入层、一个几个隐藏层和输出层。这个方法创建了一个input-target样本之间的非线性映射。输入信号从输入层到输出层方向向前传播(61年]。沿着这个方向,期望传递函数应用于输入变量,和重量( )和偏见(b)乘以每一层。最后,在优化目标函数,输出变量提取最后一层用一个线性传递函数。图3展示了一个示意性的结构模型的步骤。


图3
一个原理图的MLP网络2隐藏层。

实现这个模型中,不同的传输等功能双曲正切乙状结肠(tansig)对数乙状结肠(logsig),饱和线性(satlin)和线性(purelin)检查和测试。Levenberg-Marquardt (LM)算法也被用来训练该模型。参见[62年)有关细节的更多信息,该方法的数学方程。

2.2.2。径向基函数(RBF)

RBF模型,如延时,输入,隐藏层和输出层。输入层接收和收集数据,然后再制定输入向量x隐藏层组成l应用非线性转换的节点数量输入向量和输出层接收到最终响应。RBF网络的输出是由隐层响应的线性组合,定义为下列方程(63年]: 为,为欧氏距离范数,k是最大的隐层神经元,∅j神经元的反应吗j在隐藏层, 是输出的重量, 是输入向量,yj输出神经元的输出是什么j, 是中心,年代是输出神经元的数量。图4显示了该模型的结构示意图。


图4
一般的RBF神经网络的拓扑结构。

在这个网络隐层,高斯半径转移函数已经被使用,是使用最广泛的径向函数的一个例子在工程问题。此外,在输出层,线性传递函数被使用。高斯径向传递函数被定义为(64年]

在这个方程,σ我是宽度我隐层的神经元,这是一样的扩散参数。这个参数是定义如下65年]:

在上面的方程中,c我和 径向函数的中心和吗p是RBF中心的数量。RBF模型的参数包括传播和最大隐层神经元,优化的试错方法在当前的研究中。

2.2.3。广义回归神经网络(GRNN)

GRNN模型引入Specht [66年作为数值模拟工具和近似的函数。这个模型是基于结构的核心理论的回归。从这个角度来看,这个网络就相当于一个非线性回归关系,不需要重复训练。GRNN类似于RBF神经网络在其他方面,除了第二层的训练过程。图5显示了该模型的总体结构。


图5
GRNN模型的结构示意图。

简而言之,GRNN 4层:输入层、图案层,求和层和输出层。输入层包含的输入向量米维度。层模式n维高斯相关传递函数并执行计算。求和层的总和n模式的维度层,最后输出层收益率模型输出(67年]。

GRNN模型输出获得使用以下方程:

在上面的方程中,y模型的输出和吗σ是扩散参数。D我也是一个标量函数得到以下方程: 在哪里x相对应的输入吗y和x我相对应的输入吗y我。唯一GRNN模型的参数是扩散参数,优化的试错法在目前的研究。

2.2.4。组数据处理方法(GMDH)

一般来说,Volterra-Kolmogorov-Gabor (VKG)多项式可用于复杂系统模型,包括一组多个输入变量和目标变量: 在哪里 代表输入向量,y代表模型的输出向量, 是多项式系数。VKG多项式使用二次多项式近似。这些二次多项式是基于二进制组合网络的输入(68年]。还引入了GMDH算法使用这个想法作为学习方法近似复杂(69年]。GMDH神经网络的多层结构和前馈和由一组神经元由连接不同的输入对二次多项式。图6显示了该模型的三层结构。


图6
原理图一面墙GMDH的结构。

在这个网络中,每一层都由一个或多个处理器单元,每一个都有两个输入和一个输出。这些单位几乎扮演的组件模型和假设为一个二次多项式:

未知参数的GMDH算法的多项式系数上面的方程。计算输出值 为每个输入向量 ,误差的平方和应该最小化。

找到最小误差,使用上述方程的偏导数。通过方程(7)在这个偏导数,矩阵方程(Aa=y)。在这个方程, ,和 和矩阵如下:

一个方法来解决这个矩阵方程(Aa=y)是使用奇异值分解)方法。如果使用奇异值分解方法, 将使用以下公式计算:

在这个方程, 是转置矩阵a。使用这个解决方案方法,未知 在任何情况下可以计算。如果矩阵( )不可逆的,Tikhonov方法将用于解决方程。它的主要文献[69年]提出了完整的信息在这个模型的细节。这个模型的调整螺丝包括层数和层神经元的数目,在本研究被试错法优化。

2.3。测量估计的准确性

绩效评价标准用来评估提供的估计模型的准确性。这些标准要求观测数据和模拟数据计算。在这项研究中使用的评估标准包括均方根误差(RMSE) Nash-Sutcliffe (NS),确定系数(R2),归一化均方根误差(NRMSE)和平均绝对误差(MAE),以及这些标准的方程描述如下:

在上面的方程中,O我天观测值吗我;E我天估计价值吗我; 是观测值的均值; 的均值估计的值,O马克斯和O最小值最大和最小的观测数据,分别和n研究下的天数。NRMSE RMSE值越接近,美是零和的值越接近NSR2一个,更准确的模型估计。NRMSE还定性类模型的准确性。据,如果NRMSE值大于0.3,模型的性能被认为是穷人;如果它的值在0.2和0.3之间,模型的性能被认为是温和的;如果它的值在0.1和0.2之间,模型的性能被认为是好的,如果它的值小于0.1,模型的性能被认为是优秀的(53,70年]。

在这项研究中,编码MATLAB软件用于实现机器学习模型。一款统计软件和Excel软件被用来评估模型并绘制图表。图7提供了一个通用的蒸散估算过程的流程图和评价当前的模型。


图7
建模的一般流程和评估流程。

3所示。结果

3.1。建模和评估

在本节中,在计算水稻作物的蒸散(等)在生长期(五月到八月),应该首先确定模型输入进行估计。为此,等和10气象变量之间的相关矩阵,结果呈现在图8。


图8
斯皮尔曼相关测试结果之间的气象变量和大米蒸散。

研究变量之间的关系(图8),斯皮尔曼相关测试使用。本次测试的结果表明,有一个重要的ET0与所有气象变量之间的相关性在0.01的水平在所有三个站。然而,所有变量的使用可以不正确的在两个方面:(1)有相似FAO-56点模型。(2)一些输入(如Tmin或U2)尽管显著相关,但相关性差最终会导致模型精度降低。因此,在本节中,我们决定减少输入变量的数量。FAO-56 PM模型使用7变量(Tmin、达峰时间、RHmin RHmax, SSD, P,和U2)ET0计算。因此,最多四个变量是合理的被视为输入组合评价毫升模型条件下的有限的气候数据的可用性。属于SSD变量相关性最高,这是选为一个固定的输入。在相对湿度之间的温度变量和变量,达峰时间变量和RH变量相关性最高等在所有三个站。因此,这两个变量是固定输入SSD和形式的输入场景S1。的三个变量P U2,Epan也分别添加到S1和其他4个场景。这些场景如表所示3。

表3
组合的气象变量作为模型的输入场景。

确定输入场景(表3)为每个模型在每个站在水稻的生长期。从每个车站,在每个场景中模型的参数优化通过试错法和最佳安排每个模型被选中的RMSE和NS标准。模型的最优参数,以及估计的评价结果如表所示4。

表4
评估模型的性能在不同输入场景。

由于模型的有效性是决定在测试部分,此部分也涉及测试阶段。表4表明NS模型的价值高于0.84,表明模型用于大米蒸散估算的准确性非常高。最准确的性能在拉什特火车站属于场景S3和GMDH模型,实现RMSE = 0.220 和NS安排5层和6 = 0.986,15日,50岁,50岁和1神经元层1到5。本站属于最贫穷的性能GRNN模型场景S1,达到RMSE = 0.602 和NS = 0.894 = 2.95。Gorgan和纱丽,最弱和最精确的模型类似的拉什特站(GRNN和GMDH分别)。

这两个城市的评估标准如下。莎丽站,最强的表现RMSE = 0.214 S3和NS = 0.986 (GMDH)和最贫穷的表现RMSE = 0.641 和NS = 0.878 (GRNN S4)。Gorgan站,性能最强的RMSE = 0.234 S3和NS = 0.990 (GMDH)和最贫穷的表现RMSE = 0.898 和NS = 0.847 (GRNN S1)。

在场景中使用,在大多数情况下,场景S3提供了最佳的性能,和场景S1提供最贫穷的性能。雷达图表图形(图被用来检查这个问题9)。


图9
雷达图表基于平均绝对误差(MAE) ( )探讨在/高估的模型和场景。

在图9,每个模型的高估和低估了天分离的16个输入场景(依照表3)。然后,美价值分开计算,这样做是为所有三个站。一般来说,很明显,提供的估计模型比处于高估状态处于低估状态。同时,最低的估计错误发生在所有四个模型场景S3,包括SSD, RH,达峰时间,U2输入。另一个重要的一点是,在这种情况下(S3),低估和高估的模型是相同的大小。例如,在研究不同的场景模型的Gorgan站,美在MLP2 (S2)场景高估等于0.422 0.613和处于低估状态 。在同一车站MLP3 (S3)场景中,高估等于美= 0.197 和低估等于美= 0.173 。这个问题显然是看到的场景S3在所有三个站和模型使用,表明该模型是更加平衡的输入组合(SSD, RH,达峰时间,U2)和更好的兼容。

3.2。对比模型

散点图是用来检查等估计和观察(图之间的相关性10)。在这个图表中,每个模型的输出最好的场景(场景S3)在每个车站被选中和图形绘制观察等的值。


图10
散点图检查观察之间的相关性和水稻作物蒸散估算值。

的值R2表明(R2> 95%),所有的模型有一个很好的估计性能等。换句话说,模型测试最近在这个领域(GRNN、RBF和GMDH)也被认为是适合这个目的。一个很小的斜率之间的1:1线和安装estimates-observation回归线也证实了这一问题。模型之间的比较表明,在所有的电台,GMDH模型,用轻微的中长期规划的优势,被认为是最好的估计大米蒸散。的R2在拉什特值GMDH模型,莎丽,和Gorgan电台是98.76%,98.83%,和99.04%,分别。在利用模型,属于最穷的相关性GRNN输出,因为它的最小值R2在所有三个电台(纱丽拉什特占98.06%,95.02%,和97.56% Gorgan)。同时,周围的散射点的拟合回归线是GRNN模型相对较弱。例如,在莎丽站,点GRNN的图形更散落在回归线,但他们更集中在延时和GMDH模型。

3.3。研究模型的准确性在水稻生长的不同阶段

在本节中,水稻的营养阶段在测试期间,彼此分离,然后NRMSE的价值计算每个站的观测等之间的估计模型分别在每一个阶段。图11介绍了结果图表。


图11
面积图基于归一化均方根误差(NRMSE)研究模型的表现在水稻生长阶段。

如面积图所示,NRMSE小于0.1,表明模型的性能质量很好。检查错误的趋势在水稻的生长期显示最少的错误发生在最初的阶段,和估计的准确性有点降低球员在赛季中期阶段和阶段,分别。在所有大米营养阶段,GRNN和RBF模型相对较弱,这是确认在所有三个站。在最初的阶段,尤其是在拉什特和纱丽,GMDH模型归一化误差最低纱丽为雷什特(0.023和0.017),一个更好的条件相比MLP纱丽为雷什特(0.030和0.024)。

此外,GMDH模型要优于其他的细微差别,确认球员中期阶段和阶段。获得更好的理解模型的准确性在生长期,水稻生长的时期之一在2018年作为一个示例(图以图形的方式检查12)。在本节中,最准确的(GMDH)和最不准确(GRNN)模型的输出,连同他们的观测值,在时间序列图所示。在这个图表中,estimates-observation重叠的强度和弱点是清晰的和两个模型的性能比较。


图12
时间序列的估计等利率旁边的水稻生长期间观测值2018。

4所示。讨论

一些研究调查了机器学习在蒸散模型建模的准确性(16,17,25- - - - - -27,71年]。所有的这些研究发现MLs适合ET0建模以最小的输入变量,所以他们与本研究的结果是一致的。穆罕默迪量化这些活动和麦迪扎德(26]鲸鱼SVR AI模型结合使用优化算法(WOA)和平均达到RMSE = 0.265 在他们最好的输入情况。然而,在这项研究中,GMDH模型,这是一个nonhybrid模型,可能达到的平均精度RMSE = 0.222 。在希腊,调查MLP Antonopoulos和Antonopoulos16)达到最大精度RMSE = 0.574 。也在调查MLP混合模型在澳大利亚,Falamarzi et al。17)达到最大精度RMSE = 1.03 。比较这两个研究[16,17中长期规划)与本研究的结果表明,本研究中评估更大的准确性(0.222 < RMSE < 0.232 )。使用RBF模型结合粒子群优化(PSO)进行的一项研究Petkovićet al。71年在塞尔维亚R2= 97.13%。然而,在这项研究中,nonhybrid RBF模型表现出更好的性能(R2= 98.62%)。其原因可以归结为研究植物。在上述研究中,该研究是基于ET0,指的蒸散草表面。然而,这项研究集中在大米蒸散。此外,这种差异的原因可以归因于伊朗与希腊等地区气候差异,塞尔维亚和澳大利亚。甚至在研究量化这些活动由穆罕默迪和麦迪扎德(26在伊朗),研究了半干旱地区,干旱、西方和伊朗西南部和hyperarid气候,而本研究在伊朗北部的潮湿的地区。

区别的原因研究模型的精度也可以归因于它们的参数的数量。例如,在GMDH模型中,参数的层数和每层的神经元数量可以创建多个安排这个网络。在中长期规划,除了这些参数,传递函数参数也参与其中。这样的模型将在优化有更高的机动性,可以发现input-target样本之间复杂的关系在更广泛的空间。然而,GRNN模型只有一个参数,与RBF参数优化,所以结构空间更有限,这可能会导致这些模型实现不准确的估计这个变量。

估计情况下特定的作物的蒸散毫升模型,大米没有得到全面的研究,但有两个土豆和大麦的研究将继续讨论。Yamac和Todorovic46在意大利和Hashemi和Sepaskhah []15在伊朗使用延时和RBF神经网络在马铃薯和大麦作物蒸散估算,分别。类似的研究中,他们使用气候变量作为模型的输入。提到的模型在研究Hashemi和Sepaskhah15)达到0.26 < RMSE < 0.31 和0.91 <R2< 0.93,研究Yamac和Todorovic46他们到达RMSE = 0.24 和R2= 0.98。比较这些研究与此研究表明,这些模型能够对所有三种作物,可以可靠地用于作物蒸散的间接测量。然而,他们当中有细微差别,准确性,可由于水作物在生长季节的需要或可能影响地区的地理和气候条件下的研究。

5。结论

GMDH模型的绩效评估,首次用于蒸散估算研究,展示了优秀的这个模型的准确性。如GRNN模型和RBF也新这个地区和可接受的性能,但是他们无法与强大的竞争,传统模型电路的延时。然而,比较延时和GMDH表明GMDH略优于MLP在所有三个车站进行了研究。因此,本研究提出了GMDH估算蒸散,至少气候输入。另一方面,本研究的方法是估计水稻作物蒸散,取得了非常不错的效果。因此,这种植物的日蒸散估算水稻种植区域和其他农产品在他们独特的地区具有研究价值。同时,使用优化算法(如遗传算法、萤火虫和粒子群)结合如GMDH模型可以显著增加这些模型的准确性,建议未来研究领域的蒸散模型。然而,在稻田推荐使用浓度计数据验证估计提供了更可靠的了解人工智能模型的准确性。目前远程测量的方法也有价值的大米(或其他作物),而不需要实地测量在农场层面,从气象因素很容易衡量。

数据可用性

分析所使用的数据集和/或在此研究可从相应的作者在合理的请求。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

的设计研究和收集、分析和解释数据和写的手稿是由作者完成的。