利用温度资料和广义回归神经网络模拟参考作物蒸散量.pdf

《利用温度资料和广义回归神经网络模拟参考作物蒸散量.pdf》由会员分享，可在线阅读，更多相关《利用温度资料和广义回归神经网络模拟参考作物蒸散量.pdf（9页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、第32卷 第10期 农业工程学报 V0132 No102016年 5月Transacti。ns。f the Chinese Society。f Agricultural Engineering May 2016 81利用温度资料和广义回归神经网络模拟参考作物蒸散量冯 禹1 7崔宁博23；l，龚道枝1，胡笑涛4，张宽地4(1中国农业科学院农业环境与可持续发展研究所作物高效用水与抗灾减损国家工程实验室农业部旱作节水农业重点实验室，北京100081；2四川大学水力学与山区河流开发保护国家重点实验室，水利水电学院，成都610065；3南方丘区节水农业研究llJq省重点实验室，成都610066；4西北农

2、林科技大学水利与建筑工程学院，杨凌712100)摘要：参考作物蒸散量(refrence evapotranspiration，ETo)精确模拟对水资源高效利用和灌溉制度制定具有重要意义，该文以四川盆地19个气象站点19611990年逐日最高、最低温度和大气顶层辐射作为输入参数，FAO一56 PenmanMonteich(PM)模型计算的ET0为标准值，建立基于广义回归神经网络(generalized regressi。n neuralnetwork，GRNN)的ETn模拟模型，基于19912014年资料进行模型验证，将GRNN模型同Hargreaves(HSl)和改进Hargreayes(HS

3、2)等简化模型的模拟结果进行比较，分析只有温度资料情况下不同模型模拟ET0误差的时空变异性。结果表明：GRNN、HSl和HS2模型均方根误差(root mean square error,RMSE)分别为o41、116和o70 mmd，模型效率系数(既)分别为088、O13和O67。3种模型RMSE在时空上均呈现HSIHS2GRNN、E。均呈现GRNNHS2HSl趋势；与PM模型模拟结果相比，GRNN、HSl和HS2模型模拟结果分别偏大08、451和173。在时空尺度上的误差分析均表明利用温度资料建立的GRNN模型能够较为准确地模拟四川盆地ET0，因此可以作为资料缺失情况下ET0模拟的推荐模型

4、。该研究可为四川盆地作物需水精确预测提供科学依据。关键词：温度；模型；农业；参考作物蒸散量，温度资料，PenmanMonteith模型。广义回归神经网络，模型适用性doi：101 1975，jissn10026819201610012中图分类号：S1614 文献标志码：A 文章编号：10026819(2016)一10-0081-09冯禹，崔宁博，龚道枝，胡笑涛，张宽地利用温度资料和广义回归神经网络模拟参考作物蒸散量【J1农业工程学报，2016，32(10)：8189doi：10119756issn10026819201610012 http：wwwtcsaeorgFeng Yu，Cui Nin

5、gbo，Gong Daozhi，Hu Xiaotao，Zhang KuandiModeling reference evapotranspiration by generalized regressionneural network combined with temperature dataIJTransactions of the Chinese Society of Agricultural Engineering(Transactions0f the CSAE)，2016，32(10)：81-89(in Chinese with English abstract)doi：101 197

6、50issn1002-6819201610012 http：wwwtcsaeorg0引言蒸散(evapotranspiration)作为地表能量平衡、水量平衡的基本组成部分，是地气系统水循环中最主要的支出项【l】。蒸散过程不仅受气候影响，而且与地表植被、土壤类型等有关，是水文循环中最为复杂的参数之一【2】。由于蒸散是区域作物需水量估算、水文过程分析的基本参数，因此蒸散的准确估算成为水资源合理利用的重要环节131。目前联合国粮农组织将FAO一56 PenmanMonteith(PM)模型推荐为参考作物蒸散量(reference evapotranspiration，ET0)的标准计算模型，该模型

7、基于能量平衡和水汽扩散理论，同时考虑了作物生理特征和空气动力学参数的变化，具收稿日期：20150828 修订日期：20160226基金项目：国家科技支撑计划项目(2015BAD24801)；农业部旱作节水农业重点实验室基金(HZJSNY201502)；四川I省软科学研究计划项目(2015ZR0157)；国家自然科学基金(51009101)；南方丘区节水农业研究四川省重点实验室开放基金(JSSYS2014一C)作者简介：冯禹，男，四川成都人，研究方向为作物水分生理和高效用水。北京中国农业科学院农业环境与可持续发展研究所，100081。Email：fengyu272163com通信作者：崔宁博，男

8、，陕西凤翔人，副教授，研究方向为节水灌溉理论与技术。成都1四311大学水利水电学院，610065。Email：cuiningbo126con有较充分的理论基础141，在世界各地均取得了较高的计算精度。由于PM模型计算ETn需要温度(最高、最低)、太阳辐射、风速和相对湿度等气象要素，而在许多国家标准气象站覆盖的区域较少，即使在有气象站的地区也并不一定能够采集到所有气象数据。因此，在气象资料缺乏的情况下仍需要更为简便的ET0计算模型，一些学者提出了PrisfleyTaylort5l、IrmarklAllentq和Hargreavesr71等ET0简化计算模型。Priesfleyt5l和Samani

9、嘲等指出ETn中约有80的部分是由气温和太阳辐射导致的，大量研究也表明基于气温和太阳辐射的PriestleyTaylor等模型具有较强适用性刚II，但太阳辐射数据在许多地区较难获取【21。Hargreaves和samani川引入温差和大气顶层辐射推算太阳辐射进而建立了在世界各地均具有较强适用性的Hargreaves模型，Aimorox等口2l基于全球4362个气象站点的数据对1 1种基于温度资料的ETo模型适用性进行评估，发现整体上Hargreaves模型精度最高。许多学眷13一14】也对Hargreaves模型在在中国不同地区的适用性进行了评估，并提出了不同算法对模型的参数进行修正，取得了较

10、为满意的结果。近年来随着机器学习算法的不断发展，许多学者将神经网络等机器学习模型用于ETn模拟中，极大地提高了万方数据82 农业工程学报(h“Lp：wwwtcsaeorg) 2016焦资料缺乏情况下ET0的模拟精度。Tabari等【-51在伊朗半干旱地区发现资料缺乏时支持向量机和自适应模糊推理系统模拟ET0的精度高于Hargreaves、PfiesfleyTaylor和Blaney-Criddle等模型；冯禹等【lq在川中丘陵区发现极限学习机模拟精度高于Hargreaves、PriestleyTaylor、Makkink和IrmarkAllen等模型，Abdullah等旧也在伊拉克发现极限学习

11、机模拟ET0精度较高；wen等【8l研究表明在极干旱的额济纳盆地，支持向量机模拟精度高于Priestley-Taylor、Hargreaves和Ritchie等模型。目前关于机器学习模型的研究选取站点较少、研究时段较短，对模型误差的时空变异分析不够深入。本文拟在四川盆地利用广义回归神经网络(generalized regressionneurM network，GRNN)建立只有温度资料的ET0模拟模型，并将GRNN模型同Hargreaves和改进Hargreaves模型模拟精度的时空变异性进行深入分析，提高资料缺乏情况下ETn模拟精度，为四川盆地的水资源优化管理与节水农业发展提供科学依据。1

12、材料与方法11研究区域与资料四川盆地是中国四大盆地之一，总面积约26万km2，区域内海拔多在1 0003 000 m间，盆底地势较低，海拔约为200。1 000 m。根据地形和农业分区将四川盆地分为东部、中部和西部3个子区域，东部对应成都平原及其周边部分浅山丘区，中部对应川中丘陵区大部，西部对应川东平行岭谷。盆地西北部建有都江堰水利工程，为四川盆地中西部地区7市(地)37县(市、区)约695万hm2农田灌溉供水【191。本文选取四川盆地19个气象站点19612014年逐日气象资料，包括2 m高处Et最高气温、最低气温、13照时数、10 m高处的风速(计算时采用FAO推荐的风廓线关系I加换算为2

13、 m高处风速)和2 m高处相对湿度。气象资料来自中国气象科学数据共享服务网，数据经过严格控制，质量良好。图1为四川盆地数字高程模型(digitalelevation model，DEM)和气象站点分布图。图l四川盆地数字高程模型和气象站点分布Fig1 Digital elevation model and distribution of meteorological station in Sichuan basin12研究方法121 PenmanMonteith模型利用PM模型计算结果作为标准评价各简化模型的模拟精度，其具体公式为【柳： ：竺乏羔掣900ETo。 =石而i嚣孑一。 (1)式中E

14、T0为参考作物蒸散量，mmd；R。为作物表面净辐射，MJ(m2d)；G为土壤热通量，MJ(mzd)；r为平均气温，oC；e。为饱和水气压，kPa；e。为实际水气压，kPa；A为饱和水气压一温度曲线斜率，kPafC；y为湿度计常数，kPa。C；为距地面2m高处风速，IIls。122 Hargreaves模型Hargreaves模型是由Hargreaves和Samani提出的以zk和70作为输入资料的ET0计算模型，该模型对原始观测资料要求较低，在资料匮乏的地区也能进行ET0的计算，其具体公式为17l：E忙。R。(毕+)(乙一)n。 (2)式中：和分别为最高、最低温度，；兄为大气顶层辐射，MJ(m

15、2d)，可根据站点纬度和日序数等计算；A为水汽化潜热，MJkg；C温度系数；血为温度常数；n为温度指数，分别取0002 3、178和05。123改进Hargreaves模型本文采用胡庆芳等【14】基于中国105个气象站点资料利用洗牌复合形进化算法对Hargreaves模型的C、口和n参数进行全局校正的结果，3个参数取值分别为0001 4、131和070。124广义回归神经网络及应用GRNN最早由Spechtl21提出，是径向基网络的一种。它建立在NadarayaWatson非参数核回归基础上，以样本数据为后验条件，执行Parzen非参数估计，依据概率最大原则计算网络输出阎。GRNN具有很强的非

16、限制性映射能力、柔性网络结构以及高度的容错性和鲁棒性，非常适合万方数据第1期 冯禹等：利用温度资料和广义回归神经网络模拟参考作物蒸散量 83于解决非线性问题。GRNN在逼近能力和学习速度上比传统神经网络有更强的优势，网络最后收敛于样本量积聚较多的优化回归面，并且在样本数据较少时也具有较强预测能力，因此GRNN在各个领域得到了广泛应用。Ladlani等241成功的将GRNN应用于ET0模拟中，且模拟精度较高。本文利用GRNN建立只以温度资料为输入参数的GRNN模拟模型，在Matlab中直接调用GRNN函数，调用格式为：net=newgrnn俨，L SPREAD)其中P为Q组输入向量组成的R*Q维

17、矩阵；T为Q组目标向量组成的S*Q维矩阵；SPEAD为径向基函数的扩展速度，默认取1231。利用四川盆地19个气象站点19611990年的逐日乙、k和R。为输人参数，PM模型模拟的ET0作为目标值进行模型的训练，19912014年的逐日数据进行模型测试。关于GRNN具体原理和代码参见文献22231。125模型误差评价利用均方根误差(root mean square elTor，RMSE)和模型效率系数(E。)分析各模型模拟精度。 厂i一RMSE=V1(yi-X。 (3)J一既：1一蝥唑。(4)以=一垒丛笠：!生。 ()。ml(Xr-X)2式中yi为模型模拟的第i日值；x。为PM模型计算的第i日

18、标准值；x为x。的平均值；m为数据样本数量。RMSE越一f-1i墨0兰芷00e 1E喜0舞塞芷00年份Year西部West arI小，表明模型模拟误差越小；E。越接近于l，表明模型模拟效率越高。2结果与分析21不同模型误差变化趋势图2为近24 a不同ETn模型RMSE变化趋势。由图2可知，在每年RMSE均呈现HSIHS2GRNN趋势，说明GRNN模拟精度最高，HS2次之，HSl最低。其中西部(图2a)GRNN、HSI和HS2模型RMSE在近24 a变幅分别为037050、101119和058069 mmd；同时近24a 3种模型RMSE均呈增大趋势，说明3种模型模拟误差正在逐渐增大，且对比各模

19、型的倾向率可以看出HSl增幅最大，GRNN次之，HS2最小。中部(图2b)GRNN、HSl和HS2模型RMSE变幅分别为040049、108128和069086 mmd；近24 a GRNN和HS2模型RMSE均呈增大趋势，HSl模型呈减小趋势，说明GRNN和HS2模型模拟误差正在逐渐增大，而HSl模型逐渐减小。东部地区(图2c)GRNN、HSl和HS2模型RMSE变幅分别为039059、100。119和073091 mmd；近24 a 3种模型RMSE均呈增大趋势，说明3种模型模拟误差正在逐渐增大，且HSl增幅最大、HS2次之、GRNN最小。整个四川盆地(图2d)GRNN、HSI和HS2模型

20、RMSE变幅分别为040052、105。116和067。079 mmd；近24 a四JII盆地3种模型RMSE均呈增大趋势，说明3种模型模拟误差正在逐渐增大，且HSl增幅最大，GRNN次之，HS2最小。年份Year中部Central area年份Year 年份Year东部East area d全区Whole area泣：RMSE为均办根洪差；GRNN为广义叫灿神经网络；llSI为llargreaves模型；1IS2为改进llargreaves模型。F同。Note：RMSE is root mean square error；GRNN is generalized regression neur

21、al network；HSI is Hargreaves model；HS2 is calibrated Hargreaves modelThe sanle asbelow图2近24 a各参考作物蒸散量模型均方根误差变化趋势Fig2 Change trend of root mean square error of each reference evapotranspiration model in recent 24 years万方数据84 农业工程学报(http：Hwwwtcsaeorg) 2016年图3为不同ET0模型风变化趋势。由图3可知，年E。均呈现GRNNHS2HSl趋势，说明GR

22、NN模拟精度最高，HS2次之，HSl最低。其中西部(图3a)GRNN、HSl和HS2模型E。在近24 a变幅分别为076。090、一057。o40和o48。078；近24 a 3种模型E。均呈减小趋势，同样说明3种模型模拟误差正在逐渐增大，对比各模型的倾向率可以看出HSl减幅最大，HS2次之，GRNN最小。中部(图3b)GRNN、HSl和HS2模型E。变幅分别为081091、一021041和048075；中部地区GRNN和HS2模型酞均呈减小趋势，HSl模型呈增大趋势，说明GRNN和HS2模型模拟误差正在逐渐增大，且而HSl模型逐渐减小。东部(图3c)GRNN、HSl和HS2模型E。变幅分别为

23、086091、001051和042074；GRNN和HSl种模型E。均呈减小趋势，HS2呈增大趋势，说明GRNN和HSl模型模拟误差正在逐渐增大，而HS2模型逐渐减小。整个四川盆地(图3d)GRNN、HSl和爨譬0垛i篓童。犁名辎主一0-0蒸i簪童蚕亳警主HS2模型RMSE变幅分别为083091、一133041和052072；3种模型E。均呈减小趋势，说明3种模型模拟误差正在逐渐增大，且HSl增幅最大，GRNN次之，HS2最小。综上，对比RMSE和风2种评价指标在近24 a的变化可以看出，无论在局部区域还是整个四川盆地年GRNN模型模拟ET0精度均最高，HS2次之，HSl最低。但在局部区域模型

24、误差的变化趋势上2种评价指标有较小的差异，在东部地区RMSE指标表明3种模型模拟误差正在逐渐增大，而E。表明GRNN和HSl模型模拟误差在逐渐增大，而HS2模型逐渐减小。此外对比不同分区的模型误差可看出，同一模型在不同分区具有一定差异性，由于模型的主要输入参数为温度和主要受纬度影响的大气顶层辐射，在各站点纬度相差不大的情况下，模型间的差异主要由温度引起，而四川盆地内温度自西向东逐渐增大的空间差异使得模型误差产生一定变化。996 2001 2006 2011 199年份Ya西部WesI area+GRNN+HSl一蒸董婷童霎亳型主996 200l 2006 20l| 19qI 1996 200l

25、 2006 20年份、Hlr 年份、。lc东部East area d全区Whole alea图3近24 a各参考作物蒸散量模型的模型效率系数变化趋势Fig3 Change trend of model efficiency of each reference evapotranspiration model in recent 24 years22各模型误差空间分布利用ArcGISl02反距离加权插值法对四川盆地不同ET0模型RMSE和E佑在空间上进行插值，分别见图4和图5。图4显示，四川盆地各站点间GRNN(图4a)、HSl(图4b)和HS2(图4c)模型RMSE分别为037067、0971

26、37和057097 mmd，且在相同区域RMSE均呈现HSlHS2GRNN的趋势，说明在空间上GRNN模型模拟精度最高，HS2次之，HSl模型最低。此外对比各模型的空间变化趋势可知，各模型RMSE的空间分布差异较明显：GRNN模型在北部和西南部的部分站点RMSE相对较大(047。067 mmd)、其余站点较小(037047 mmd)，Hsl模型则东北部地区RMSE相对较大(117。137 mmd)、其他地区相对较小(097117 mmd)，HS2模型在北部和东部的部分站点RMSE较大(077。097 mmd)、中南部的大部分区域较小(057。067 mmd o图5为不同ET0模型E。空间分布。

27、图5显示，四川盆地各站点间GRNN(图5a)、HSl(图5b)和HS2(图5c)模型E。分别为077092、一021039和049。081，且在相同区域民均表现出GRNNHS2HSl的趋势，说明在空间上GRNN模型模拟精度最高，HS2次之，HSl模型最低。对比各ET0模型E。的空间分布可看出，其风的空间分布差异较大。GRNN模型在东部和南部地区E。相对较大、北部和东南的部分站点较小，HSl模型在南部和东南部地区相对较大、西部和北部分地区相对较小，HS2模型在东南大部分地区较大、其余地区相对较小。00O_暮艺lJJo三o妄甄垛瓣蓑章型驯弘6O咖一盯盯-亘器|日中万方数据第1期 冯 禹等：利用温度

28、资料和广义回归神经网络模拟参考作物蒸散量 85日归神经州络模型ized regression nellratwork(GRNN)Hargreaves模刮(Hs1arg x+Pa、es Ill01tel(HSloot illean squall-i(1IWmm1)士O37047 Lj0o47057口oO57067曩1O67。0771077087 ll87-09797一1070711717127271370 225 45(1-_【=3kIt段j生ItmIt眦“_II)、1111|ItiI_!m1、hhlI，二J图4各参考作物蒸散量模型均方根误差空间分布Fig4 Spatial distributi

29、on of root mean square error of eachreference evapotranspiration model表1为GRNN、HSl和HS2模型模拟结果和PM模型间对比。表l显示，在西部、中部和东部每个站点，结合关系式和决定系数(Rz)可以看出，在每个站点GRNN模型精度同样高于HSI和HS2模型。对比各模型误差指标空辽回神经堋络模型ralize(I regression rlellrtnetwork(GRNNlHargqeaves筷划(Hs1 algleaves nlo(I(。I(Hj、模J斟效率系数 +Mt)fIt-l eft(iell、020 010 070

30、08001 0030 Lj080083030060 LjO83086060。065086089065070_0890920 225 45()_-_=3Ikm【。l i韭IIrlmt、傲11ImI、tII II皑M、Ino 4It-hIl”I图5各参考作物蒸散量模型模型效率系数空间分布Fig5 Spatial distribution of model efficiency of each referenceevapotranspiration model间分布可知，平均到整个四川盆地，GRNN、HSI和HS2模型RMSE分别为04l、116和070 mmd，E。分别为088、013和067，结

31、合相关关系式和尺z可看出，GRNN模型模拟ET0精度最高，HS2次之，HSI最低。表1 各参考作物蒸散量模型与PenmanMonteith模型模拟结果对比Table l Comparison of results between each reference evapotranspiration models and PenmanMonteith model注：R：为决定系数。Note：R2 iS coefficient of determination23不同模型模拟参考作物蒸散量变化趋势比较图6为不同ETo模型模拟结果变化趋势对比。图6显示，在每年HSl模拟ET0均为最大，HS2次之，GR

32、NN和PM间较为接近。其中西部(图6a)PM、GRNN、HSI和HS2模型ET0在近24 a变幅分别为668807、699792、9971 120和784912 mm，且均呈增大趋势，增幅分别为23、义mn，Pa(万方数据86 农业工程学报(http：wwwtcsaeorg) 2016年15、16和17 mma；与PM模型相比，GRNN、HSl和HS2模型模拟ET0分别偏大28、456和161。中部(图6b)PM、GRNN、HSl和HS2模型ETn在近24 a变幅分别为709844、738845、1034。1180和824。976 mm，且均呈增大趋势，增幅分别为25、16、19和21 mma

33、；与PM模型相比，GRNN、HSl和HS2模型模拟ETn也别偏大29、443和168。东部(图6c)PM、GRNN、HSI和HS2模型ET。在近24 a变幅分别为687。886、680825、1044。1234和8361037 mm，均呈增大趋势，增幅分别为34、28、32和35 mma；与PM模型相比，HSl和HS2模型模拟ETn分别偏大443嘶11 1 8896，而GRNN模型偏小3206。整个四川盆地(图6d)PM、GRNN、HSl和HS2模_型ETo在近24 a变幅分别为695。837、709820、10291178和818975 mm，均呈增大趋势，增幅分别为27、20、22和24

34、mma；与PM模型相比，GRNN、HSl和HS2模型模拟ETn分别偏大08、451和173。此外，对比GRNN和PM模型模拟ET0值可看出，在西部和中部GRNN模型均偏大，在东部偏小，由于GRNN模型基于温度和大气顶层辐射数据进行建模，而东部地区气温和海拔均高于西、中部，因此这可能是东部GRNN模型偏小的主要原因。年份Year部WesLm+PM+GRNN+HSI-Q-HS2年份、1mc东部East area年份Year部Central area年份hwd全区W1lole ilreii注：PM为PenmanMonteith模型。Note：PM is PenmanMonteith model图6各

35、参考作物蒸散量模型模拟结果变化趋势Fig6 Change trend of reference evapotranspiration calculated by each model3讨论太阳辐射是蒸散过程最主要的能量来源之一，其缺失会对ET0模型模拟精度产生很大影响，Hargreaves等利用温差和大气顶层辐射来推算太阳辐射进而建立了Hargreaves模型。本研究受此启发将最高、最低温度和大气顶层辐射作为输入参数进行模型的训练，GRNN模型也表现出较强的鲁棒性和泛化能力。对比冯禹等唯川中丘陵区分别利用极限学习机和遗传算法优化的神经网络模型模拟ETn的研究可知，本研究中的GRNN的模拟精度(

36、RMSE和E。分别为041 mmd和088)要明显高于以最高、最低温为输入参数的极限学习机(RMSE和E。分别为0504 mmd和0827)和遗传算法优化的神经网络模型(RMSE和E。分别为059 mmd和075 o而以最高、最低温度为输入参数时在每个站点GRNN模型模拟精度均降低(结果文中未给出)，说明在训练数据中增加大气顶层辐射数据能够提高模型的模拟精度。王升等l笛l在都安站利用基因表达式编程算法进行ET0模拟时也发现，在只有温度资料的情况下输人大气顶层辐射，精度均得到提高。由于蒸散发的能量来源为太阳辐射，一年中理论太阳辐射主要受太阳高度角和日地相对距离影响，大气顶层辐射能够综合反映这2个

37、因素的影响，因此，引入大气顶层辐射能够在一定程度上代替太阳辐射进而提高GRNN模型的模拟精度。基于机器学习的ETn模型的提出极大地提高了资料缺乏情况下ER模拟的精度，在世界各地均表现出极强的适应性。机器学习模型类型、结构、参数、训练测试数据系列长短和研究区域气候特征均会对机器学习模型产生一定影响，但机器学习模型相对其他经验模型可在相同条件下取得更高的模拟精度。Tabari等261在伊朗西北地区利用气象资料和自适应模糊系统(adaptive neurofuzzv inferencesvstemANFIS)模拟马铃薯蒸散时发现，ANFIS结构中选择“Gaussian”、“Bell”和“Triang

38、le”等3种不同的隶属度函数对最后的模拟结果均有影响，但3种函数的模拟误差均较小。利用GRNN建立回归模型时需要确定的唯一参数为“光滑因子”，本研究的参数选取是参考相关文献231后确定的，这可能使模型误差增大。王雨等271采用遗传算法寻找GRNN唯一参数光滑因子的最优解，将最优解赋予万方数据第1期 冯禹等：利用温度资料和广义回归神经网络模拟参考作物蒸散量广义回归神经网络进行预测；贾义鹏等【麓咧采用粒子群算法对GRNN模型参数进行优化，减小人为因素对神经网络设计的影响。因此在后续研究中利用参数寻优算法对GRNN的参数进行优化再建立相应的GRNN模型能够提高模型的模拟精度。4结论本研究利用广义回归

39、神经网络(generalized regressionneural network，GRNN)建立了只有温度资料的参考作物蒸散量reference evapotranspiration，ET0)模拟模型，并将该模型应用于四川盆地ET0模拟中。GRNN模型能够较为精确地模拟四川盆地ETn，在时间和空间上的误差分析均表明，GRNN模型模拟精度明显高于Hargreaves和改进Hargreaves模型。与FA056 PenmanMonteith模型相比，GRNN、Hargreaves和改进Hargreaves模型模拟ET0分别偏大08、451和173。因此，新建立的GRNN模型具有较高的模拟精度，可

40、以作为气象资料缺失情况下四川盆地ET0模拟的推荐模型。本研究GRNN模型建立时引入了大气顶层辐射，在一定程度上代替太阳辐射进而提高了GRNN模型的模拟精度。但同时在模型建立时“光滑因子”是根据相关文献选取的，这可能对最后的结果存在一定影响，在未来研究中需进一步利用参数寻优算法对GRNN模型进行优化，能够提高模型的模拟精度。【参考文献f11曾丽红，宋开山，张柏，等松嫩平原不同地表覆盖蒸散特征的遥感研究阴农业工程学报，2010，26(9)：233242Zeng Lihong，Song Kaishan，Zhang Bai，et a1Analysis ofevapotranspiration char

41、acteristics for different land cover typesover Songnen Plain based on remote sensingJTransactions ofthe Chinese Society of Agricultural Engineering(Transactions ofthe CSAE)，2010，26(9)：233-242(in Chinese wi山Englishabstract)【2】Xu C Y，Singh V PEvaluation of three complementaryrelationship evapotranspir

42、ation models by water balanceapproach to estimate actual regional evapotranspiration indifferent climatic regionsJJournal of Hydrology，2005，308：105121【31 段春锋，缪启龙，曹雯，等西北地区小型蒸发皿资料估算参考作物蒸散叨农业工程学报，2012，28(4)：94-99Duan Chunfeng，Miao Qilong，Cao Wen，et a1Estimation ofreference crop evapotranspiration by Ch

43、inese pan evaporation inNorthwest ChinaJTransactions of the Chinese Society ofAgricultural Engineering(Transactions of the CSAE)，2012，28(4)：94-99(in Chinese with English abstract)41杜加强，舒俭民，刘成程，等黄河上游参考作物蒸散量变化特征及其对气候变化的响应【J】农业工程学报，2012，28(12)：92-100Du Jiaqiang，Shu Jianmin，Liu Chengcheng，et a1Variation

44、characteristics of reference crop evapotranspiration and itsresponses to climate change in upstream alias of Yellow RiverbasinJTransactions of the Chinese Society of AgriculturalEngineering(Transactions of the CSAE)，2012，28(12)：92-100(in Chinese with English abstract)5Priesfley C H B，Taylor R JOn th

45、e assessment of surface heatflux and evaporation using largescale parametersJMonthlyWeather Review，1972，100(2)：8192【6】6 Irmak S，Irmak A，Allen R G，et a1Solar and net radiationbased equations to estimate reference evapotranspiration inhumid climatesJJournal ofIrrigation and Drainage Engineering，2003，1

46、29(5)：336-347【7】7 Hargreaves G H，Allen R GHistory and evaluation ofHargreaves evapotranspiration equationJJournal of Irrigationand Drainage Engineering，2003，129(1)：53638Samani ZEstimating solar radiation and evapetranspirationusing minimum chmatological dataJJournal of Irrigation andDrainage，2000，12

47、6(4)：265267【9】9 赵璐，梁川，崔宁博，等不同ETO计算方法在川中丘陵地区的比较及改进叨农业工程学报，2012，28(24)：9298Zhao Lu，Liang Chuau，Cui Ningbo，et a1Comparison andimprovement of different calculation methods for ET0 in hillyarea of central Sichuan BasinJTransactions of the ChineseSociety of Agricultural Engineering(Transactions of the CSAE)，2012，28(24)：92-98(in Chinese with English abstract)【10】刘晓英，林而达，刘培军干旱气候条件下Priestly-Taylor方法应用探讨J】水利学报，2003，(9)：3137Liu Xiaoying，Lin Erda,Liu PeijunStudy on application ofPriestly-Taylor method to dry climate conditionJJournal ofHydraulic Engineer