基于卷積神經網絡算法估算蘇東沿海農作物潛在蒸散量研究

譚成宇

(江蘇省東臺市水利建設有限公司，江蘇 鹽城 224200)

江蘇省是我國著名的“魚米之鄉”，而江蘇省東部沿海地區是重要的農作物生產區。農作物在生長過程中將通過蒸發與騰發等方式消耗一定的水量，而作物需水量的精準估算對提高農作物產量、節約灌溉用水具有非常重要的現實意義。潛在蒸散量(ET0)的估算是確定目標區域作物需水量的基礎，是灌溉排水與水資源調度工程規劃與設計的前提，其精確估算對保障我國的糧食生產用水安全與水資源高效利用具有重要意義[1]。根據估算原理，ET0的估算可以分為直接法和間接法兩種[2]。直接法是對ET0的歷史數據本身進行統計分析并據此推演未來的ET0變化過程；間接法是基于氣象數據與作用機理來計算ET0值[3]。受氣候變化影響，ET0的統計規律不斷演變，因此直接法的可靠性已經難以得到保障[4-6]。由于氣象因子的預測水平不斷提升，間接法已逐漸成為估算ET0的主流方法。

標準的ET0值通過Penman-Monteith公式來計算，理論上，可靠性最高的間接法采用Penman-Monteith公式和氣象因子數據進行計算，該方法需要日最高氣溫、最低氣溫、風速、日照時長、相對濕度5項變量。一方面，許多地區缺乏詳細的風速、日照時長和相對濕度數據；另一方面，目前對風速和相對濕度的預測水平尚難以滿足要求。因此，該方法難以得到普遍的應用。Hargreaves模型僅需要日最高氣溫和最低氣溫2項數據，可以一定程度上彌補Penman-Monteith方法的不足，因此，目前得到了非常廣泛的應用[7]。但是，Hargreaves模型忽略了很多氣象因子的影響，其誤差一般較高。近年來，人工智能發展迅速，該領域中的深度學習技術得到了突發猛進的發展，該技術可以自動挖掘出數據之間的作用關系與隱藏的規律，為ET0高性能估算方法的建立提供了可能。卷積神經網絡深度學習算法是一種包含了卷積計算的神經網絡構架，可以組合低層特征形成高層特征，可響應局部范圍數據的神經元特性，具有非常好的非線性映射能力，是人工智能領域的最前沿成果之一，具有非常好的應用前景[8]。

目前基于卷積神經網絡深度學習算法的潛在蒸散量估算方法的研究論文較少，本文旨在對該方法進行嘗試并對其性能進行評價。基于江蘇省東部地區東臺、呂泗、南通和射陽4個站點1984年1月1日至2019年12月31日間的逐日最高氣溫、最低氣溫、風速、日照時長和相對濕度數據，分別采用標準的Penman-Monteith公式和Hargreaves模型計算各站點的ET0值。最后，訓練出ET0的卷積神經網絡模型、利用該模型計算各站點的ET0值，并與用Penman-Monteith公式和Hargreaves模型計算的結果進行對比，從而為ET0的估算工作提供新的方法和參考。

1 研究方法

1.1 研究區域與數據

研究區域為江蘇省東部沿海地區，共包含東臺、呂泗、南通和射陽4個氣象站。東臺站位于江蘇省東臺市，處于江蘇省沿海中部、長江三角洲北翼，高程4.3m。呂泗站位于江蘇省啟東市，高程5.5m。南通站位于江蘇省南通市，處于華東地區、江蘇省東南部，高程6.1m。射陽站位于江蘇省鹽城市射陽縣，蘇北沿海中部，高程2m。蘇東沿海地區的土壤主要包括山地土壤、丘陵旱地土壤、平原旱地土壤、丘陵水稻田土壤等類型，盛產糧食、棉花、油料、蠶桑等農作物，目前正在積極推進輪作換茬、冬耕曬垡、休耕培肥等輪作休耕方式，農業發展迅速。

實測氣象數據包含4個氣象站1984年1月1日至2019年12月31日間的逐日最高氣溫、最低氣溫、風速、日照時長和相對濕度，數據來源為中國氣象科學數據共享服務網。每個站點每日包含5項數據，共13149日。

1.2 Penman-Monteith計算ET0

Penman-Monteith公式是基于物理原理的ET0計算公式，其計算的結果被公認為ET0標準值。公式為

(1)

式中：Δ為飽和水汽壓-溫度關系曲線斜率；Rn為冠層表面凈輻射量，MJ/(m2·d)；G為土壤熱通量,MJ/(m2·d)；γ為濕度計常數(干濕球常數),kPa/℃；T為2m高度處日平均氣溫,℃；U2為在地面以上2m高處的風速,m/s；es為空氣飽和水汽壓,kPa；ea為空氣實際水汽壓,kPa。

1.3 Hargreaves模型計算ET0

Hargreaves 模型僅需要日最高氣溫和日最低氣溫數據，對數據要求量遠小于Penman-Monteith公式，其表達式為

(2)

式中：T為日最高氣溫與最低氣溫的平均值,℃；Rs為太陽輻射，MJ/(m2·d)，其計算公式為

(3)

式中：KRs為經驗系數，沿海地區其值一般設定為0.19；Tmax為日最高氣溫，℃；Tmin為日最低氣溫，℃。

1.4 卷積神經網絡

卷積神經網絡(CNN)是一種具有深度學習能力的神經網絡，通過模仿視覺機制對原始數據進行提取，可深層次傳播，降低網絡復雜度，避免過擬合與欠擬合問題。CNN的基本組成結構包括輸入層、卷積層、池化層、全連接層和輸出層。本文最終的構架包括3層卷積層，2層全連接層。其中，第一個卷積層由32張特征圖組成，第二個卷積層由64張組成，最后一個卷積層由128張組成。這些層是將輸入數據以不同的方式進行特征提取，之后將它們輸入全連接層，最后輸出一個神經元，作為預測結果。在本項目中，集中80%的數據選擇為訓練數據，剩下的20%為測試數據。輸入變量為日最高氣溫和日最低氣溫，輸出變量為ET0值。

2 研究結果

2.1 ET0實際值時間序列

對1984年1月1日至2019年12月31日間東臺站的所有數據(逐日最高氣溫、最低氣溫、風速、日照時長和相對濕度)進行整理，結果見圖1(a)～圖1(e)。應用這些數據，采用Penman-Monteith公式計算出ET0實際值的時間序列，結果見圖1(f)。根據圖1數據可知，東臺市的最低ET0為0.4mm/d、最高值為8.8mm/d。對所有數據進行統計，得到各站點的統計特征值，結果匯總于表1中。根據表1可知，江蘇省東部沿海地區的ET0平均值介于2.6mm/d和2.7mm/d之間，其中呂泗站與南通站略高，其他兩站略低。

圖1 東臺站逐日氣象數據與ET0計算結果

表1 4個站點逐日氣象數據與ET0統計特征值對比

2.2 基于Hargreaves模型的ET0估算值

采用日最高氣溫和最低氣溫數據，基于Hargreaves模型進行各站點的ET0估算，結果見圖2。東臺站與南通站的ET0平均值較高，均為3.2mm/d；射陽站次之，為3.1mm/d；呂泗站最低，為2.9mm/d，估算的平均值明顯高于實際平均值。東臺站、呂泗站和射陽站的最小值均為0.4mm/d,南通站為0.3mm/d，與實際值較為接近。射陽站最高值最大，為8.5mm/d，明顯高于實際值；呂泗站與南通站的最高值均為8.2mm/d，與實際值較為接近；東臺站的最高值為8.1mm/d，明顯低于實際值。東臺站與南通站的中間值均為3.0mm/d，明顯高于實際值；射陽與呂泗站的中間值分別為2.9mm/d和2.7mm/d，也明顯高于實際值。東臺、南通和射陽站的標準差均為1.7mm/d，呂泗站的為1.6mm/d，略高于實際值。

圖2 基于Hargreaves模型的各站點逐日ET0計算值

2.3 基于CNN算法的ET0估算值

采用日最高氣溫和最低氣溫數據，基于訓練得到的CNN模型進行各站點的ET0估算，結果見圖3。東臺站、南通站、射陽站的平均值為2.9mm/d，呂泗站為2.8mm/d，高于實際值，但相對于Hargreaves模型的估算結果，其高估的程度較低。呂泗站和射陽站的最小值為0.5mm/d，東臺站和南通站的分別為0.4mm/d和0.3mm/d，與實際值較為接近。各站點按照最高值由高到低排序分別為射陽站、東臺站、南通站和呂泗站，其值分別為7.9mm/d、7.7mm/d、7.6mm/d和7.5mm/d，除射陽站外，各站點的取值均低于實際值。東臺站和南通站中間值均為2.7mm/d，射陽站和呂泗站的中間值分別為2.6mm/d和2.5mm/d，均高于實際值。東臺站、南通站和射陽站的標準差均為1.6mm/d，略高于實際值，而呂泗站的為1.5mm/d，與實際值相同。

圖3 基于CNN人工智能算法的各站點逐日ET0計算值

3 結果討論

為進一步討論估算方法的性能，將所有的數據點繪制于圖4中，其中橫坐標代表實際值，而縱坐標代表估算值，斜線為等值線。散點距離等值線越近則代表估算值越接近實際值，散點位于等值線左上方，說明估算值偏高，反之亦然。由圖4可知，Hargreaves模型和CNN算法所對應的ET0散點較為均勻地分布于等值線兩側，說明其性能較好。但是，Hargreaves模型所對應散點的偏離程度明顯高于CNN算法，說明CNN可以明顯地提升ET0預測性能。計算估算值的誤差指標，結果表明，Hargreaves模型的決定系數(R2)為0.79，而CNN算法的為0.93，其提升幅度約15%。Hargreaves模型估算值的均方根差(RMSE)為0.88mm/d，而CNN算法的為0.45mm/d，其誤差降低幅度接近50%。Hargreaves模型的平均絕對百分誤差(MAPE)為30.44%，而CNN的為15.21%。Hargreaves模型的平均絕對誤差(MAE)為0.67mm/d，而CNN的為0.34mm/d。鑒于此可以認為，相對于Hargreaves模型，CNN算法可將估算誤差降低約50%。CNN算法可顯著提高ET0預測性能的可能原因主要有兩條：CNN算法可以深度挖掘變量之間的隱藏關系，所建立的模型在內在機理方面可能比Hargreaves模型更為完善；另一方面，CNN算法建立的是數據驅動模型，相當于是進行了地區修正的模型，在研究區域內具有更好的適用性。

圖4 ET0的實際值與估算值

4 結 語

潛在蒸散量的估算對農業種植和水資源開發與管理具有非常重要的現實意義，而蘇東沿海地區為我國重要的農作物生產區，因此有必要對該地區的潛在蒸散量估算方法進行研究。本文利用26萬多條的逐日氣象數據，基于Penman-Monteith公式計算了江蘇省東部沿海地區的逐日ET0值。分別采用Hargreaves模型和CNN算法，應用日最高氣溫與日最低氣溫數據進行了各站點逐日ET0值的計算并進行了對比。結果表明，相對于Hargreaves模型，CNN算法可以大幅度降低其估算誤差，降幅接近50%。因此，采用CNN算法估算逐日ET0值具有較好的可行性。研究成果有望提高蘇東沿海地區當前作物需水量的估算精準性，從而可以在保證農作物產量的同時避免水資源浪費，為當地的高標準農業建設與水資源管理工作提供科學依據。當然，數據驅動類的模型在普遍適用性方面存在一定的缺陷，因此，本文采用CNN模型估算農作物蒸散量可能僅適用于江蘇省東部沿海地區。未來，有必要采用更多地區的數據對該模型進行改進與拓展，從而不斷地提高其普適性。