参考作物腾发量预报在线训练深度学习模型

【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。