检索结果-南通市图书馆

农业机械学报 2024年

作者：赵秀艳王彬都晓娜王武闯丁兆堂周长安张开兴山东农业大学信息科学与工程学院潍柴雷沃智慧农业科技股份有限公司山东科润信息技术有限公司山东省农业科学院茶叶研究所山东农业大学机械与电子工程学院

在茶园水资源管理中，蒸散量（Evapotranspiration，ET）是评估作物水分需求的关键指标，由于茶园蒸散量预测具有时序性、不稳定性以及非线性耦合等特点，目前的茶园蒸散量预测模型存在预测精度较低的问题，针对此问题本文提出了一种新... 详细信息

在茶园水资源管理中，蒸散量（Evapotranspiration，ET）是评估作物水分需求的关键指标，由于茶园蒸散量预测具有时序性、不稳定性以及非线性耦合等特点，目前的茶园蒸散量预测模型存在预测精度较低的问题，针对此问题本文提出了一种新型的茶园蒸散量预测模型。首先使用互信息算法（Mutual information，MI）与主成分分析算法（Principal component analysis，PCA）相融合的数据处理算法（MIPCA），筛选强相关的特征并提取主成分；其次将时域卷积网络（Temporal convolutional network，TCN）与transformer融合，利用灰狼算法（Grey wolf optimization，GWO）优化超参数，捕捉茶园数据的全局依赖关系；最后整合2个网络构建了MIPCA-TCN-GWO-transformer模型，通过消融试验和对比试验验证了模型性能，并对模型在不同时间步长下的性能进行测试。结果表明，该模型在平均绝对百分比误差（Mean absolute percentage error，MAPE）、均方根误差（Root mean square error，RMSE）和决定系数(Coefficient of determination，R2)等3个评价指标分别为0.015、0.312和0.962，优于长短期记忆模型（Long short term memory，LSTM）等传统预测模型。在小时尺度、日尺度和月尺度下的R2分别为0.986、0.978和0.946，在不同时间步长下展现了良好的适应性和准确性。本文构建的MIPCA-TCN-GWO-transformer模型具有较高的预测精度和稳定性，可为茶园水资源优化管理和灌溉制度制定提供科学参考。

关键词：茶园蒸散量预测模型主成分分析互信息时域卷积网络

来源：