农业机械学报

作者：赵秀艳，王彬，都晓娜，王武闯，丁兆堂，周长安，张开兴

单位：山东农业大学,山东农业大学,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,山东农业大学,山东农业大学,

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

基金：山东省科技型中小企业创新能力提升工程项目（2022TSGC2487、2023TSGC0557）、日照市重点研发计划项目（2023ZDYF010129）和泰安市科技创新重大专项项目（2023NYLZ13）

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）3个评价指标分别为0.015 mm/d、0.312 mm/d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。

来源：2024年第9期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2024年第9期