0 引 言

作物蒸散量(Crop Evapotranspiration，ET)是水文循环中的重要参数，合理精确的计算农田ET，对当地灌溉制度的建立有着至关重要的作用[1]。目前，双作物系数法是精确计算作物蒸散量的主要方法之一，其计算精度已得到了广泛的验证[2]。参考作物蒸散量(reference crop evapotranspiration，ET0)是双作物计算法计算ET的主要参数之一，其正确估算是正确计算ET的前提。目前针对ET0的计算方法主要分为辐射法、温度法和综合法3大类[3]，而1998年FAO-56分册规定Penman-Monteith(P-M)公式因其考虑因素较全面，可作为ET0计算的标准方法使用[4]。但由于P-M公式计算复杂，需要的气象资料较多，在资料缺失的地区应用受限，因此ET0简化算法一直是近年来国内外研究的热点。Hargreaves公式仅靠温度资料即可较精确地得出ET0，但其适用范围不同，其计算值普遍高于P-M公式计算值[5]。机器学习模型由于其计算原理简单、计算精度较高，现已普遍应用于ET0精确估算当中，本文在河北省利用极限学习机模型(ELM)和广义回归神经网络模型(GRNN)，仅用温度资料建立ET0估算模型，并以P-M公式为标准，与Hargreaves公式进行比较，得出适用于河北省ET0计算的精确模型，以期为当地水资源决策的制定提供理论依据。

1 研究区域概况与研究方法

1.1 研究区域概况

河北省(36°01′～42°37′N，113°04′～119°53′E)地处华北平原，属温带大陆性季风气候，地形西北高、东南低，多年平均降水量531.7 mm，本研究采用包括石家庄、保定在内的7个气象站点1961-2015年的逐日气象资料，数据来自国家气象信息中心，质量良好，本文拟采用1961-2005年的数据训练机器学习模型，采用2006-2015年的数据验证模型精度，站点具体分布图见图1。

  

图1 河北省气象站点分布图

1.2 研究方法

1.2.1 Penman-Monteith公式与Hargreavves公式

1998年FAO-56分册推荐的Penman-Monteith(P-M)公式具有较完备的理论依据和较高的计算精度，在世界范围内得到广泛使用。20世纪50年代 Hargreaves和Samani共同提出基于温度和辐射计算ET0的方法Hargreaves(H-S)公式，具体计算公式见文献[5]中的详细描述。

1.2.2 极限学习机(ELM)模型

参考文献：

国际组织在推进我国可持续城市建设中也起到了积极作用。全球环境基金于2014年启动了全球可持续城市综合试点项目,中国有7个城市成为全球试点。我国还积极利用世界银行、亚洲开发银行、欧洲投资银行、国际农发基金等金融组织贷款,支持建成涉及农业、林业、水土、能源、环境、城建、防灾减灾等领域的一大批示范项目,有力推动了城市的可持续发展。2015年7月,联合国环境规划署发布《可持续城市与社区评价标准导则》,并在中国推动试点区建设。

  

图2 ELM模型计算原理图

不同站点不同模型ET0精度指标计算结果见表2。表2显示，在不同站点H-S模型的计算误差明显高于GRNN模型和ELM模型，不同站点H-S模型的RMSE值均在0.50以上，而GRNN模型的RMSE值均在0.30以下，ELM模型的RMSE值更是低于0.25，这表明机器学习模型的计算精度明显高于H-S模型，同时ELM模型的计算精度要高于GRNN模型；对不同模型的一致性指标进行计算可以发现，H-S模型在不同站点的CD与K值均在0.70以下，且仅在张家口、秦皇岛、石家庄站，相关性达到了显著水平(P<0.05)，其余站点均不显著，而GRNN模型与ELM模型的C与K值均在0.75以上，且GRNN模型在张家口、承德站的CD值达到了0.90以上，且相关性均达到了极显著水平(P<0.01)，这表明3种模型与P-M模型计算结果的一致性表现为GRNN >ELM >H-S模型。

Performance of liquid whitening agent CBW-04 and its application in laundry detergent 1 24

GRNN模型具有较强的非限制性映射能力，可依据概率最大原则模拟计算数据[6]。主要包括输入层、模式层、求和层和输出层4个步骤，利用Matlab软件调用广义神经网络模型函数进行计算。

[1] 黄 垚，王景雷，孙景生，等. 作物蒸散不同时空尺度模型及尺度转换方法研究进展[J]. 中国农业通报，2013，29(21)：23-26.

北省ET0简化计算的标准模型使用。

(1)深一含粉细砂压缩层(B5)：处于该层组顶部，由细砂及粉细砂层组成，底板埋深80～100 m，厚度10～20 m，一般呈中密～密实状态。

 

(1)

 

(2)

 

(3)

式中：n为样本数量；P′为模型算法模拟值；Pm为实测值为实测值的均值；A为待检验方法与实测结果中拥有一致性元素的对数；B为待检验方法与实测结果中不具有一致性元素的对数。

2 结果与分析

2.1 ET0日值精度对比

图3为石家庄站不同模型ET0模拟结果日值精度对比(由于篇幅限制，其余站点结果见表1)。不同站点ET0日值模拟结果均呈现机器学习模型显著高于H-S模型的情况。H-S模型不同站点拟合方程的斜率均在1.60以上，在秦皇岛站达到了1.863，表明H-S模型明显高估了ET0的模拟值，而GRNN模型和ELM模型的ET0日值拟合方程斜率均在0.90～1.10之间，表明机器学习模型与P-M模型的ET0日值计算结果精度较高，不同模型计算值的决定系数R2差别不大，且相关性均达到了极显著水平(P<0.01)，综上所述，机器学习模型对ET0日值模拟精度明显高于H-S模型。

心理健康教育的根本目标是“助人自助”，因此，在家校合作进行心理健康教育过程中，学校主动建立连接，搭建平台；家长自我学习、自我修炼、自我成长，积极参与；促进学校与家长互动、家长与专家互动，多位链接，利用家长学校的连接作用，改善家庭、学校、社区的教育生态。另一方面也要充分突出学生的主体地位，调动学生的积极性，培养学生主动关注与维护自身心理健康的良好意识，引导学生进行自我教育[4]。

  

图3 石家庄站不同模型模拟ET0日值精度对比

 

表1 河北省不同站点不同模型模拟ET0日值精度对比

  

站点H-S模型拟合方程R2GRNN模型拟合方程R2ELM模型拟合方程R2石家庄y=1．640x-0．1380．809∗∗y=0．923x-0．1380．809∗∗y=0．979x+0．3630．786∗∗保定y=1．688x-0．1880．800∗∗y=0．958x-0．0070．812∗∗y=1．006x+0．3020．802∗∗张家口y=1．619x-0．6820．779∗∗y=0．961x-0．4380．795∗∗y=1．010x-0．1830．814∗∗秦皇岛y=1．863x-0．5280．714∗∗y=0．831x-0．0870．785∗∗y=0．922x+0．1680．812∗∗邢台y=1．640x+0．0580．802∗∗y=0．932x+0．1410．807∗∗y=0．978x+0．4640．802∗∗承德y=1．803x+0．0830．830∗∗y=1．078x+0．0480．776∗∗y=1．028x+0．3210．807∗∗唐山y=1．769x-0．4290．796∗∗y=0．931x-0．0630．777∗∗y=0．997x+0．2070．973∗∗

2.2 ET0月值精度对比

不同站点不同模型ET0年内分布如图4所示。图4显示，各站点不同模型ET0变化趋势基本一致，呈开口向下的二次抛物线形势。春季和冬季的ET0相对较小，夏季ET0值相对较大。各站点ET0在6月份达到最大值；在1月、12月各站点ET0值最小，均小于1.0 mm/d。1-7月，各站ET0基本呈线性增长的趋势，9-12月，各站点ET0下降趋势显著。由图4中可以看出，H-S模型计算结果明显高于其余模型，尤其在6月份，各站点H-S模型计算结果较P-M模型提高了51.3%～75.6%，而GRNN模型与ELM模型较P-M模型结果最高相差18.2%，可以明显看出，GRNN模型与ELM模型的计算精度明显高于H-S模型。

 

  

图4 不同站点不同模型ET0精度年内分布

2.3 ET0精度指标对比

1.2.3 广义回归神经网络(GRNN)模型

 

表2 不同模型ET0精度指标对比

  

站点H-S模型RMSECDKGRNN模型RMSECDKELM模型RMSECDK石家庄0．5380．598∗0．4730．1780．873∗∗0．812∗∗0．2740．783∗∗0．821∗∗保定0．5730．5370．5020．2030．869∗∗0．807∗∗0．2380．790∗∗0．788∗∗张家口0．6230．662∗0．573∗0．1570．901∗∗0．869∗∗0．2070．821∗∗0．820∗∗秦皇岛0．6740．578∗0．563∗0．2140．876∗∗0．823∗∗0．3010．847∗∗0．817∗∗邢台0．5390．5420．5410．2030．882∗∗0．807∗∗0．1950．825∗∗0．829∗∗承德0．6210．5300．5200．1980．902∗∗0．884∗∗0．2230．873∗∗0．798∗∗唐山0．5210．4980．5510．2100．823∗∗0．815∗∗0．2450．810∗∗0．788∗∗

2.4 ET0空间精度对比分析

图5为不同模型计算结果与P-M模型计算结果相对误差的空间分布对比。图5显示，不同模型计算精度在河北省的分别基本呈现出由西南到东北，相对误差逐渐提高的趋势，其中，GRNN模型与ELM模型在整个河北省的计算精度明显高于H-S模型，GRNN模型在承德站的计算精度最低，相对误差为13.45%，而ELM模型在秦皇岛站的相对误差最高，达到了31.47%，而H-S模型在整个河北省计算结果的相对误差均在25.74%以上，在承德和秦皇岛站附近，相对误差分别达到了69.37%和71.40%，综上所述，机器学习模型在整个河北省的计算精度要明显高于H-S模型。

3 结 论

本文通过模拟ELM模型和GRNN模型2种机器学习模型的ET0计算结果，在仅适用温度资料的前提下，与H-S模型进行了比较，得出了以下结论：不同站点ELM模型与GRNN模型的ET0日值拟合方程斜率更接近于1，且ET0月值计算结果与P-M模型计算结果最为接近，对不同模型计算结果精度指标进行比较可知，3种模型RMSE值表现为GRNN < ELM ELM>H-S模型，表明在河北省ET0的计算中，机器学习模型的计算精度要高于H-S模型，其中GRNN模型为精度最高的模型，可作为河

  

图5 不同站点不同模型ET0相对误差空间分布

Nash-Sutcliffe系数CD、逐日相对均方根误差(RMSE)和Kendall一致性系数K是可反映数据误差与一致性的数据评价指标体系。其中，CD与K的值越大、RMSE的值越小，模型算法与实测值的一致性越好、计算精度越高，具体公式如下：

ELM模型可以很好地克服传统神经网络收敛速度慢的缺点，在回归检验、模型预测领域已得到了极大的应用。图2为ELM模型的基本原理图，ELM模型主要可分为输入层、隐含层和输出层3部分。首先通过输入层输入所求变量，通过与隐含层之间的权重ωij，计算出输出层权重βjk和输出变量矩阵，得出最终结果。本文中ELM模型算法采用Matlab2013a软件进行模拟计算，详细运算过程与代码形式见参考文献[6]。

1.2.4 模型评价指标体系建立

过去企业财务管理多以人工操作为主，即便是电算化的使用也以财务凭证和纸质凭证为依据，在实际工作中需要耗费大量的人力资源，增加工作时间。“互联网+”的发展有效的解决了这一问题，企业可以建立自己的网络体系，对客户端的情况做到心中有数，并实施动态化管理。与此同时，基于“互联网+”模式下的业务处理也可以通过远程操作来实现，打破了地区和时间限制，可以掌握客户的信用等级状况，从而提高工作效率，做好工作优化。

[2] 卢晓鹏，段顺琼，马显莹，等. 单双作物系数法计算玉米需水量的对比研究[J]. 节水灌溉，2012，(11)：18-21.

[3] 贾 悦，崔宁博，魏新平，等. 基于反距离权重法的长江流域参考作物蒸散量算法适用性评价[J]. 农业工程学报，2016，32(6)：130-138.

[4] Allen R G, Pereira L S, Raes D, et al. Crop evapotranspirationguidelines for computing crop water requirements[M]. Rome: Food and Agriculture Organization of United Nation, 1998.

[5] 胡庆芳，杨大文，王银堂，等. Hargreaves公式的全局校正及适用性评价[J]. 水科学进展，2011，22(2)：160-167.

加强对粮食统计口径调整工作的重要性及必要性的认识和宣传；对粮食统计口径变化后各项指标范围、标准、统计制度和方法进行说明；对调整统计口径影响比较大的地区、部门、农民等做好宣传解释工作。通过多渠道、多方式的宣传，让全社会公众、国内外了解我国粮食口径调整的目的以及我国粮食生产现状和粮食安全的形势。

之前，以H公司为例，谈到了农资企业应收账款管理存在的一系列问题，包括管理责任不明确，催收制度不合理，合同管理制度不完善，员工专业素质低，销售员的考核方式不对。本周，将为大家带来农资企业应收账款管理问题一部分解决策略。

[6] 王小川，史 峰，郁 磊，等. MATLAB 神经网络43个案例分析[M]. 北京：北京航空航天大学出版社，2013：243-255．