基于深度神经网络在不同气候下对日参考蒸散量的建模

精确可靠的参考蒸散量（ET$_o$）估算对于灌溉与水资源管理至关重要。ET$_o$ 因其复杂过程而难以预测。该复杂性可利用机器学习方法解决。本研究考察了人工神经网络（ANN）与深度神经网络（DNN）模型在估算日 ET$_o$ 上的表现。此前提出的 ANN 与 DNN 方法已被实现，并对其性能进行了比较。使用了来自土耳其 1999–2018 年间 4 个气象站（Adana、Aksaray、Isparta 和 Niğde）的六项输入数据，包括最高气温（T$_{max}$）、最低气温（T$_{min}$）、太阳辐射（R$_n$）、最大相对湿度（RH$_{max}$）、最小相对湿度（RH$_{min}$）和风速（U$_2$）。结果表明，相较于既往 ANN 与 DNN 模型，我们所提 DNN 模型在日 ET$_o$ 估算上达到了令人满意的精度。在 Aksaray 采用带 SeLU 激活函数的 DNN 模型（P-DNN-SeLU）观测到最佳性能，其决定系数（R$^2$）为 0.9934、均方根误差（RMSE）为 0.2073、平均绝对误差（MAE）为 0.1590。因此，可推荐 P-DNN-SeLU 模型用于世界上其他气候区的 ET$_o$ 估算。