结合人工神经网络和精子群的优化,在多个深度进行土壤温度预测

科学领域:

• 环境科学 环境科学
• 农业工程 农业工程
• 数据科学数据科学数据科学

背景情况:

• 土壤温度 (ST) 对水资源管理和种植和施肥等农业实践至关重要.
• 准确的ST预测模型至关重要,特别是在像伊朗这样的缺水地区,现有的模型显示更深处的误差减少.
• 需要改进的模型,能够在较低的深度准确地预测ST.

研究的目的:

• 开发和评估一种新的混合模型,用于在不同深度 (5-100厘米) 准确的每日土壤温度预测.
• 通过整合精子群优化算法 (MLP-SSO) 来提高多层感知子 (MLP) 模型的预测准确度.
• 评估模型在预测土壤温度方面的表现,使用来自伊朗 сино普特站的气象数据.

主要方法:

• 使用多层感知器 (MLP) 和混合MLP-SSO模型进行日常土壤温度预测.
• 输入气象参数包括空气温度,相对湿度,风速,日照时间和降雨量.
• 数据来源于伊朗的Ahvaz和Sabzevar综合站,涵盖1997年至2022年的时间.

主要成果:

• 与独立的MLP模型相比,MLP-SSO模型在所有深度上都表现出卓越的性能.
• 根的平均平方误差 (RMSE) 在100厘米的深度下大大减少.
• 在阿瓦兹,RMSE从1.25°C (MLP) 降至1.12°C (MLP-SSO);在萨布泽瓦尔,它从1.78°C降至1.49°C.

结论:

• 混合MLP-SSO模型显著提高了每日土壤温度预测的准确性,特别是在更深层的土壤层.
• 这些发现强调了MLP-SSO模型在改善农业环境中的土壤温度预测方面的有效性.
• 这种先进的模型为优化水资源有限的环境中的灌和施肥策略提供了宝贵的见解.