Application of Support Vector Machine Model Based on GA Optimization in Water Consumption Prediction of Green Peppers

Jing-ran LIU; Xin LIU; Hai-xia WU; Hao DENG; Zao-peng LI

Water Saving Irrigation ›› 2021 ›› (1) : 70-76.

Author information +

History +

Abstract

In order to save irrigation water, the planting technology of furrow rainwater harvesting combined with drip irrigation (MFR-DI) was adopted, and the crop water consumption of green peppers in this technology was predicted. Based on years of meteorological data, canopy temperature and daily crop water consumption of green peppers, the GA-SVM model for predicting daily crop water consumption of green peppers in MFR-DI planting mode was constructed with canopy temperature and meteorological factors as input factors. The model was tested with data of 2017. The results showed that when the same meteorological factors were input, GA-SVM1 (RMSE=0.901 0 mm/d, MAE=0.673 5 mm/d, NS=0.971 8) model had higher precision performance than SVM (RMSE=0.960 7 mm/d，MAE=0.769 1 mm/d，NS=0.968 0) model. In addition, under the same number of input factors, when canopy temperature was introduced as one of the input factors of GA-SVM, the prediction accuracy was higher than that of GA-SVM model with only meteorological factor. The RMSE, MAE and NS of GA-SVM with canopy temperature being introduced were 0.781 7 mm/d, 0.583 8 mm/d and 0.978 8, respectively. The results show that GA can improve the convergence speed of SVM model and make the prediction model more accurate. In addition, introducing canopy temperature into crop water consumption prediction model can improve the prediction accuracy of the model and provide reference for realizing efficient and intelligent water saving.

Key words

support vector machine / Genetic Algorithm （GA） / prediction of crop water consumption / canopy temperature / green peppers

Cite this article

EndNote

Ris (Procite)

Bibtex

Download Citations

Jing-ran LIU , Xin LIU , Hai-xia WU , Hao DENG , Zao-peng LI. Application of Support Vector Machine Model Based on GA Optimization in Water Consumption Prediction of Green Peppers. Water Saving Irrigation. 2021, 0(1): 70-76

0 引言

近年来，随着经济的发展、人口的增长，水资源短缺问题日益突出。2025年农业用水量需增加19%，才能满足基本粮食需要^[1]。中国是农业大国，农业是最主要的用水部门^[2-3]。2018年，农业用水占用水总量的61%以上^[4]。农田灌溉用水量占农业用水量的80%以上^[5]。在干旱和半干旱地区，灌溉用水尤其匮乏，因此，实现智能精准灌溉，进行作物需水量预测，节约农业灌溉用水，对缓解水资源短缺问题尤为重要。

气象条件，农业技术措施等均会对作物需水量产生影响。作物需水量与其影响因素之间呈非线性关系，采用人工智能方法模拟非线性关系已得到广泛应用^[6]，因此很多学者用人工神经网络（ANN）对作物需水量进行预测：李志新^[7]等构建了GA-Elman神经网络参考作物需水量预测模型；孟玮^[8]等建立基于人工蜂群算法的径向基网络预测日参考作物需水量模型；邓皓^[9]等提出基于MIV-MEA-Elman核桃果实膨大期作物需水量预测模型；Abrishami^[10]等采用ANN对小麦和玉米日实际需水量进行估算。此外，支持向量机（SVM）也是人工智能领域中的重要算法模型之一，与ANN相比，SVM能够很好地克服ANN训练时间长，训练结果存在随机性和过学习等不足^[6]。彭世彰^[11]等建立了有较强适应性的基于支持向量回归机的参考作物腾发量实时预报模型，该模型比BP神经网络模型有更优的泛化能力；郭淑海^[12]等用最小二乘支持向量机对实际蒸散发量进行了估算，估算精度较高；杨会娟^[6]等在气象资料短缺的干旱地区，建立了预测精度较高的基于SVM的月潜在蒸散发模型；Yunjun Yao^[13]等人用贝叶斯模型平均法、一般回归神经网络法以及SVM法估计地面蒸散发，发现SVM优于其他方法。

以上所述作物需水量（ET）预测模型的输入变量大多仅选用了常规的气象因素（气温、风速等）。因为气象因素是作物需水量的主要影响因素之一，但是除气象因素之外，作物因素、种植模式也会对作物需水量产生影响^[14]。对植物而言，作物冠层温度（T_c ）是反映作物水分状况的一个良好指标，当植物受到水分胁迫、土壤水分亏缺时，导致许多植物气孔关闭，T_c 升高^[15-16]，可见，T_c 与作物需水量息息相关。但以往的作物需水量预测模型研究鲜见将T_c 作为预测模型的输入因素之一，同时，T_c 的获取克服了作物其它生理参数测量时取样误差较大和费时的缺点^[17]，因此本文探讨了将T_c 引入作物需水量预测模型的适用性。此外，针对节水灌溉的特定种植模式下青椒实际作物需水量（ET）的预测模型研究也较少。滴灌（Drip irrigation）是一种现代高效节水灌溉技术，在国内外已被广泛应用^[18]。垄沟集雨覆盖种植技术采用沟垄集雨、秸秆覆盖技术改善土壤水热状况，减少土壤水分散失，提高作物产量和水分利用效率，该技术已成为全球农田生态系统的一项重要的集水节灌技术^[19-23]。本文将滴灌、秸秆覆盖、垄沟集雨技术相结合（MFR-DI），用于青椒种植，并对青椒ET的SVM预测模型进行研究，实现多重节水。为避免模型训练过程中出现局部最优解，采用具有较强全局优化能力的遗传算法（GA）优化SVM模型。同时，探讨了在模型输入因子中引入T_c 时，预测模型的适用性，为实际作物需水量预测提供参考，对节约水资源有重要的现实意义。

1 数据来源及模型构建

1.1 数据来源

试验在河北省邯郸市河北工程大学精准灌溉试验场进行（36°35′20″N，114°29′23″E，海拔62.22 m）。试验布置如图1所示，试验小区长为1.2 m，宽为1 m，植株行距50 cm，株距30 cm。集雨滴灌（MFR-DI）种植中，垄和沟的宽度分别约为40 cm和60 cm，垄的高度约15 cm，垄上铺设塑料薄膜。青椒种植于沟内，同时将玉米秸秆粉碎成20 cm左右碎段，均匀撒于集雨沟内，测孔距离滴头5 cm。青椒生育期划分为4个阶段：苗期（约35 d）、开花坐果期（约30 d）、结果盛期（约45 d）、结果后期（约40 d）。研究区气候为温带大陆性季风气候，年平均气温14 ^°C，多年平均降水量548 mm，全年无霜期200 d，年日照时数2 557 h。精准灌溉试验场设有自动气象站，记录的主要气象数据有：气温（^°C）、日平均相对湿度（%）、日平均风速（m/s）等。冠层温度（T_c ）采用红外热像仪测量，测量精度为0.07 ^°C。在试验小区内选取长势均匀的4棵植株，测量每棵植株东南西北各方向的顶部叶片，4个方向的顶部叶片温度平均值为青椒植株的冠层温度。将小区内4棵植株的冠层温度平均值作为本小区青椒的冠层温度。T_c 观测时间为8∶00-18∶00，每小时测量一次。将每日测量的均值作为日平均冠层温度。青椒作物需水量的计算根据水量平衡方程求出^[14]，试验区无地下水补给。

Fig. 1 A schematic diagram of MFR-DI system

图1 MFR-DI种植方式示意图（单位：cm）

Full size|PPT slide

试验地土壤土质均匀一致，均为壤土，0～40 cm土层内的平均容重1.54 g/cm³，田间持水量（占干土质量）为27%，土壤pH值约为7.42。

1.2 GA-SVM青椒作物需水量预测模型构建

1.2.1 支持向量机

支持向量机（SVM）是1995年由贝尔实验室的Vapnik和其研究团队在统计学习理论的基础上提出来的一种机器学习算法^[24]。支持向量机是建立在统计学理论的VC维理论和结构风险最小原理基础上的，通过非线性核函数，将输入样本空间映射到高维线性特征空间，因此可以处理高度非线性的分类和回归等问题^[12]。该算法的基础依据主要是ε-不敏感函数（ε-insensitive function）和核函数（kernel-function）算法。假定训练样本集为（ x _i，y_i ），i＝1，2，…，n， x _i 为输入矢量，y_i 为对应的输出结果。φ( x _i )为样本数据转换到高维空间的非线性映射，则在高维空间的线性回归表达式为^[25]：

y_{i} = w φ (x_{i}) + b

(1)

式中：w为权值矢量；ｂ为偏置值。

w和ｂ有最优解，可用下列函数得到^[25]：

m i n \frac{1}{2} {‖w‖}^{2} + C \sum_{i = 1}^{m} (ξ_{i} + ξ_{i}^{*})

(2)

约束条件：

\{\begin{array}{l} y_{i} - w x_{i} - b \leq ε + ξ_{i}, i = 1,2, \dots, m \\ w x_{i} + b - y_{i} \leq ε + {ξ_{i}}^{*}, i = 1,2, \dots, m \\ ξ_{i}, {ξ_{i}}^{*} \geq 0, i = 1,2, \dots, m \end{array}

式中：C为惩罚因子，即对SVM出错时的惩罚程度，此参数的设置有效防止了个别误差影响支持向量机整体的优化性能^[25]。

根据非线性回归问题在高维空间的解法，最终得到支持向量机的回归函数（即ε-不敏感函数）为：

f (x) = \sum_{i = 1}^{n} ({a_{i}}^{*} - a_{i}) (x_{i}^{T} x) + b

（3）

ε - 不敏感函数所得结果是该曲线和训练点的“ε管道”^[11]。其中a_i ^*和a_i 为拉格朗日系数，x_i ^T为样本向量的转置，i＝1，2，…，n；x为支持向量。在所有样本点中，只有分布在“管壁”上的那一部分样本点才决定管道的位置，这部分训练样本称为“支持向量”，这一求解策略使过拟合受到限制，因此能够显著提高模型的预报能力^[11]。

核函数是预报样本点的向量x的函数Φ (x)与支持向量x′的函数Φ (x′)的内积^[11]。

K (x, x') = < Φ (x) \cdot Φ (x') >

(4)

本文使用RBF核函数，其表达式为exp (- g｜x - x_i ｜²)，核函数参数g和惩罚因子C是影响SVM性能的主要参数^[25]，使用遗传算法（GA）对SVM的主要参数进行优化。

1.2.2 遗传算法

遗传算法（GA）是一种模拟自然界生物进化机制的随机全局搜索和优化方法，其本质是一种高效、并行、全局搜索的方法，具有很强的解决问题能力和广泛的适应性^[26]。该理论利用一组称为群体的染色体进行操作。该算法包括种群初始化、适应度评价、选择、交叉和变异五个过程。首先对所有可能的解进行编码产生初始种群，然后计算种群中每个个体的适应度值，根据适应度值选择下一代个体，本文采用轮盘赌方法进行选择操作，之后对选出的个体进行交叉、变异操作以产生新的个体，再对新个体继续进行选择、交叉、变异操作^[7,24,26]，当满足终止条件时输出、解码最优个体，得到SVM最优参数g和C的初始输入值。通过反复试验，设定参数见表1所示：种群大小100，交叉概率为0.8，变异概率为0.01，迭代次数为100。

Tab. 1 Parameter setting of Genetic Algorithm

表1 遗传算法参数设置

参数	种群大小	迭代次数	交叉概率	变异概率
取值	100	100	0.8	0.01

1.2.3 GA-SVM预测模型构建

合理选择SVM的参数C和g，对于提高SVM预测模型的性能至关重要，传统SVM预测模型随机生成参数值，预测存在不稳定因素。GA具有较强的寻优能力，本文选取GA优化SVM的主要参数，构建GA-SVM预测模型，构建思路如图2所示，具体步骤如下：

Fig. 2 Flow chart of GA-SVM prediction model

图2 GA-SVM预测模型流程图

Full size|PPT slide

（1）首先进行数据的采集与预处理。将得到的气象数据、作物需水量等数据进行归一化处理，消除原始数据之间的量纲差异。

（2）种群初始化与编码^[26]。构建一定数量的初始种群，并设置惩罚因子C和核函数参数g的取值范围，对这两个参数进行二进制编码。

（3）计算适应度函数与解码。计算个体适应度函数，如果满足要求，解码种群中的染色体，获取C及g并进行步骤（5）的模型训练，如果适应度函数不满足要求则进行步骤（4）。

（4）选择、交叉、变异操作。根据适应度值来决定选择下一代的个体，采用“轮盘赌”选择法进行个体选择。之后对选出的个体进行交叉、变异操作来产生新个体，再次进行适应度计算，当满足遗传算法的终止条件时输出、解码最优参数组合，进行步骤（5），否则再次进行步骤（4），即选择、交叉、变异操作产生新一代种群，开始新的遗传。

（5）将最优参数C及g输入SVM预测模型中进行训练。

（6）当模型预测精度达到要求，则输出预测结果，否则需重新调整参数C和g的初始化寻优范围。

2 结果分析与评价

2.1 数据分析及处理

MFR-DI种植方式下青椒作物实际需水量（ET）在作物生长发育期内的变化规律如图3所示，从图3可以看出，2014-2017年，青椒从苗期到结果盛期ET波动式逐渐增加，至结果盛期达到最大值，之后到结果后期阶段ET又波动式逐渐减少，但仍比苗期的ET大。总体来看，青椒ET在生育期内呈现出周期规律性变化。

Fig. 3 Variations of the crop water consumption of green peppers in MFR-DI planting mode from 2014 to 2017

图3 2014-2017年MFR-DI种植方式下青椒作物需水量变化规律

Full size|PPT slide

MFR-DI种植方式下青椒作物冠层温度（T_c ）与同时段测得的平均气温在作物生长发育期内的变化规律如图4所示，可以看出，2014-2017年，气温与T_c 的变化规律均为苗期最低，随后逐渐波动增加，至结果盛期达最高值，之后又逐渐波动降低。气温始终高于T_c。并且T_c 与气温之间的差距（冠气温差的绝对值）在苗期最小，随后逐渐增加，到结果盛期最大，之后又逐渐降低，但仍比苗期差距大。经过相关回归分析，同一时间段T_c 与气温的相关系数R² 约为0.95。T_c 与同一天的平均气温的相关系数R² 约为0.9，说明T_c 与气温关系密切。而气温又是影响作物需水量的重要气象因素之一。综上所述，青椒作物冠层温度与气温、作物需水量息息相关，有必要将其作为预测ET的输入向量之一。

Fig. 4 Variations of the canopy temperature and the mean temperature in the simultaneous segment of green peppers in MFR-DI planting mode from 2014 to 2017

图4 2014-2017年MFR-DI种植方式下青椒冠层温度与同时段平均气温变化规律

Full size|PPT slide

在模型预测时为便于模型训练，消除原始数据之间的量纲差异以及极值对模型的影响，更好地反映各因素之间的相互关系，需要对样本数据进行归一化预处理，将数据转换到[0，1]之间。采用公式（5）进行归一化处理。

\frac{x_{i} - x m i n}{x m a x - x m i n} = x_{i}^{'}

（5）

式中：x_i （i=1，2，…，n）为第i个样本数据；

x_{i}^{'}

为归一化后的数值；x _max=max{x_i }，x _min=min{x_i }。

不仅要对模型的输入数据进行处理，对输出数据也应进行归一化处理。对使用模型预测的输出数据，还应进行还原计算，还原计算是公式（5）的逆计算过程，以恢复其实际值。

2.2 预测模型的性能评价

使用均方根误差（RMSE）、平均绝对误差（MAE）和纳什效率系数（Nash-Sutcliffe coefficient，NS）等来评价模型性能。

R M S E = \sqrt[]{\frac{1}{N} \sum_{i = 1}^{N} (O_{i} - P_{i})^{2}}

（6）

M A E = \frac{(\sum_{i = 1}^{N} |P_{i} - O_{i}|)}{N}

（7）

N S = 1 - \frac{\sum_{i = 1}^{N} (P_{i} - O_{i})^{2}}{\sum_{i = 1}^{N} (O_{i} - E T_{m e a n})^{2}}

（8）

式中：P_i 为预测值；O_i 为计算值（观测值）；ET_mean 为计算值的均值；N为观测数。RMSE和MAE的单位都是mm/d，取值范围从0到∞。NS是无量纲的，取值范围从1到-∞。对模型进行评价时，RMSE和MAE越小，NS越大，预测精度越高。

2.3 GA-SVM模型的预测结果分析与评价

以2014-2016年的数据样本进行训练，以2017年的数据样本进行验证。选择了不同输入组合建立了预测模型，如表2所示，其中T为温度，包括日最高气温（T _max），日最低气温（T _min）和日平均气温（T _mean）；RH为日平均相对湿度；P_h 为日平均气压；u₂ 为两米处风速；R_s 为太阳辐射；T_c 为青椒冠层温度。因此，所有模型的输入向量数为7，输出结果为MFR-DI种植方式下青椒作物实际需水量。设置遗传种群数量大小为100，迭代次数为100，交叉概率0.8，变异概率0.01，惩罚因子C的变化范围为0～100，核函数参数g的变化范围为0～20，经过反复训练，搜索到SVM最优参数C为0.162 8，g为1.528 8。根据遗传算法寻优得到的最优参数C和g建立GA-SVM预测模型并进行2017年青椒作物需水量预测，预测结果如图5和表3所示。

Tab. 2 Summary of input combinations for SVM prediction model in MFR-DI

表2 MFR-DI种植模式下基于SVM预测模型的输入组合

预测模型	气象数据					作物数据
预测模型	T	RH	P_h	u₂	R_s	T_c
SVM	√	√	√	√	√
GA-SVM1	√	√	√	√	√
GA-SVM2	√	√		√	√	√

Fig. 5 Comparative analysis of the crop water consumption of green peppers predicted by SVM and GA-SVM1 models

图5 SVM与GA-SVM1模型预测青椒作物需水量的比较分析

Full size|PPT slide

Tab. 3 Performance comparison of ET prediction models

表3 ET预测模型的性能对比

预测模型

RMSE

(mm·d^-1)

MAE

(mm·d^-1)

SVM

0.960 7

0.769 1

0.968 0

GA-SVM1

0.901 0

0.673 5

0.971 8

GA-SVM2

0.781 7

0.583 8

0.978 8

图5可以看出，在预测模型输入向量一致的情况下，GA-SVM模型预测青椒作物需水量的精度比SVM模型精度高，且预测性能稳定。为检验模型预测值与计算值ET（即期望目标值）之间的相关性，对二者进行了回归分析，GA-SVM1模型预测值与计算值ET相关系数R² 为0.807 33，而SVM模型的R² 为0.728 63。表明GA-SVM模型比SVM模型的预测值与计算值之间具有更强的一致性。表3为GA-SVM与SVM模型预测结果的统计性能分析表，可见SVM与GA-SVM1模型的RMSE分别为0.960 7、0.901 0 mm/d；MAE分别为0.769 1、0.673 5 mm/d；NS分别为0.968 0、0.971 8，说明GA-SVM模型的预测性能优于SVM模型。由以上分析可知，在输入相同因素向量时，GA-SVM比SVM预测模型具有更高的精度性能。因此，本文仅选取GA-SVM预测模型，讨论了模型输入因素引入冠层温度时对模型的预测性能产生的影响。

2.4 引入冠层温度的GA-SVM模型预测结果分析与评价

通过对作物需水量的影响因素（气象因素，T_c ）与作物需水量之间进行相关回归分析，发现P_h 与作物需水量的相关关系比T_c 与作物需水量的相关关系弱，因此将GA-SVM1预测模型气象因素中的P_h 替换为T_c，以保证模型的输入向量个数不变，如表2所示（即将GA-SVM1模型转变为GA-SVM2模型）。GA-SVM2模型预测2017年的作物需水量预测模型性能评价结果如图6及表3所示。

Fig. 6 Comparative analysis of the crop water consumption of green peppers predicted by GA-SVM2 model

图6 GA-SVM2模型预测青椒作物需水量的比较分析

Full size|PPT slide

由图6可以看出，GA-SVM2模型预测值与计算值ET相关系数R² 为0.830 58，比GA-SVM1的R² 约提高了2.9%，比SVM约提高了14%。另外，从表3可见，GA-SVM2的RMSE，MAE和NS分别为：0.781 7，0.583 8和0.978 8。可以明显看出引入冠层温度的GA-SVM2预测模型的预测结果比单独输入气象因素的GA-SVM1模型预测的结果更接近ET计算值（期望目标值），即GA-SVM2模型预测的准确度比GA-SVM1和SVM模型预测的准确度都高。因此，引入影响作物需水量的作物因素中的T_c 对预测青椒ET模型起到了积极作用。

3 结语

本文使用支持向量基作为非线性拟合方法，用于河北省南部地区MFR-DI种植模式下青椒作物需水量的预测，为实现多重、高效节水灌溉提供参考。利用农田水量平衡原理计算得到ET数据（期望目标值），以2014-2016年数据作为训练样本，对2017年模型预测结果进行了验证。在输入因子相同的情况下，GA-SVM模型的预测结果优于SVM模型，由于GA算法的优化，提高了SVM预测模型的收敛速度，使预测模型的精确度更高，实用性更强。

另外，在预测模型的输入向量中引入了影响作物需水量的作物因素（冠层温度，T_c ）。通过对该预测模型的性能评价可见，采用引入T_c 的GA-SVM2模型预测结果的准确度最高，其RMSE，MAE，NS，R² 分别为：0.781 7 mm/d，0.583 8 mm/d，0.978 8，0.8305 8。综上所述，引入T_c 的GA- SVM方法为预测青椒作物需水量提供了新思路。

GA-SVM预测模型参数是在一定自然条件及管理水平下试验获取，有一定的适用范围，并且各物理量之间的关系不能通过预测模型反映出来，这是此类预测模型不可避免的局限性。

References

Publishing order | Descend order by publishing year | Descend order by cited within

1	包志炎，郑高安，王萱，等. 基于模糊数据挖掘的灌区水资源配置研究[J].农业机械学报，2020（8）：1-9. 本文引用 [1]

2	ZHANG C， ZHANG F， GUO S， et al. Inexact nonlinear improved fuzzy chance-constrained programming model for irrigation water management under uncertainty[J].J. Hydrol， 2018， 556：397-408. 本文引用 [1]

3	崔丙健，高峰，胡超，等. 非常规水资源农业利用现状及研究进展[J].灌溉排水学报，2019，38（7）：60-68. 本文引用 [1]

4	中华人民共和国水利部. 2018年中国水资源公报[R].2018. 本文引用 [1]

5	沈莹莹，陈梦婷，崔静，等. 农田灌溉用水量统计工作中的样点灌区选取方法研究[J].中国农村水利水电，2020(3)：112-115. 本文引用 [1]

6	杨会娟，粟晓玲，郭静. 基于支持向量机的干旱区月潜在蒸散发的模拟[J].中国农村水利水电，2016（7）：6-10. 本文引用 [3]

7	李志新，赖志琴，龙云墨. 基于GA-Elman神经网络的参考作物需水量预测[J].节水灌溉，2019（2）：117-120. 本文引用 [2]

8	孟玮，孙西欢，郭向红，等. 基于人工蜂群径向基神经网络预测参考作物需水量[J].节水灌溉，2018（9）：6-11. 本文引用 [1]

9	邓皓，李文竹，刘婧然，等. 基于MIV-MEA-Elman神经网络的核桃果实膨大期需水量预测[J].节水灌溉，2020（4）：68-72. 本文引用 [1]

10	ABRISHAMI N， SEPASKHAH A R， SHAHROKHNIA M H. Estimating wheat and maize daily evapotranspirationsing artificial neural network[J].Theor. Appl. Climatol. 2019，135：945-958. 本文引用 [1]

11	彭世彰，魏征，徐俊增，等. 参考作物腾发量支持向量回归机实时预报模型[J].农业工程学报，2009，25（10）：45-49. 本文引用 [4]

12	郭淑海，杨国靖，李清峰，等. 新疆阿克苏河上游高寒草甸蒸散发观测与估算[J].冰川冻土，2015，37（1）：241-248. 本文引用 [2]

13	YAO Y， LIANG S， LI X， et al. Improving global terrestrial evapotranspiration estimation using support vector machine by integrating three process-based algorithms[J].Agric for Meteorol. 2017， 242：55–74. 本文引用 [1]

14	Allen R G， Pereira L S， Raes D， et al. Crop evapotranspiration. Guide lines for computing crop evapotranspiration[R].Rome， Italy：FAO Irrigation and Drainage Paper 56，1998： 9-12. 本文引用 [2]

15	WANG X， YANG W， WHEATON A，et al. Automated canopy temperature estimation via infrared thermography： A first step towards automated plant water stress monitoring[J].Comput Electron Agric， 2010， 73：74-83. 本文引用 [1]

16	POU A， DIAGO M P， MEDRANO H， et al. Validation of thermal indices for water status identification in grapevine[J].Agric Water Manage，2014， 134： 60-72. 本文引用 [1]

17	Ćosić M， Stričević， R， Djurović N， et al. Effects of irrigation regime and application of kaolin on canopy temperatures of sweet pepper and tomato[J].Sci Hortic，2018， 238： 23-31. 本文引用 [1]

18	刘婧然，程东娟，王丽玄，等. 起垄微沟滴灌土壤水分入渗规律试验研究[J].节水灌溉，2018（9）：6-11. 本文引用 [1]

19	周旭姣，王琦，张登奎，等. 垄沟集雨种植对土壤水热效应及紫花苜蓿产量的影响[J].草业学报，2019，28（11）：60-74. 本文引用 [1]

20	尹鑫卫，王琦，李晓玲，等. 半干旱区垄沟集雨系统点尺度土壤水分动态随机模拟[J].生态学报，2019，39（1）：321-332.

21	ALI S， XU Y， AHMAD I， et al. The ridge-furrow system combined with supplemental irrigation strategies to improves radiation use efficiency and winter wheat productivity in semi-arid regions of China[J].Agric Water Manage，2019， 213：76-86.

22	梅四卫，朱涵珍，王术，等. 不同覆盖方式对土壤水肥热状况以及玉米产量影响[J].灌溉排水学报，2020，39（4）：69-73.

23	钱玉平，田慧慧，程宏波，等. 秸秆覆盖及播种方式对马铃薯耗水特性和产量的影响[J].中国生态农业学报，2020，28（6）：826-834. 本文引用 [1]

24	李康，王魏，林少涵. 基于GA-SVR的海水养殖过程软测量建模[J].控制工程，2019，26（11）：2 047-2 051. 本文引用 [2]

25	王晨晖，刘立申，任佳，等. 主成分分析法和遗传算法优化的支持向量机模型在地震伤亡人数预测中的应用[J]. 地震，2020，40（3）：143-152. 本文引用 [4]

26	马创，吕孝飞，梁炎明. 基于GA-SVM的农产品质量分类[J].计算机科学，2020，47（6）：517-520. 本文引用 [3]

PDF(4653 KB)

405

Accesses

Citation

Detail

Sections

Recommended

Abstract
Key words
Cite this article
0 引言
1 数据来源及模型构建
1.1 数据来源
Fig. 1 A schematic diagram of MFR-DI system
1.2 GA-SVM青椒作物需水量预测模型构建
1.2.1 支持向量机
1.2.2 遗传算法
Tab. 1 Parameter setting of Genetic Algorithm
1.2.3 GA-SVM预测模型构建
Fig. 2 Flow chart of GA-SVM prediction model
2 结果分析与评价
2.1 数据分析及处理
Fig. 3 Variations of the crop water consumption of green peppers in MFR-DI planting mode from 2014 to 2017
Fig. 4 Variations of the canopy temperature and the mean temperature in the simultaneous segment of green peppers in MFR-DI planting mode from 2014 to 2017
2.2 预测模型的性能评价
2.3 GA-SVM模型的预测结果分析与评价
Tab. 2 Summary of input combinations for SVM prediction model in MFR-DI
Fig. 5 Comparative analysis of the crop water consumption of green peppers predicted by SVM and GA-SVM1 models
Tab. 3 Performance comparison of ET prediction models
2.4 引入冠层温度的GA-SVM模型预测结果分析与评价
Fig. 6 Comparative analysis of the crop water consumption of green peppers predicted by GA-SVM2 model
3 结语
References

Received	Published
2020-08-12	2021-01-10
Online
2021-01-10

Please choose a citation manager

Content to export

Abstract

Key words

Cite this article

0 引言

1 数据来源及模型构建

1.1 数据来源

Fig. 1 A schematic diagram of MFR-DI system

1.2 GA-SVM青椒作物需水量预测模型构建

1.2.1 支持向量机

1.2.2 遗传算法

Tab. 1 Parameter setting of Genetic Algorithm

1.2.3 GA-SVM预测模型构建

Fig. 2 Flow chart of GA-SVM prediction model

2 结果分析与评价

2.1 数据分析及处理

Fig. 3 Variations of the crop water consumption of green peppers in MFR-DI planting mode from 2014 to 2017

Fig. 4 Variations of the canopy temperature and the mean temperature in the simultaneous segment of green peppers in MFR-DI planting mode from 2014 to 2017

2.2 预测模型的性能评价

2.3 GA-SVM模型的预测结果分析与评价

Tab. 2 Summary of input combinations for SVM prediction model in MFR-DI

Fig. 5 Comparative analysis of the crop water consumption of green peppers predicted by SVM and GA-SVM1 models

Tab. 3 Performance comparison of ET prediction models

2.4 引入冠层温度的GA-SVM模型预测结果分析与评价

Fig. 6 Comparative analysis of the crop water consumption of green peppers predicted by GA-SVM2 model

3 结语

{{custom_sec.title}}

{{custom_sec.title}}

References

Please choose a citation manager

Content to export

Abstract

Key words

Cite this article

0 引 言

1 数据来源及模型构建

1.1 数据来源

Fig. 1 A schematic diagram of MFR-DI system

1.2 GA-SVM青椒作物需水量预测模型构建

1.2.1 支持向量机

1.2.2 遗传算法

Tab. 1 Parameter setting of Genetic Algorithm

1.2.3 GA-SVM预测模型构建

Fig. 2 Flow chart of GA-SVM prediction model

2 结果分析与评价

2.1 数据分析及处理

Fig. 3 Variations of the crop water consumption of green peppers in MFR-DI planting mode from 2014 to 2017

Fig. 4 Variations of the canopy temperature and the mean temperature in the simultaneous segment of green peppers in MFR-DI planting mode from 2014 to 2017

2.2 预测模型的性能评价

2.3 GA-SVM模型的预测结果分析与评价

Tab. 2 Summary of input combinations for SVM prediction model in MFR-DI

Fig. 5 Comparative analysis of the crop water consumption of green peppers predicted by SVM and GA-SVM1 models

Tab. 3 Performance comparison of ET prediction models

2.4 引入冠层温度的GA-SVM模型预测结果分析与 评价

Fig. 6 Comparative analysis of the crop water consumption of green peppers predicted by GA-SVM2 model

3 结 语

{{custom_sec.title}}

{{custom_sec.title}}

References

0 引言

2.4 引入冠层温度的GA-SVM模型预测结果分析与评价

3 结语