文献类型： 中文期刊

作者： 谢伟明 ¹ ; 张钟莉莉 ² ; 陶建平 ² ; 曲明山 ² ; 魏一博 ² ; 张石锐 ² ;

作者机构： 1.北京市农林科学院智能装备技术研究中心

2.null

关键词： BiLSTM;外部注意力机制;沙猫群优化算法;逐小时参考作物蒸腾量预测;模型可解释性

期刊名称： 节水灌溉

ISSN： 1007-4929

年卷期： 2025 年 003 期

页码： 57-63,70

收录情况： 北大核心

摘要： 在农业水资源管理领域，参考作物蒸腾量的精确预测对灌溉水高效利用至关重要。当前逐日预测方法未能充分利用日内动态变化信息，限制了预测准确性。为解决该问题，研究提出了一种基于外部注意力机制（EA）的双向长短时记忆网络（BiLSTM）模型，使用沙猫群算法（SCSO）优化模型超参数，实现逐小时参考作物蒸腾量预测。首先利用SCSO方法对EA-BiLSTM模型进行优化，优化后的算法在70个epoch后收敛，平均R²升至0.750；进而通过特征相关性分析，将模型输入的特征数据由10个减少为历史ET0、太阳辐射、空气温度、空气湿度和最大风速5个。以北京市昌平区的国家精准农业研究示范基地大田种植区ET0预测为例进行了方法验证，在对未来第7小时的预测中，R²从0.619提高到0.644，获得了更好的预测效果；最后通过对模型可解释性分析证实，历史ET0对预测的贡献最高，贡献率达到了0.043，其次是空气湿度和总辐射。与DT （决策树）、Lasso （最小绝对收缩和选择算法）、LMP （多层感知机）、CNN （卷积神经网络）等预测方法的对比结果表明，采用EA-BiLSTM-SCSO的预测结果在MAE和MSE指标上均获得了最低的误差值，在R²指标上，EA-BiLSTM-SCSO模型平均达到0.722较CNN模型提升了12.6%。研究验证了深度学习与特征工程在提高作物参考蒸腾量逐小时预测精度方面的优势。该方法在智慧灌溉中用于估算作物的水分需求，能够实现对未来灌溉的精准预测，从而制定合理的灌溉计划，提高灌溉水利用效率，进行有效的灌溉用水调度。