عنوان انگلیسی: Daily reference evapotranspiration prediction based on hybridized extreme learning machine model with bio-inspired optimization algorithms: Application in contrasting climates of China
سال نشر: ۲۰۱۹
نویسنده: Lifeng Wu,Hanmi Zhou,Xin Ma,Junliang Fan,Fucang Zhang
تعداد صفحه فارسی: ۲۶ – تعداد صفحه انگلیسی: ۵۲
دانشگاه: School of Hydraulic and Ecological Engineering, Nanchang Institute of Technology, Nanchang 330099, China b College of Agricultural Engineering, Henan University of Science and Technology, Luoyang 471003, China c School of Science, Southwest University of Science and Technology, Mianyang 621010, China d Key Laboratory of Agricultural Soil and Water Engineering in Arid and Semiarid Areas of Ministry of Education, Northwest A&F University, Yangling 712100, China
نشریه: Process Safety and Environmental Protection
کیفیت ترجمه: اقتصادی
چکیده
پیش‌بینی دقیق و معتبر تبخیر – تعرق مرجع (ETo ) پیش‌شرط مدیریت کارآمد و برنامه‌ریزی منابع آب کشاورزی و همچنین طراحی بهینه برنامه آبیاری است. این مطالعه عملکرد چهار الگوریتم الهام‌گرفته شده از ماشین یادگیری افراطی بهینه شده (ELM ) ، ELM با الگوریتم ژنتیک (ELM – GA) ، ELM با الگوریتم بهینه سازی کلونی مورچه (ELM-ACO ) و ELM با الگوریتم بهینه سازی جستجوی فاخته (CSA) ، ELM با الگوریتم گرده افشانی گل (ELM-FPA) را برای پیش‌بینی ETo روزانه در سراسر چین با استفاده از یک روش پنج گانه اعتبارسنجی مورد ارزیابی قرار داد. این مدل‌ها بیشتر با مدل ELM کلاسیک پارامتری شده با روش جستجوی شبکه‌ای برای نشان دادن توانایی و کارایی شان مقایسه شدند. حداکثر و حداقل دمای محیط، سرعت باد، رطوبت نسبی و داده‌های تابش خورشیدی جهانی در طی سال‌های ۲۰۱۵ – ۲۰۰۱ از هشت ایستگاه هواشناسی در دو اقلیم متفاوت چین برای آموزش، اعتبارسنجی و آزمایش مدل‌ها استفاده شد. نتایج نشان داد که مقادیر ETo پیش‌بینی‌شده توسط همه مدل‌های ELM به خوبی با مقادیر متناظر FAO-56 Penman Monteith، با R2 ، RMSE، NRMSE و MAE ۰.۹۷۶۶،
Abstract
Reliable and accurate prediction of reference evapotranspiration (ETo) is a precondition for the efficient management and planning of agricultural water resources as well as the optimal design of irrigation scheduling. This study evaluated the performances of four bio-inspired algorithm optimized extreme learning machine (ELM) models, i.e. ELM with genetic algorithm (ELM-GA), ELM with ant colony optimization (ELM-ACO), ELM with cuckoo search algorithm (CSA) and ELM with flower pollination algorithm (ELM-FPA), for predicting daily ETo across China by using a five-fold cross-validation approach. These models were further compared with the classical ELM model parameterized by the grid search method to demonstrate their capability and efficiency. Daily maximum and minimum ambient temperatures, wind speed, relative humidity and global solar radiation data during 2001–۲۰۱۵ collected from eight meteorological stations in contrasting climates of China were utilized to train, validate and test
محصولات مشابه
امتیاز شما:
(No Ratings Yet)
(No Ratings Yet)