ET0预测的卡尔曼滤波修正ANFIS模型研究

作者:李志磊;周建平;魏正英;张育斌;许燕; 刊名:干旱地区农业研究 上传者:张德斌

【摘要】实时、准确地对作物需水量的预测是实现智能节水灌溉的关键技术.预测模型的合理选择及精度提高是作物需水决策系统的核心.本文将陕西西安地区的气象数据环境信息引入自适应神经模糊推理(ANFIS)作物参考蒸腾量(ET0)预测模型,应用卡尔曼滤波器对气象数据经ANFIS建模得到的ET0预测值进行滤波去噪,以提高模型的预测精度,并通过仿真和实验验证,从理论和实践两个方面来验证模型的精度.仿真结果得到,反映模型预测值与真实值之间拟合程度的均等系数(EC)值校正前为0.93,校正后达到0.98.实验结果得到,ANFIS预测模型的平均绝对误差是28.94%,平均相对误差是26.37%,卡尔曼修正后的ANFIS预测模型的平均绝对误差是7.24%,平均相对误差是6.59%.仿真和实验结果表明,利用卡尔曼滤波对ANFIS预测模型进行修正,可以提高预测的精度,经卡尔曼修正后的ANFIS模型能更佳地反映ET0的变化趋势.

全文阅读

作物参考蒸腾量(ET0)是作物生长过程中一个非常重要的数据,实时、准确地对作物参考蒸腾量的预测是实现智能节水灌溉的关键技术,作物参考蒸腾量预测结果的好坏将直接影响作物的长势以及智能灌溉的效果。ET0反映的是大气蒸发能力与作物需水信息的关系,其计算具有地域性、时域性,与特定时间、特定地域的气象因素有关。模型法、温度法、经验公式法和综合法是常见的计算ET0的方法。当前,受国内外学者认可的是FAO-56Penman-Monteith方法(PM法),该法利用大量的气象因素进行计算,结果较为准确,但需用的参数较多。使用PM公式计算ET0需要8个参数,包括:日最低气温(Tmin)、日最高气温(Tmax)、地理纬度、海拔、日平均相对湿度、实际日照时长(n)、风标高度及风速(Uh)。而其中的一些参数在气象资料短缺的条件下很难获取,因此很多地区对作物参考蒸发量的研究受到所需气象参数难以得到的限制[1-3]。而引入智能学习算法预测ET0能克服数据难以获得的困难。ET0预测的研究方法有多,非参数回归模型和自回归移动平均模型等方法是传统的预测方法,随着智能学习的进步与完善,比较新的预测研究方法主要有神经网络模型、支持向量机模型、混沌预测模型以及集成多种模型特点的组合预测方法等。但各种理论模型均存在自身的特点与缺陷,其中,回归模型存在受数据量限制的缺陷,神经网络等机器学习算法存在训练速度慢、时而出现不收敛的缺陷,且模型易受数据噪音的干扰造成预测精度的降低[4]。本论文将自适应神经模糊推理系统(ANFIS)作为ET0的预测模型,并通过卡尔曼滤波去除由作物环境信息带入到模型中的噪音。1卡尔曼滤波去噪原理1.1数据噪声来源在作物生长状况信息感知环节,由于传感器本身的精度、硬件故障、人为因素以及周围环境等各种因素的干扰,现场传感器采集的作物长势及土壤墒情信息数据,会存在噪声和错误数据。因为预测模型输入数据的特征对模型的输出结果精度有影响,基于ANFIS建立的预测模型,由于模型的输入数据存在噪声,所以得到模型其输出的作物参考蒸腾量也是有误差的、不准确的。为了减小信息感知部分混杂的噪声对模型预测值的影响,提高预测模型的精度,有必要在得到模型预测值时对其进行校正,即对其进行处理分析。可以用滤波器对要分析的数据进行处理,消除信息感知部分携带到模型中的噪声,以及减少不确定因素的干扰[5-7]。一般情况下,环境信息监控系统利用传感器采集的气象及作物土壤墒情信息是有一定的周期的,即得到的样本数据是不连续的。然而,考虑到卡尔曼滤波器正是用来处理非连续信号的,所以文中应用卡尔曼滤波器,对经环境信息监控系统采集到的气象及土壤信息数据进行去噪处理,然后将去噪后的数据进行训练得到预测模型,并用卡尔曼滤波器对其进行修正。卡尔曼滤波器根据系统提供的测量值以“预测-实测-修正”的递推顺序消除随机因素的干扰。1.2卡尔曼滤波去噪原理卡尔曼滤波器由描述状态向量的过程方程和描述观测向量的观测方程组成。离散线性系统的卡尔曼滤波状态方程和观测方程可表示为[8]:X(k+1)=(k+1,k)Xk+(k+1)Uk+(k+1,k)kL(k+1)=BkXk+Zk+{k(1)如果系统是随机线性离散系统,(1)式可简化为:X(k+1)=(k+1,k)Xk+(k+1,k)kL(k+1)=BkXk+{k(2)式中,Bk为tk时刻的观测矩阵;L(k+1)为t(k+1)时刻的观测向量;X(k+1)、Xk为状态向量在t(k+1)、tk时刻的状态向量;k为tk时刻的观测噪声向量;(k+1,k)为动态噪声向量的系数阵;(k+1,k)为状态转移矩

参考文献

引证文献

问答

我要提问