为提高农作物潜在蒸散量的估算能力、测试深度学习方法在潜在蒸散量预报中的可行性,提出了基于卷积神经网络(CNN)深度学习算法的潜在蒸散量(ET0)估算方法并对其性能进行评价。分别采用Penman-Monteith公式和Hargreaves模型对江苏省东部沿海地区4个站点1984年1月1日至2019年12月31日间的逐日ET0进行了计算和对比。结果显示,相对于传统的Hargreaves方法,CNN方法可以将其估算误差降低约50%,显著地提高ET0估算性能,因此具有较好的推广前景。
科研之友
微信
新浪微博
Facebook
分享链接
