摘要： 針對釀酒葡萄蒸騰量影響因素的復雜性、各影響因子間的非線性等問題，提出主成分分析、注意力機制（Attention）以及門控循環(huán)單元（gated recurrent unit，GRU）相結合的模型來預測釀酒葡萄蒸騰量，采用寧夏立蘭酒莊連續(xù)時間段內傳感器監(jiān)測數據作為樣本進行分析，同時建立長短時記憶神經網絡（LSTM）和未引入Attention機制的GRU神經網絡進行對比分析.結果表明，Attention-GRU模型的均方根誤差、均方誤差和平均絕對誤差分別為0.423 mm，0.179和0.355 mm，與LSTM模型相比，其各項誤差分別降低了0.122 mm，0.118和0.083 mm；與未引入Attention機制的GRU模型相比，其各項誤差分別降低了0.259 mm，0.286和0.161 mm.該模型具有較高的預測精度和泛化能力，可以為釀酒葡萄需水量研究提供依據.

關鍵詞： 釀酒葡萄；蒸騰量；神經網絡；門控循環(huán)單元；注意力機制

中圖分類號： S274.4文獻標志碼： A文章編號： 1674-8530（2024）11-1181-08

DOI：10.3969/j.issn.1674-8530.22.0307

李英豪，施愛平，范欣竹. 基于Attention-GRU模型的釀酒葡萄蒸騰量預測[J]. 排灌機械工程學報，2024，42（11）：1181-1188.

LI Yinghao， SHI Aiping， FAN Xinzhu. Prediction of wine grape transpiration based on Attention-GRU model[J]. Journal of drainage and irrigation machinery engineering（JDIME）， "2024， 42（11）： 1181-1188. （in Chinese）

Prediction of wine grape transpiration based on Attention-GRU model

LI Yinghao1， SHI Aiping2*， FAN Xinzhu1

（1. School of Agricultural Engineering， Jiangsu University， Zhenjiang， Jiangsu 212013， China; 2. School of Automotive and Traffic Engineering， Jiangsu University， Zhenjiang， Jiangsu 212013， China）

Abstract： With the continuous expansion of wine grape planting area at the eastern foothills of Helan Mountain in Ningxia， the problem of water shortage was becoming more and more serious. Crop transpiration was an important basis for determining crop water requirements， and obtaining grape transpiration accurately was an important way to realize demandbased irrigation and water conservation in the region. To address the complexity of the factors influencing grape transpiration and the nonlinearity among the influencing factors， a model combining principal component analysis， Attention and gated recurrent unit （GRU） was proposed to predict grape transpiration. The sensor monitoring data of Ningxia Lilan Winery in a continuous period were used as samples for analysis. Meanwhile， the long shortterm memory （LSTM） and the GRU neural network without the Attention mechanism were established for comparative analysis. The results of the analysis show that the root mean square error， mean square error and mean absolute error of the Attention-GRU model are 0.423 mm， 0.179 and 0.355 mm， respectively. Attention-GRU model compared with the LSTM model， the errors were reduced by 0.122 mm， 0.118 and 0.083 mm， respectively. Compared with the GRU model without the Attention mechanism， the errors were reduced by 0.259 mm， 0.286 and 0.161 mm， respectively. The model has high prediction accuracy and generalization ability， which can provide a basis for the study of water demand of wine grapes.

Key words： wine grapes;transpiration;neural networks;gated recurrent unit;attention

寧夏賀蘭山東麓地區(qū)是世界上最適合種植釀酒葡萄的黃金區(qū)域[1]，截至2020年底，釀酒葡萄種植面積達4萬hm2以上[2]，但該產區(qū)主要依賴人工經驗進行灌溉，導致水資源利用率低[3-5].隨著精準農業(yè)研究的不斷深入，制定科學的灌溉理論來指導灌溉，是實現葡萄園按需灌溉、節(jié)約用水的重要途徑[6].

根據聯合國糧農組織（FAO）的研究，作物蒸騰量是確定作物耗水量的重要依據[7-9]，影響蒸騰量的主要因素包括氣象因素、作物因素以及管理與環(huán)境條件等[10].目前確定作物蒸騰量[11]的方法主要分為實測法和估算法2種：實測法包括水量平衡、能量平衡和微氣象學法等[12]，該類方法優(yōu)點在于精度高，但精準測量出各個變量值有一定難度，不適用于整個葡萄園；估算法主要基于Penmen-Monteith模型估算參照作物蒸騰量，該模型融合了輻射項和空氣動力學項，估算結果精度高，已在多區(qū)域、多氣候類型下通過蒸滲儀進行了驗證[13]，但模型計算復雜且對數據完整性有嚴格要求，因此其應用受到一定的限制.

近年來，國內外學者基于歷史統(tǒng)計數據對作物蒸騰量預測展開研究，利用神經網絡的非線性、自適應性等特點，建立與作物需水特征相適應的蒸騰量預測模型[14-15].STAN＇CZYK等[16]提出了一種基于線性回歸模型的需水量預測方法，結合進化策略來提取每周季節(jié)性，研究成果可為水務公司WDF系統(tǒng)提供理論支持.KUMAR等[17]用極限學習機（ELM）對蒸騰量進行預測，該模型具有簡單、易實現的特點.PATRCIA等[18]探索了卷積神經網絡（CNN）在蒸騰量時間序列中的應用，結果表明模型性能優(yōu)于著名的Seasonal ARIMA和Seasonal NAVE，但該模型在處理大數據上缺乏魯棒性.ROY等[19]建立了長短時記憶神經網絡模型（LSTM）對作物每日蒸騰量進行預測，模型設置3個隱藏層，選擇5個變量（最低溫度、最高溫度、相對濕度、風速和日照時數）的隨機組合作為模型輸入；研究表明LSTM模型在處理時序序列數據上優(yōu)于傳統(tǒng)神經網絡模型，但該模型參數較多，訓練起來比較復雜.上述模型普遍在輸入數據的選擇上存在主觀性，所選擇的輸入變量不能完全反映數據的實際特征，且模型缺少對歷史數據中重要信息的關注.

為了加強神經網絡模型對數據時序特征的提取能力，同時考慮提高預測精度、縮短訓練時間以及增強模型泛化能力，提出一種基于Attention-GRU（gated recurrent unit）的釀酒葡萄蒸騰量預測模型.首先采用主成分分析法（PCA）對影響蒸騰量變化的因素進行篩選，降低數據維度，之后采用結合Attention機制的GRU神經網絡對數據時序特征進行提取，建立釀酒葡萄蒸騰量預測模型，通過立蘭酒莊傳感器數據進行仿真試驗及對比分析，驗證模型可行性和優(yōu)異性.

1神經網絡模型理論基礎

1.1門控循環(huán)單元網絡

長短時記憶網絡（LSTM）是一種改進的循環(huán)神經網絡（RNN）[20]，它采用求和代替梯度求導，緩解了RNN存在的梯度消失問題.CHUNG等[21]對LSTM神經網絡進行了改進，提出了GRU神經網絡，其單元結構如圖1所示.GRU具有2個門控單元，即更新門和重置門，更新門用于控制細胞歷史狀態(tài)信息流入到當前狀態(tài)的程度，重置門控制先前狀態(tài)有多少信息被寫入到當前候選集.GRU相較于LSTM神經網絡結構更加簡單，能夠在保持LSTM訓練效果的同時減少訓練參數，提高模型的訓練速度.

設t時刻模型輸入為（x1，x2，…，xt），隱含層狀態(tài)為（h1，h2，…，ht），則有計算式為

zt=σ（Wz［ht-1，xt］+bz），（1）

rt=σ（Wr［ht-1，xt］+br），（2）

ht=tanh（Wh［rtht-1，xt］+bh），（3）

ht=（1-zt）ht-1+ztht，（4）

式中：zt和rt分別為更新門和重置門；ht為候選隱藏狀態(tài)；ht為當前時刻輸出；ht-1為前一時刻隱含層輸出；Wz和Wr分別為更新門和重置門對應的權重矩陣；Wh為計算 ht所需的權重矩陣；bz，br，bh為計算各函數所需的偏置矩陣；σ為Sigmoid激活函數；tanh為雙曲正切函數.

1.2注意力機制

注意力機制旨在實現信息處理資源的高效分配，以高權重去聚焦重要信息，以低權重去忽略不相關的信息[22].一個注意力機制包括一個從輸入生成注意力向量的編碼器和一個將編碼器輸出作為輸入生成隱藏狀態(tài)的解碼器，隱藏狀態(tài)按視圖劃分；編碼器利用前一個視圖解碼器的隱藏狀態(tài)給每一步的隱藏狀態(tài)分配一個注意力分數；通過對注意力分數進行softmax運算，得到一個注意力向量.因此，每當解碼器預測輸出值時，編碼器就會更加關注與預測值相似的輸入變量.注意力機制計算式為

αt=softmax（et）=exp（et）∑exp（et），（5）

et=vt（w·ht+b），（6）

式中：αt為GRU層各輸出特征1的不同權重值；v，w為模型參數；b為偏置矩陣；et為注意力分布函數.

1.3主成分分析法

主成分分析法（principal component analysis，PCA）是一種數據的多元統(tǒng)計分析方法，常被用于數據壓縮和特征提取[23-24].其原理是通過某種線性投影，將高維數據映射到低維空間，并使數據方差在所投影的維度上滿足一個特定值.一般而言，當方差貢獻率達到95％時，可以認為降維后數據保留了原始數據的大部分信息.在多變量的蒸騰量預測中，各變量之間的相關性會影響預測結果，因此，文中試驗利用PCA來消除變量間的耦合影響. "

2神經網絡模型構建

2.1預處理方法與數據降維

2.1.1試驗數據采集

研究區(qū)域位于寧夏賀蘭山東麓地區(qū)立蘭酒莊（105.98°E，38.28°N），平均海拔1 100 m，面積約為160 hm2，沙質土壤與礫石之比約為3∶2，該地區(qū)光照充足，每年光照時間超過3 000 h，但降雨量少，年降雨量僅約200 mm.文中所使用的原始數據集為立蘭酒莊連續(xù)時間段內通過氣象傳感器、土壤溫濕度傳感器以及冠層溫濕度傳感器所監(jiān)測到的數據；采集頻率為10 min采集１次，采集時間為2016—2021年，考慮到釀酒葡萄萌芽期至落葉期為每年3月底至10月下旬.因此，研究中采用2016—2021年每年4月1日至10月31日的監(jiān)測數據，共計184 032條；數據類型包括空氣溫濕度、冠層溫濕度、風速、降雨量以及土壤溫濕度等.

釀酒葡萄蒸騰量基于Penman-Monteith模型結合釀酒葡萄作物系數Kc計算得出.考慮到土壤蒸發(fā)以及冠層截留的影響，P-M模型計算結果會高估蒸騰量，文中通過引入釀酒葡萄不同生長階段下蒸騰量與騰發(fā)量的比值系數Kd來優(yōu)化蒸騰量計算方法，Kd通過查閱相關手冊結合釀酒葡萄實際生長情況得出，同時作物冠層的影響和空氣阻力的差別都被考慮在作物系數Kc之中.

蒸騰量計算式為

ET=KdKcET0，（7）

式中：ET為釀酒葡萄實際蒸騰量，mm/d； ET0為參考作物騰發(fā)量，mm/d.

ET0=0.408Δ（Rn-G）+γ900T+273u2（es-ea）Δ+γ（1+0.34u2），（8）

式中：Rn為作物表面凈輻射，MJ/（m2·d）；G為土壤熱通量，MJ/（m2·d）；γ為濕度計常數，kPa/℃；T為地表2 m高處日平均氣溫，℃；u2為地表2 m高處風速，m/s；es為飽和水汽壓，kPa；ea為實際水汽壓，kPa；Δ為飽和水汽壓曲線傾率.

2.1.2數據預處理

1） 異常數據及缺失值處理.對于數據集中前后間隔時間較大的缺失數據，數據填充方式：每日溫度、相對濕度、風速等數據從中國氣象網站獲取并填補；其他項數據例如土壤溫濕度、冠層溫濕度等則是在隔年數據中選擇與當日氣象數據較為接近的日期數據作為填充；對數據集中出現的異常數據采用均值平滑化方法處理，即

xb=xb-1+xb+12，（9）

式中：xb為異常數據；xb-1，xb+1為與異常數據相鄰的有效數據.

2） 數據整合.若采用原始的間隔10 min的數據作為模型輸入進行訓練，則存在數據量過大、氣象數據時序性不強導致預測效果不佳等問題.因此將原始數據整合為每日氣象數據，具體方法為將每天144條數據各項中土壤溫濕度、空氣溫濕度、冠層溫濕度、風速、光照度累加后平均，將每日降雨量累加，得到新的數據集，即為每日氣象數據集.

3） 數據歸一化.為了使模型獲得更好的收斂和映射關系，消除不同量綱帶來的不良影響，對數據進行歸一化處理，將數據集中各項數據分別映射到[0，1]區(qū)間，歸一化公式為

Xt=xi-xminxmax-xmin，（10）

式中：xmin和xmax分別為新數據集中該項最小值和最大值.

2.1.3主成分分析

由于收集到的環(huán)境因子數量繁多，且各因子之間存在一定的相關性，為了加快模型收斂速度、提高模型預測準確性，采用主成分分析法對初始數據進行降維處理.具體步驟如下.

1） 去均值化處理，各特征分別減去自身的均值.

2） 計算相關系數矩陣R=（rij）m×n，

rij=∑nk=1（xki-ai）（xkj-aj）∑nk=1（xki-ai）2∑nk=1（xkj-aj）2，（11）

式中：rij為各因素間的相關系數；xi，xj為樣本數據變量；ai，aj為2個因素的平均值；n為相關系數矩陣的列.

3） 由λI-R=0計算得出相關系數矩陣的特征值λi與特征向量，其中I為單位矩陣.

4） 計算貢獻率τi與累計貢獻率ηi，并確定ηi在95％左右的主成分變量.

τi=λi∑mk=1λk， i=1，2，…，m，（12）

ηi=∑ik=1λi∑mk=1λk， i=1，2，…，m.（13）

經上述步驟計算后得到的部分特征值、方差貢獻率θv及累計貢獻率θcv，見表1.

由表1可知，前6個主成分的方差累計貢獻率達到了96.59％，所包含的特征參數能夠很好地反應原始變量信息，剩余成分的累計方差貢獻率之和僅為3.42％，參考意義不大，故提取前6個主成分進行分析.為了篩選出影響蒸騰量變化的關鍵影響因子，采用SPSS軟件計算6個主成分的得分系數.得分系數代表各影響因子在主成分中的所占權重.分析后提取的主要影響因子為空氣溫度、空氣濕度、光照強度、風速、土壤濕度以及降雨量.因此，將這6個影響因子作為預測模型的輸入特征.

2.2基于Attention-GRU的釀酒葡萄蒸騰量預測模型

基于第1節(jié)所述的原理，提出的預測模型主要步驟包括試驗數據獲取及預處理、數據降維、Attention-GRU模型構建、釀酒葡萄蒸騰量預測，具體預測流程如圖2所示.

預測步驟如下：

1） 對立蘭酒莊內采集到的數據進行天平均處理，并對數據做預處理，方法包括異常值剔除、缺失值填補及歸一化處理.

2） 利用PCA對釀酒葡萄蒸騰量關鍵影響因子進行篩選，選擇累積方差貢獻率在95％左右的6個關鍵主成分作為預測模型輸入，并將數據集按時間劃分為訓練集、測試集和驗證集.

3） 初始化Attention-GRU模型，將訓練集輸入模型，不斷調整模型參數，包括學習率、隱含層節(jié)點數、迭代次數、優(yōu)化算法、批次大小等，直至獲得最優(yōu)參數組合.

4）將調試得到的最優(yōu)參數組合代入模型，完成最終預測模型的構建.將測試集輸入模型，計算蒸騰量預測結果，并與其他預測模型進行對比，驗證模型性能，實現釀酒葡萄蒸騰量的精準預測.

3結果與分析

3.1超參數調試

選擇基于開源機器學習框架Tensorflow中的Keras神經網絡庫作為主體搭建Attention-GRU網絡.試驗環(huán)境采用Win 10操作系統(tǒng)，Intel（R）Core（TM）i7-8700U處理器；編程語言為Python 3.7.6，模型性能評價指標采用均方根誤差（RMSE）、均方誤差（MSE）和平均絕對誤差（MAE）進行表征.

RMSE=∑Nt=1（Et-Ft）2N，（14）

MAE=1N∑Nt=1Et-Ft，（15）

式中：Et為t時刻釀酒葡萄蒸騰量實際值；Ft為t時刻釀酒葡萄蒸騰量預測值；N為預測時段總數.2項指標的數值越低，說明模型預測性能越好.

選擇經PCA篩選后的6個主要影響因子作為模型輸入，因此模型輸入序列的維度為6，輸出維度為1，時間步長設置為5，batch_size設置為32，含義是模型每一次訓練從數據集中傳入32個樣本，訓練集使用次數（epochs）設置為200次，選擇適應性矩估計（Adam）作為優(yōu)化算法，學習率設置為0.001，采用均方誤差（MSE）作為模型損失函數，其公式為

MSE=∑Nt=1（Et-Ft）2N.（16）

為了研究不同隱含層節(jié)點數對模型性能的影響，設置了不同的隱含層節(jié)點數并進行試驗.不同隱含層節(jié)點數對應的誤差如表2所示.由表可知，隱含層節(jié)點數在10～30時，對應的誤差也發(fā)生波動，當隱含層節(jié)點數為20時，模型MAE和RMSE最小.因此隱含層節(jié)點數設置為20.

3.2預測模型仿真及預測結果分析

試驗中，將傳感器采集到的184 032條數據經天平均平滑處理后，最終得到1 278組數據集.數據集按照時間而非比例進行劃分，將2015年4月1日至2018年10月31日數據共852組作為訓練集，將2019年4月1日至2020年10月31日數據共426組作為驗證集，將2021年6月1日至2021年9月30日數據共120組作為測試集.模型在測試集上的預測結果如圖3所示，預測誤差ε如圖4所示.

預測結果顯示，基于Attention-GRU神經網絡預測模型的預測值與Penmen-Monteith計算出的蒸騰量值可以得到很好的擬合，120個測試集樣本中，絕大部分樣本誤差在0～1.0 mm/d，僅有2個樣本誤差在1.0～1.5 mm/d，說明Attention-GRU模型在測試集上的預測性能優(yōu)秀，誤差較小.

3.3模型對比驗證

為了更好地驗證所提出的模型在釀酒葡萄蒸騰量預測中的優(yōu)越性，同時構建LSTM模型和未引入Attention機制的GRU模型對釀酒葡萄蒸騰量進行預測并對比分析.3種模型在相同運算環(huán)境的輸入條件下，在測試集上的預測值曲線對比如圖5所示；3種模型在測試集上的預測值相較于Penman-Monteith估算值的誤差對比如圖6所示.

由圖5可以直觀看出，Attention-GRU釀酒葡萄蒸騰量預測模型預測結果與LSTM模型和未引入Attention機制的GRU模型相比，更加貼近真實曲線，表示Attention-GRU模型有比LSTM和GRU模型更好的預測性能；由圖6可以看出，Attention-GRU模型預測誤差明顯小于其他2個模型，通過計算得到3種模型預測Attention-GRU，GRU，LSTM誤差的方差分別為0.037，0.096，0.124，表明Attention-GRU預測模型相較于其他2種的誤差波動小，穩(wěn)定性高.3種模型預測結果的評價指標見表3.

由表3可知， Attention-GRU模型對應的RMSE，MSE和MAE分別為0.423 mm，0.179和 0.355 mm；與未引入Attention機制的GRU模型相比，各項誤差分別減少了0.122 mm，0.118和0.083 mm，表明在引入Attention機制后，模型處理長時序列問題中關鍵信息的能力得到顯著提升；與LSTM模型相比，各項誤差分別減少了0.259 mm，0.286和0.161 mm，表明Attention-GRU神經網絡模型在處理時序序列數據上明顯優(yōu)于LSTM模型，可以更好地捕捉到數據中的依賴關系，有效地提高了釀酒葡萄蒸騰量的預測精度.

在構建和訓練模型的過程中，不同的網絡參數和網絡結構會導致模型的預測結果有偏差.因此在模型的優(yōu)化過程中，根據不同的應用領域及數據結構，重新尋找Attention-GRU模型的最優(yōu)參數組合，從而獲得與應用領域和數據結構相適應的Attention-GRU模型.

4結論

以準確預測寧夏賀蘭山東麓地區(qū)釀酒葡萄蒸騰量為目的，對釀酒葡萄蒸騰量預測模型展開研究，提出了一種主成分分析法、注意力機制和門控循環(huán)單元相結合的蒸騰量預測方法.

采用寧夏立蘭酒莊葡萄園內小型氣象站采集到的氣象墑情等數據和彭曼公式計算出的釀酒葡萄蒸騰量作為數據來源，分別構建Attention-GRU模型、GRU模型和LSTM模型對釀酒葡萄蒸騰量進行預測.3種模型在測試集上的預測結果顯示，Attention-GRU模型預測性能優(yōu)于GRU模型及LSTM模型，良好的預測效果充分說明了Attention-GRU模型對釀酒葡萄蒸騰量預測的準確性，可以更好地表達釀酒葡萄蒸騰量和環(huán)境因子之間的非線性關系，具有較高的理論研究價值.

參考文獻（References）

[1]施愛平，錢震威，李英豪，等.基于GA-LSTM的釀酒葡萄霜霉病預測方法研究[J].中國農機化學報，2023，44（10）：144-151.

SHI Aiping， QIAN Zhenwei， LI Yinghao， et al. Study on prediction method of downy mildew in wine grapes based on GA-LSTM[J]. Journal of Chinese agricultural mechanization，2023，44（10）：144-151.（in Chinese）

[2]楊凡， 田軍倉， 朱和， 等.滴灌方式及灌溉定額對釀酒葡萄生長、產量及品質的影響[J].灌溉排水學報，2021，40（2）：1-6.

YANG Fan， TIAN Juncang， ZHU He， et al. The effect of irrigation amount and drip irrigation methods on growth， yield and quality of wine grape[J]. Journal of irrigation and drainage， 2021， 40（2）：1-6. （in Chinese）

[3]何振嘉， 劉全祖.覆蓋對賀蘭山東麓滴灌釀酒葡萄產量和品質的影響[J].排灌機械工程學報，2022，40（5）：488-495.

HE Zhenjia， LIU Quanzu. Effects of mulching on yield and quality of wine grapes under drip irrigation in the eastern foot of Helan Mountain[J]. Journal of drainage and irrigation machinery engineering， 2022， 40（5）：488-495. （in Chinese）

[4]雷筱， 周立華， 劉學軍， 等.寧夏賀蘭山東麓釀酒葡萄耗水規(guī)律及灌溉制度優(yōu)化研究[J].節(jié)水灌溉，2017（4）：41-46.

LEI Xiao， ZHOU Lihua， LIU Xuejun， et al. A study on water consumption rule and irrigation schedule of wine grape in the eastern foot of Helan mountain of Ningxia[J]. Water saving irrigation， 2017（4）：41-46. （in Chinese）

[5]胡宏遠，王靜，李紅英，等.調虧灌溉對賀蘭山東麓赤霞珠葡萄主干莖流規(guī)律及品質的影響[J].江蘇農業(yè)學報，2023，39（3）：798-806.

HU Hongyuan， WANG Jing， LI Hongying， et al. Effects of regulated deficit irrigation on stem flow and quality of Cabernet Sauvignon grape in eastern foot of Helan Mountain[J]. Jiangsu journal of agricultural sciences，2023，39（3）：798-806.（in Chinese）

[6]翟英劍，吳文勇，王振華，等.黃河水滴灌對葡萄生長發(fā)育及產量品質的影響［J］.排灌機械工程學報，2022，40（8）：834-841.

ZHAI Yingjian，WU Wenyong，WANG Zhenhua，et al． Effect of Yellow River drip irrigation on growth and development，yield and quality of grapes［J］. Journal of drainage and irrigation machinery engineering， 2022，40（8）：834-841.（in Chinese）

[7]ALLEN R G， PEREIRA L S， RAES D， et al. Crop evapotranspiration-guidelines for computing crop water requirements-FAO irrigation and drainage paper 56[J]. FAO-Food and Agriculture Organisation of the United Nations， 1998， 300（9）：D05109.

[8]TELUGUNTLA P， RYU D， GEORGE B， et al. Impact of flooded rice paddy on remotely sensed evapotranspiration in the Krishna River basin， India[J]. Hydrological processes， 2020， 34：2190-2199.

[9]原桂霞，張濤，溫江麗.不同時間尺度下溫室西瓜蒸騰與環(huán)境因子關系［J］.排灌機械工程學報，2023，41（10）：1051-1057.

YUAN Guixia，ZHANG Tao，WEN Jiangli． Relationship between transpiration of greenhouse watermelon and environmental factors at different time scales［J］. Journal of drainage and irrigation machinery engineering， 2023，41（10）：1051-1057.（in Chinese）

[10]DZIKITI S， VOLSCHENK T， MIDGLEY S J E， et al. Estimating the water requirements of high yielding and young apple orchards in the winter rainfall areas of South Africa using a dual source evapotranspiration model[J]. Agricultural water management， 2018， 208：152-162.

[11]劉嘉斌，田軍倉，楊振峰，等.不同砂濾料暗管排水對水稻生長及土壤鹽分的影響[J].江蘇農業(yè)學報，2023，39（1）：65-72.

LIU Jiabin， TIAN Juncang， YANG Zhenfeng， et al. Effects of subsurface drainage with different sand filters on rice growth and soil salinity[J]. Jiangsu journal of agricultural sciences，2023，39（1）：65-72.（in Chinese）

[12]CONSOLI S， O′CONNELL N， SNYDER R. Estimation of evapotranspiration of differentsized navelorange tree orchards using energy balance[J]. Journal of irrigation and drainage engineering， 2006， 132（1）：2-8.

[13]王升， 陳洪松， 聶云鵬， 等. 基于基因表達式編程算法的參考作物騰發(fā)量模擬計算[J]. 農業(yè)機械學報， 2015， 46（4）： 106－112.

WANG Sheng， CHEN Hongsong， NIE Yunpeng， et al. Simulation of reference evapotranspiration based on geneexpression programming method[J]. Transactions of the CSAM， 2015， 46（4）： 106-112. （in Chinese）

[14]謝家興， 高鵬， 孫道宗， 等.基于長短期記憶的柑橘園蒸散量預測模型[J].農業(yè)機械學報，2020，51（S2）：351-356.

XIE Jiaxing， GAO Peng， SUN Daozong， et al. Modeling on prediction of evapotranspiration of citrus orchard based on LSTM[J]. Transactions of the CSAM， 2020， 51（S2）：351-356. （in Chinese）

[15]陳士旺， 李莉， 楊成飛， 等.基于基質含水率的作物蒸騰量估算與預測模型研究[J].農業(yè)機械學報，2019，50（S1）：187-194.

CHEN Shiwang， LI Li， YANG Chengfei， et al. Study on estimation and prediction model of crop transpiration based on matrix moisture content[J]. Transactions of the CSAM， 2019， 50（S1）： 187-194. （in Chinese）

[16]STAN＇CZYK J， KAJEWSKA-SZKUDLAREK J， LIPIN＇SKI P， et al. Improving shortterm water demand forecasting using evolutionary algorithms[J]. Scientific reports， 2022， 12： 13522.

[17]KUMAR D， ADAMOWSKI J， SURESH R， et al. Estimating evapotranspiration using an extreme learning machine model： case study in North Bihar， India[J]. Journal of irrigation and drainage engineering， 2016， 88（50）： 65-68.

[18]PATRCIA D O， MARCOS A， PETRNIO DE， et al. Reference evapotranspiration time series forecasting with ensemble of convolutional neural networks[J]. Computers and electronics in agriculture， 2020， 177： 105700.

[19]ROY D K， SARKAR T K， KAMAR S S A， et al. Daily prediction and multistep forward forecasting of reference evapotranspiration using LSTM and Bi-LSTM models[J]. Agronomy， 2022， 12（3）：594.

[20]LECUN Y， BENGIO Y， HINTON G. Deep learning[J]. Nature， 2015， 521（7553）： 436-444.

[21]CHUNG J， GULCEHRE C， CHO K， et al. Empirical evaluation of gated recurrent neural networks on sequence modeling[C]//Proceedings of NIPS 2014 Workshop on Deep Learning， 2014.

[22]朱張莉，饒元，吳淵，等.注意力機制在深度學習中的研究進展[J].中文信息學報，2019，33（6）：1-11.

ZHU Zhangli， RAO Yuan， WU Yuan， et al. Reaserch progress of attention mechanism in deep learning[J]. Chinese information processing， 2019， 33（6）：1-11. （in Chinese）

[23]趙薔.主成分分析方法綜述[J].軟件工程，2016，19（6）：1-3.

ZHAO Qiang. A review of principal component analysis[J]. Software engineering， 2016， 19（6）：1-3. （in Chine）

[24]高艷娜，牛華琳，李營，等.基于主成分分析和聚類分析對不同番茄品種的綜合評價[J].江蘇農業(yè)科學，2023，51（12）：106-113.

GAO Yanna， NIU Hualin， LI Ying， et al. Comprehensive evaluation of different tomato cultivars based on principal component analysis and cluster analysis[J]. Jiangsu agricultural sciences，2023，51（12）：106-113.（in Chinese）

（責任編輯張文濤）

收稿日期： 2022-12-19； 修回日期： 2024-06-01； 網絡出版時間： 2024-11-08

網絡出版地址： https：//link.cnki.net/urlid/32.1814.TH.20241108.0944.008

基金項目： 國家重點研發(fā)計劃項目（2019YFD1002500）

第一作者簡介： 李英豪（1997—），男，山東泰安人，碩士研究生（1214661087@qq.com），主要從事智能化灌溉研究.

通信作者簡介： 施愛平（1968—），男，江蘇鎮(zhèn)江人，教授（shap@ujs.edu.cn），主要從事農業(yè)智能化研究.