Near-future irrigation demand forec

Near-future irrigation demand forecasting is important information for anticipating decisions on crop irrigation scheduling and planning water allocation in large irrigation command areas of Texas. The key determinant that is required for estimating irrigation demand in advance is toward the evapotranspiration forecast. Normally, in rich data environment, current reference evapotranspiration (ETo) is estimated by the well-known FAO56 PM method which requires bunch of observed climatic data. In poor data environment for either current or future estimation, this well-known method application is restricted. Indeed, the correctness of ETo forecast remains a challenging computational task, since inaccurate weather variables can alter the forecast accuracy. Therefore, this study aims to employ artificial neural network (ANN) methodology for forecasting near future ETo values by using restricted climate information messages retrieved from public weather forecast source. Four ANNs learning algorithms including the Generalized Feedforward (GFF), Linear Regression (LR), Multilayer Perceptron (MLP) and Probabilistic Neural Network (PNN) are applied with three sets of inputs combination composed of minimum (Tmin) and maximum (Tmax) daily air temperatures, extraterrestrial radiation (Ra) and net solar radiation (Rs) to forecast ETo in Dallas. The coefficient of correlation (CC), mean square error (MSE), normalized mean square error (NMSE), mean absolute error (MAE) and mean square error skill score (MSESS) were used for the models evaluation. Statistically, in comparison with FAO56 PM, the performances of ANNs models using only Tmax and Tmin predictors were inferior to those of Tmax, Tmin and Ra. With Tmax, Tmin and Rs input-sets, MLP yielded the highest accuracies (CC = 0.926; MSE = 0.770 mm/day, NMSE = 0.143 mm/day; MAE = 0.708 mm/day). Tmax is an important ETo forecast predictor, and the performance improvement relies mostly on Rs accuracy. With precise weather forecast information, ANN made ETo forecast possible (Average CC = 0.860, MSESS = 0.738). These results can assist irrigation districts to accommodate in advance their crop water demand to near-future irrigation requirement.

ผลลัพธ์ (ไทย) 1:

การคาดการณ์ความต้องการชลประทานใกล้อนาคตเป็นข้อมูลสำคัญสำหรับการตัดสินใจ anticipating พืชชลประทานวางแผนการจัดสรรน้ำในพื้นที่ชลประทานขนาดใหญ่สั่งของเท็กซัส และกำหนดการ ดีเทอร์มิแนนต์คีย์ที่จำเป็นสำหรับการประเมินความต้องการชลประทานล่วงหน้าไปทาง evapotranspiration คาดการณ์ได้ โดยปกติ ในสภาพแวดล้อมข้อมูลรวย ปัจจุบันอ้างอิง evapotranspiration (ร้านเบ) คือประมาณ โดยวิธี FAO56 PM รู้จักที่ต้องการพวง climatic ข้อมูลสังเกต โปรแกรมประยุกต์นี้รู้จักวิธีมีการจำกัดในสภาพแวดล้อมไม่ดีข้อมูลสำหรับการประเมินปัจจุบัน หรือในอนาคต แน่นอน ความถูกต้องของการคาดการณ์ร้านเบยังคง คำนวณงานท้าทาย เนื่องจากตัวแปรของสภาพอากาศที่ไม่สามารถเปลี่ยนความแม่นยำในการคาดการณ์ ดังนั้น ศึกษานี้มีวัตถุประสงค์เพื่อใช้วิธีโครงข่ายประสาทเทียม (แอน) สำหรับการคาดการณ์ใกล้ค่าร้านเบในอนาคตโดยใช้ข้อความข้อมูลจำกัดอากาศที่ดึงมาจากแหล่งสาธารณะพยากรณ์ สี่ ANNs เรียนรู้อัลกอริทึมรวมถึงการตั้งค่าทั่วไป Feedforward (GFF), ถดถอยเชิงเส้น (LR), เพอร์เซปตรอน Multilayer (MLP) และ Probabilistic ประสาทเครือข่าย (PNN) จะใช้กับชุดอินพุตสามชุดประกอบ (Tmin) ต่ำสุดและสูงสุด (Tmax) ทุกวันอากาศอุณหภูมิ รังสีต่างดาว (Ra) และรังสีแสงอาทิตย์สุทธิ (Rs) คาดการณ์ร้านเบในดัลลัส สัมประสิทธิ์ของสหสัมพันธ์ (CC), ข้อผิดพลาดของค่าเฉลี่ยกำลังสอง (MSE), ตามปกติข้อผิดพลาดของค่าเฉลี่ยกำลังสอง (NMSE), หมายถึง ข้อผิดพลาดสัมบูรณ์ (แม่) และหมายถึง ตารางคะแนนทักษะข้อผิดพลาด (MSESS) ใช้สำหรับการประเมินรูปแบบการ ทางสถิติ เมื่อเปรียบเทียบกับ FAO56 PM การแสดงของ ANNs แบบใช้เฉพาะ predictors Tmax และ Tmin ได้น้อยกับ Tmax, Tmin และ Ra. กับ Tmax, Tmin และ Rs เข้าชุด MLP ผล accuracies สูงสุด (CC = 0.926 MSE = 0.770 มม./วัน NMSE = 0.143 มม./วัน แม่ = 0.708 มม.ต่อวัน) Tmax เป็นจำนวนประตูคาดการณ์ร้านเบที่สำคัญ และปรับปรุงประสิทธิภาพการทำงานอาศัยส่วนใหญ่ความถูกต้องของ Rs ข้อมูลพยากรณ์แม่นยำ แอนน์ทำร้านเบที่คาดการณ์ได้ (เฉลี่ย CC = 0.860, MSESS = 0.738) ผลลัพธ์เหล่านี้สามารถช่วยเหลือเขตชลประทานเพื่อรองรับความต้องการน้ำของพืชชลประทานใกล้อนาคตความต้องการล่วงหน้า

ผลลัพธ์ (ไทย) 2:

ชลประทานอนาคตอันใกล้การพยากรณ์ความต้องการเป็นข้อมูลที่สำคัญสำหรับการคาดการณ์การตัดสินใจเกี่ยวกับการจัดตารางเวลาการเพาะปลูกการชลประทานและการวางแผนการจัดสรรน้ำในพื้นที่ชลประทานขนาดใหญ่คำสั่งของเท็กซัส ปัจจัยสำคัญที่จำเป็นสำหรับการประเมินความต้องการชลประทานล่วงหน้าต่อการคาดการณ์คายระเหย โดยปกติข้อมูลในสภาพแวดล้อมที่อุดมไปด้วยการคายระเหยอ้างอิงปัจจุบัน (ร.ส.พ. ) เป็นที่คาดกันโดยวิธีที่รู้จักกันดี FAO56 PM ซึ่งจะต้องมีพวงของข้อมูลภูมิอากาศที่สังเกต ในสภาพแวดล้อมที่ดีสำหรับข้อมูลทั้งการประมาณค่าปัจจุบันหรือในอนาคต, การประยุกต์ใช้วิธีการที่รู้จักกันดีนี้ถูก จำกัด อันที่จริงความถูกต้องของการคาดการณ์ Eto ยังคงเป็นงานที่ท้าทายความสามารถในการคำนวณเนื่องจากสภาพอากาศที่ไม่ถูกต้องตัวแปรสามารถเปลี่ยนแปลงความถูกต้องคาดการณ์ ดังนั้นการศึกษาครั้งนี้มีจุดมุ่งหมายที่จะจ้างงานเครือข่ายประสาทเทียม (ANN) วิธีการสำหรับการพยากรณ์อนาคตอันใกล้ค่า Eto โดยใช้ข้อความข้อมูลสภาพภูมิอากาศ จำกัด ที่ดึงมาจากแหล่งที่มาการคาดการณ์สภาพอากาศที่สาธารณะ สี่ ANNs การเรียนรู้ขั้นตอนวิธีการรวมทั้งทั่วไป Feedforward (GFF) การถดถอยเชิงเส้น (LR) หลาย Perceptron (MLP) และน่าจะเป็นประสาทเครือข่าย (PNN) ถูกนำมาใช้กับสามชุดของปัจจัยการผลิตรวมกันประกอบด้วยขั้นต่ำ (Tmin) และสูงสุด (Tmax) ในชีวิตประจำวัน อุณหภูมิของอากาศรังสีต่างดาว (Ra) และการฉายรังสีแสงอาทิตย์สุทธิ (อาร์เอส) ที่จะคาดการณ์ Eto ในดัลลั ค่าสัมประสิทธิ์สหสัมพันธ์ (CC) ที่หมายถึงความผิดพลาดของตาราง (MSE) ข้อผิดพลาดปกติเฉลี่ยตาราง (NMSE) หมายถึงข้อผิดพลาดที่แน่นอน (แม่) และคะแนนเฉลี่ยทักษะตารางข้อผิดพลาด (MSESS) ถูกนำมาใช้สำหรับการประเมินผลรูปแบบ สถิติในการเปรียบเทียบกับ FAO56 PM, การแสดงของรุ่น ANNs โดยใช้เพียง Tmax และพยากรณ์ Tmin ได้ด้อยกว่าพวก Tmax ที่ Tmin และรา ด้วย Tmax, Tmin และอาร์เอสนำเข้าชุด MLP ผลความถูกต้องสูงสุด (CC = 0.926; MSE = 0.770 มิลลิเมตร / วัน NMSE = 0.143 มิลลิเมตร / วันแม่ = 0.708 มิลลิเมตร / วัน) Tmax เป็นปัจจัยบ่งชี้ที่สำคัญ Eto คาดการณ์และการปรับปรุงประสิทธิภาพการทำงานส่วนใหญ่อาศัยอยู่กับความถูกต้องอาร์เอส มีข้อมูลการพยากรณ์อากาศที่แม่นยำ ANN ทำ Eto คาดการณ์ที่เป็นไปได้ (CC เฉลี่ย = 0.860, MSESS = 0.738) ผลลัพธ์เหล่านี้สามารถช่วยให้เขตชลประทานเพื่อรองรับล่วงหน้าความต้องการน้ำของพืชต้องการน้ำชลประทานในอนาคตอันใกล้

ผลลัพธ์ (ไทย) 3:

การพยากรณ์ความต้องการน้ำในอนาคตใกล้ เป็นข้อมูลสำคัญในการตัดสินใจในการวางแผนและการคาดการณ์น้ำการวางแผนจัดสรรน้ำชลประทานในพื้นที่กองบัญชาการใหญ่ของเท็กซัส ปัจจัยที่สำคัญที่ต้องใช้เพื่อประเมินความต้องการการชลประทานล่วงหน้าต่อและการคาดการณ์ ปกติในสภาพแวดล้อมข้อมูลรวยการคายระเหยอ้างอิงในปัจจุบัน ( เอโต้ ) คำนวณโดยวิธีที่รู้จักกันดี fao56 น. ซึ่งต้องใช้พวงของข้อมูลสภาพอากาศ ในสภาพแวดล้อมที่ไม่ดีสำหรับข้อมูลทั้งในปัจจุบันหรือในอนาคตการประยุกต์วิธีที่รู้จักกันดีนี้ห้ามเข้า จริง , ความถูกต้องของเอโต้ คาดว่ายังคงเป็นงานที่ท้าทายการคํานวณเนื่องจากสภาพอากาศที่ไม่ถูกต้องสามารถปรับเปลี่ยนตัวแปรพยากรณ์แม่นๆ ดังนั้น การศึกษานี้จึงมีวัตถุประสงค์ที่จะใช้โครงข่ายประสาทเทียม ( ANN ) วิธีการพยากรณ์ค่าเอโต้ใกล้ในอนาคตโดยใช้ข้อมูลข้อความที่ดึงมาจากอากาศจำกัด สภาพอากาศพยากรณ์สาธารณะแหล่งที่มา สี่ทางอัลกอริทึมการเรียนรู้รวมทั้งตัวไปข้างหน้า ( GFF ) , การถดถอยเชิงเส้น ( LR )เพอร์เซปตรอนหลายชั้น ( MLP ) และโครงข่ายประสาทเทียม ( pnn ) การใช้ปัจจัยการผลิตรวมกันประกอบด้วยอย่างน้อยสามชุด ( tmin ) และสูงสุด ( Tmax ) อุณหภูมิอากาศทุกวัน รังสีต่างดาว ( RA ) และรังสีสุทธิ ( RS ) คาดว่า เอโต้ ใน ดัลลัส สัมประสิทธิ์สหสัมพันธ์ ( CC ) , ค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( MSE ) ปกติค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( nmse )ค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์ ( แม่ฮ่องสอน ) และค่าเฉลี่ยความคลาดเคลื่อนกำลังสองทักษะคะแนน ( msess ) ที่ใช้เป็นแบบประเมินผล จากสถิติ ในการเปรียบเทียบกับ fao56 น. การแสดงของแอนน์ นางแบบใช้ Tmax เท่านั้น และ tmin ตัวนี้เสียเปรียบผู้ tmin Tmax และ , รา กับเวลา tmin , RS และชุดใส่ MLP ให้ผลความถูกต้องสูงสุด ( CC = 0.926 ; MSE = 0.770 มิลลิเมตร / วัน nmse = 0.143 มม. / วัน แม่ = 0708 มิลลิเมตร / วัน ) เวลาที่สำคัญคือ เอโต้ พยากรณ์ทำนาย และการปรับปรุงประสิทธิภาพอาศัยส่วนใหญ่ในอาร์เอส ความถูกต้อง ข้อมูลพยากรณ์อากาศที่แม่นยำ , แอน ทำให้เอโต้ คาดการณ์ได้ ( เฉลี่ยซีซี = 0.860 , msess = 0.738 ) ผลลัพธ์เหล่านี้สามารถช่วยเขตชลประทานเพื่อรองรับล่วงหน้าของความต้องการน้ำของพืชใกล้ความต้องการน้ำในอนาคต