Impact of Employing Weather Forecast Data as Input to the Estimation of Evapotranspiration by Deep Neural Network Models

参考蒸散发（ET0）是设计智能灌溉计划的关键参数，因为它与作物的水需求有关联系。联合国粮食和农业组织提出了一种基于彭曼-蒙特伊思方程参数化的ET0计算标准方法（FAO56PM），在文献中被广泛采用。要使用FAO56-PM方法计算ET0，需要四个主要的气象参数：温度、湿度、风力和太阳辐射（SR）。一种预测未来几天每日ET0的方法是使用免费的天气预报服务（WFSs），其中许多气象参数可以估计到未来15天。使用这种方法的一个问题是，目前大多数在线服务上没有提供SR作为免费预测参数，或者通常这样的预测会带来财务成本惩罚。因此，文献中提出了几种使用机器和深度学习的ET0估计模型，其输入特征是一组精选的天气参数，与常见的免费WFSs兼容。然而，大多数涉及此主题的研究只考虑了来自气象站（WSs）的数据，而没有考虑使用天气预报数据的影响。在本研究中，评估了作者以前的模型在使用来自两个在线WFSs的天气预报数据时的性能，以下是两种情况的情况：（i）通过ANN模型直接估计ET0，和（ii）通过ANN模型估计SR，然后使用FAO56-PM方法计算ET0。利用收集自葡萄牙Vale do Lobo的两个WFS和一个WS的数据，后一种方法在考虑未来15天的预测时取得了最佳结果，决定系数（R2）在0.893至0.667之间。

本论文旨在解决使用免费气象预报服务进行作物灌溉调度时，缺乏太阳辐射数据的问题。作者提出了使用机器学习和深度学习模型来估算ET0的方法，并评估了这些模型在使用气象预报数据时的性能。

论文提出了使用人工神经网络模型来估算太阳辐射数据，以计算ET0的方法。这种方法可以使用免费气象预报服务提供的数据，并在实验中取得了较好的结果。

论文设计了两种实验方案，分别是直接使用人工神经网络模型估算ET0和使用人工神经网络模型估算太阳辐射数据，然后使用FAO56-PM方法计算ET0。作者使用来自两个气象预报服务和一个气象站的数据进行了实验，并评估了模型的性能。此外，作者还提出了使用较少的气象参数来估算ET0的模型，以适应常见的免费气象预报服务。

在相关研究中，许多学者也尝试使用机器学习和深度学习模型来估算ET0。例如，一些学者使用支持向量机（SVM）和随机森林（RF）等模型来估算ET0。