园艺论文_基于CNN-BiLSTM融合神经网络的温室甘 - 灌溉排水学报杂志社投稿_期刊论文发表|版面费|电话|编辑部- 灌溉排水学报

来稿应自觉遵守国家有关著作权法律法规，不得侵犯他人版权或其他权利，如果出现问题作者文责自负，而且本刊将依法追究侵权行为给本刊造成的损失责任。本刊对录用稿有修改、删节权。经本刊通知进行修改的稿件或被采用的稿件，作者必须保证本刊的独立发表权。一、投稿方式： 1、请从我刊官网直接投稿。 2、请从我编辑部编辑的推广链接进入我刊投审稿系统进行投稿。二、稿件著作权： 1、投稿人保证其向我刊所投之作品是其本人或与他人合作创作之成果，或对所投作品拥有合法的著作权，无第三人对其作品提出可成立之权利主张。 2、投稿人保证向我刊所投之稿件，尚未在任何媒体上发表。 3、投稿人保证其作品不含有违反宪法、法律及损害社会公共利益之内容。 4、投稿人向我刊所投之作品不得同时向第三方投送，即不允许一稿多投。 5、投稿人授予我刊享有作品专有使用权的方式包括但不限于：通过网络向公众传播、复制、摘编、表演、播放、展览、发行、摄制电影、电视、录像制品、录制录音制品、制作数字化制品、改编、翻译、注释、编辑，以及出版、许可其他媒体、网站及单位转载、摘编、播放、录制、翻译、注释、编辑、改编、摄制。 6、第5条所述之网络是指通过我刊官网。 7、投稿人委托我刊声明，未经我方许可，任何网站、媒体、组织不得转载、摘编其作品。

园艺论文_基于CNN-BiLSTM融合神经网络的温室甘

作者:

关键词:

摘要：

文章摘要:针对使用FAO-56推荐的Penman-Monteith方程进行潜在蒸散量(Reference Evapotranspiration，ET₀)计算时数据获取复杂、困难问题，本文收集了秋茬温室甘蓝全生育期生长环境数据，在减少环境因子输入数量的情况下，提出将环境特征与时序特征融合的ET₀预测神经网络模型。通过卷积神经网络（Convalutional neural network，CNN）在空间特征提取上的优势和双向长短期记忆（Bidirectional long short term memory，BiLSTM）在时间特征提取上的优势，估算8种不同环境因子组合情况下的ET₀值，并与随机森林（RF）模型、支持向量机（SVM）模型、反向传播（BP）神经网络模型和双向长短期记忆（BiLSTM）网络模型在不同时间尺度（10min、30min）上的ET₀预测精度进行对比。结果表明：CNN-BiLSTM模型在不同时间尺度中具有最低的预测均方根误差（Root mean square error，RMSE）和平均绝对误差（Mean absolute error，MAE），并且在仅输入太阳辐射强度参数时，预测精度优于多环境因子输入情况下的其他四种模型，这为低成本温室甘蓝生产中的灌溉调度提供了有效帮助。

文章关键词:

论文分类号:S635;S626;TP183

文章来源：《灌溉排水学报》网址: http://www.ggpsxbzz.cn/qikandaodu/2021/1117/1030.html