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