(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211223868.9 (22)申请日 2022.10.09 (71)申请人 南开大学 地址 300071 天津市南 开区卫津路94 号 (72)发明人 黄津辉　陈晗　 (74)专利代理 机构 天津创智睿诚知识产权代理 有限公司 12 251 专利代理师 王海滨 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 耦合深度学习和物理机制的区域性植被蒸 腾预测方法 (57)摘要 本发明公开了一种耦合深度学习和物理机 制的区域性植被蒸腾预测方法， 基于原始P ‑T模 型构建了P ‑T蒸腾模型， 将该模型原始的净辐射 通量Rn和P‑T修正系数α替换为植被净辐射通量 Rnv和植被修正系数αv； 为了准确估计植被修正 系数αv， 创新性的将植被、 土壤和气象参数输入 深度神经网络来预测αv， 然后将估算的αv导入 蒸腾模型计算植被蒸腾量， 通过将实测植被蒸腾 量与预测的植被蒸腾量进行验证来优化DNN模型 中αv的估计。 相较于单纯深度学习模型， 本发明 耦合物理机制的深度学习模型可显著提高在极 端气候条件 下的植被蒸腾量的模拟精度。 这对于 准确估算区域植被需水量、 指导农田精准灌溉等 领域具有重要意 义。 权利要求书2页 说明书5页 附图1页 CN 115310370 A 2022.11.08 CN 115310370 A 1.一种耦合深度学习和物理机制的区域性植被蒸腾预测方法， 其特征在于， 包括以下 步骤： 步骤1， 针对被植被覆盖的目标 区域， 获取该区域的气象、 植被和土壤相关参数信息， 并 得到这些信息所对应的实测植被蒸腾量信息； 步骤2， 基于传统P ‑T蒸散发模型进行改进构建植被蒸腾模型， 构建的植被蒸腾模型表 示为： ， 式中， T代表植被蒸腾量； Δ为温度 ‑饱和水汽压曲线斜率； 𝛾为干湿表 测量常数； αv为植被修正系数； Rnv为植被净辐射 通量， Rnv使用比尔定律估算； 步骤3， 构建用于预测 αv的深度神经网络； 所构建的深度神经网络的输入为步骤1中的目标区域的气象、 植被和土壤相关参数， 输 出的估算结果为植被修正系数αv； 将估算的αv带入步骤2构建的植被蒸腾模型， 计算得到预 测的植被蒸腾量， 通过将预测的植被蒸腾量与步骤1中得到的实测植被蒸腾量进行验证来 优化深度神经网络； 步骤4， 利用步骤3构建好的深度神经网络和步骤2构建的植被蒸腾模型， 对被植被覆盖 的目标区域的植被蒸腾量进行 预测。 2.根据权利要求1所述的耦合深度学习和物理机制的区域性植被蒸腾预测方法， 其特 征在于： 步骤1中， 获取的气象、 植被和土壤相关参数信息， 包括： 空气温度、 地表净辐射通 量、 风速、 相对湿度、 饱和水汽压差、 二氧化碳浓度、 二氧化碳通量、 植被高度、 叶面积指数和 土壤含水率。 3.根据权利要求2所述的耦合深度学习和物理机制的区域性植被蒸腾预测方法， 其特 征在于： 步骤1中， 利用涡度相关监测系统， 观测风速、 二氧化碳浓度、 二氧化碳通量； 利用气 象站系统， 观测空气温度、 地表净辐射通量、 相对湿度、 饱和水汽压差； 利用植物冠层分析 仪， 测量植被高度和叶面积指数； 利用土壤 湿度仪， 测量 不同层位的土壤含水率。 4.根据权利要求1所述的耦合深度学习和物理机制的区域性植被蒸腾预测方法， 其特 征在于： 步骤1中， 利用稳定氢氧同位素方法测定植被蒸腾量/总蒸散发量的比率， 再根据 观 测到的总蒸散发量计算得到植被蒸腾量， 该植被蒸腾量作为实测的植被蒸腾量。 5.根据权利要求1所述的耦合深度学习和物理机制的区域性植被蒸腾预测方法， 其特 征在于： Rnv使用比尔定律估算， 见 下式： ， 式中， Rn为地表净辐射通量； LAI代表叶面 积指数； k代 表消光系数； θs代表太阳天顶角。 6.根据权利要求1所述的耦合深度学习和物理机制的区域性植被蒸腾预测方法， 其特 征在于： 步骤3中， 采用最小二乘法计算预测的植被蒸腾量和步骤1得到的实测植被蒸腾量 之间的误差， 若误差小于指定精度， 则学习 结束， 并输出此处最佳的权值和阈值； 否则将误 差信号沿原 来连接路径反向传播并逐步调整 各层的连接权值和阈值， 直到误差小于指 定精 度为止。 7.根据权利要求1所述的耦合深度学习和物理机制的区域性植被蒸腾预测方法， 其特 征在于： 步骤4中， 首先， 采集当前状态下的目标区域的气象、 植被和土壤相关参数信息， 包权　利　要　求　书 1/2 页 2 CN 115310370 A 2括： 空气温度、 地表净辐射通量、 风速、 相对湿度、 饱和水汽压差、 二氧化碳浓度、 二氧化碳通 量、 植被高度、 叶面积指数和土壤含水率； 然后， 将上述参数输入步骤3构建好的深度神经网 络， 由深度神经网络输出植被修正系数αv； 最后， 将该植被修正系数αv带入植被蒸腾模型 ， 再计算出温度 ‑饱和水汽压曲线斜率Δ和植被净辐射通量Rnv， 即可计算出当 前状态下被植被覆盖的目标区域的植被蒸腾量T。权　利　要　求　书 2/2 页 3 CN 115310370 A 3