8.3.1  土壤墒情短期预报

本文中，短期土壤墒情预报是指根据当天的土壤墒情初始值和气象因素，预报第二天的土壤墒情变化量。由上节的分析可知，土壤墒情短期人工神经网络预报模型的合理结构应该是BP（7，10，3）的结构。网络训练结束后，将得到的合理权值矩阵和偏置量保存下来。在进行土壤墒情预报时，输入当天所测量的7个输入量，然后读入权值和偏置量，经过计算就可以预报出第二天的土壤墒情变化量。由于在网络训练前已经将学习样本和教师样本都做了标准化处理，所以此时网络的输出一定在（0.1，0.9）范围内，为了得到实际意义上的改变量，则必须通过式（8-16）进行数据的反变换。

式中，Δρ为土壤墒情的变化量，Z_out为模型的输出值，Z_max、Z_min分别为样本

数据集中教师样本的最大、最小值。有了土壤墒情的变化量Δρ和初始土壤含水量ρ₀，通过式（8-17）即可方便的求出第二天土壤水分ρ_t的具体值：

ρ_t=ρ₀+Δρ （8-17）(https://www.daowen.com)

图8-9 20cm深度处土壤墒情短期预报值与实测值比较

图8-10 20cm土壤墒情短期预报值与实测值间的绝对误差

这里用2004年2月1日至2005年1月30日的数据作为短期土壤墒情预报效果的验证。图8-9所示为20cm深度处土壤墒情短期预报值与实测值之间的比较，图中，深色曲线代表实测值，浅色曲线代表预报值。从图8-9可以看出，预报值紧随实测值的变化而变化。图8-10所示为预报值与实测值之间的绝对误差图。从图中可以发现，中间部分数据的误差较大，而两端数据的误差较小。中间部分代表的是夏季土壤水分变化剧烈的阶段，两端数据则代表春冬两季土壤水分变换缓慢的阶段，因此可以说在土壤水分缓慢变化和稳定阶段的预报误差比土壤水分剧烈变化阶段的预报误差小。从整体看，所有的绝对误差均没超过±2%，说明利用该人工神经网络模型能够较为准确的预报出一天后的土壤水分值。