基于RF-GRU的温室番茄结果前期蒸腾量预测方法

针对温室番茄无法按需灌溉问题,提出了随机森林(Random forest,RF)结合门控循环单元(Gated recurrent unit,GRU)神经网络的温室番茄结果前期蒸腾量预测方法,并开发了一套基于番茄蒸腾量的智慧灌溉系统.基于物联网实时获取数据,采用RF算法对影响温室番茄蒸腾量的变量进行特征重要性排序,选取作物相对叶面积指数、温室内空气温度、相对湿度、光照强度、光合有效辐射、基质含水率和基质温度作为模型的输入变量,在此基础上,构建了基于GRU的番茄蒸腾量预测模型.试验结果表明:RF-GRU在番茄蒸腾量预测中具有准确的预测效果,决定系数(R2)、均方根误差(RMSE)、平均绝对误差(MAE)分别为0.949 0、10.96 g和5.80 g.同时,基于此模型进行指导灌溉相比于定时灌溉,在番茄长势基本相同的情况下,灌溉量降低了 20％,可为实际生产提供参考.