127
• Yubin Zhang • Zhengying Wei* • Lei Zhang • Qinyin Lin • Jun Du •
Xian Jiaotong University, China
*Corresponding author
Abstract
Yubin, Z., Zhengying, W., Lei, Z., Qinyin, L., & Jun, D.
(March-April, 2017). Improved online sequential extreme
learning machine for simulation of daily reference
evapotranspiration.
Water Technology and Sciences
(in
Spanish),
8
(2), 127-140.
The traditional extreme learning machine has significant
disadvantages, including slow training, difficulty in
selecting parameters, and difficulty in setting the singularity
and the data sample. A prediction model of an improved
Online Sequential Extreme Learning Machine (IOS-ELM)
of daily reference crop evapotranspiration is therefore
examined in this paper. The different manipulation of the
inverse of the matrix is made according to the optimal
solution and using a regularization factor at the same time in
the model. The flexibility of the IOS-ELM in ET0 modeling
was assessed using the original meteorological data (
T
max,
Tm
,
T
min,
n
,
Uh
,
RHm
,
φ
,
Z
) of the years 1971-2014 in Yulin,
Ankang, Hanzhong, and Xi’an of Shaanxi, China. Those
eight parameters were used as the input, while the reference
evapotranspiration values were the output. In addition,
the ELM, LSSVM, Hargreaves, Priestley-Taylor, Mc Cloud
and IOS-ELM models were tested against the FAO-56
PM model by the performance criteria. The experimental
results demonstrate that the performance of IOS-ELM was
better than the ELM and LSSVM and significantly better
than the other empirical models. Furthermore, when the
total ET0 estimation of the models was compared by the
relative error, the results of the intelligent algorithms were
better than empirical models at rates lower than 5%, but
the gross ET0 empirical models mainly had 12% to 64.60%
relative error. This research could provide a reference to
accurate ET0 estimation by meteorological data and give
accurate predictions of crop water requirements, resulting in
intelligent irrigation decisions in Shaanxi.
Keywords
:
Daily reference evapotranspiration, extreme
learning machine, online learning, matrix singularity.
ISSN 2007-2422
•
Tecnología y Ciencias del Agua
, vol. VIII, núm. 2, marzo-abril de 2017, pp. 127-140
Improved onl ine sequent ial ex treme learning
machine for simulat ion of dai ly reference
evapotranspirat ion
Yubin, Z., Zhengying, W., Lei, Z., Qinyin, L.,& Jun, D. (marzo-
abril, 2017). Máquina de aprendizaje extremo secuencial en línea
mejorada para la simulación de la evapotranspiración de referencia
diaria. T
ecnología y Ciencias del Agua
,
8
(2), 127-140.
La máquina de aprendizaje extremo tradicional tiene desventajas
significativas, como entrenamiento lento, dificultad en la selección
de parámetros y dificultad en establecer la singularidad y la muestra
de datos. Por lo tanto, en el presente artículo se examina un modelo
de predicción de una máquina de aprendizaje extremo secuencial en
línea mejorada (IOS-ELM) de la evapotranspiración de referencia
diaria de cultivos. La diferente manipulación de la inversa de la
matriz se hace de acuerdo con la solución óptima y utilizando un
factor de regularización al mismo tiempo en el modelo. La flexibilidad
de la IOS-ELM en la modelación de la ET0 se evaluó empleando los
datos meteorológicos originales (
T
max,
Tm
,
T
min,
n
,
Uh
,
RHm
,
φ
,
Z
) de los años 1971-2014 en Yulin, Ankang, Hanzhong, y Xi’an en
Shaanxi, China. Estos ocho parámetros se usaron como insumos o
datos de entrada, mientras que los valores de la evapotranspiración
de referencia fueron los datos de salida o el producto. Asimismo, se
probaron los modelos ELM, LSSVM, Hargreaves, Priestley-Taylor,
Mc Cloud y IOS-ELM contra el modelo FAO-56 PM mediante los
criterios de desempeño. Los resultados experimentales demuestran
que el desempeño de IOS-ELM fue mejor que el de ELM y LSSVM
y significativamente mejor que los demás modelos empíricos. Más
aún, al comparar la estimación total de ET0 de los modelos mediante
el error relativo, los resultados de los algoritmos inteligentes fueron
mejores que los modelos empíricos a índices inferiores a 5%, pero
los modelos empíricos de ET0 bruta tuvieron un error relativo de
12 a 64.60%. Esta investigación podría proporcionar una referencia
para la estimación precisa de ET0 mediante datos meteorológicos y
proporcionar predicciones precisas de los requerimientos de agua de
los cultivos, lo cual resultaría en decisiones de riego inteligentes en
Shaanxi.
Palabras clave
: evapotranspiración de referencia diaria, máquina
de aprendizaje extremo, aprendizaje en línea, singularidad de la
matriz.
Resumen
Received: 30/04/2016
Approved: 26/102016
