通过叶片湿润传感器测量叶片湿润时间的精度易受叶片的类型、湿润性和冠层结构等影响
[10],而且缺乏统一的测量标准
[11,12],因此学者们开发了用于估计叶片湿润时间的仿真模型,主要分为物理型和经验型两大类。物理型基于能量平衡原理,模拟冷凝和蒸发的过程
[13];经验型将叶片湿润时间与环境变量相关联,如Sentelhas等
[6]将每天相对湿度等于或高于某一特定阈值(80%、85%、90%或95%)的小时数作为叶片湿润时间,但该方法未考虑吐水等造成的叶片湿润
[14]。人工神经网络(Artificial Neural Network,ANN)属于经验模型,常用来解决模式识别中的非线性映射或分类问题,具有自适应和自学能力,广泛地用于各种预测问题。Francl等
[15]分析了BP神经网络(Back Propagation Neural Network,BPNN)对不同环境因子的敏感程度,并将温度、相对湿度、太阳辐射、降水、风向和风速作为输入变量输入到BPNN来估算小麦的叶片湿润时间,表明最敏感的环境因素是湿度,其次是温度和太阳辐射,叶片湿润时间的平均绝对误差为0.8~1.1 h;Dalla等
[16]在意大利选取4个地区的温度、风速、蒸汽压和降雨作为输入变量输入到递归神经网络(Recursive Neural Network,RNN)来估算葡萄的叶片湿润时间,得出10min为判断叶片干或湿的最佳阈值;Wang等
[17]将相对湿度、露点温度、蒸腾和辐射作为输入变量输入到BPNN来估算番茄和黄瓜的叶片湿润时间,利用决策树校准后,平均绝对误差为1.3 h。