针对水土工程研究领域中ET₀计算的复杂性,充分利用人工智能的一些优点,将BP神经网络运用到了ET₀计算与预测中。由于BP神经网络在解决多参非线性问题表现出的极强的自适应能力,从而给ET₀的求解带来了方便。研究中从多个影响因子分析出发,在此基础上,得到了ET₀不同因子BP神经网络模型,通过检验结果分析,得到这些模型的特点和适用范围。本研究为解决ET₀复杂问题开辟了新路。文中以2003年的资料作为训练样本,2004年的资料作为检验样本,得到了以下研究成果和结论: 1.以BP神经网络为工具建立了ET₀的预测模型。通过试验的具体方法确定和试验资料的收集,分析了各气象要素的变化与ET₀变化的关系,为确定模型的输入因子提供了资料。通过分析BP神经网络的结构、特点、局限性,确定了建立模型的方法。分别确定了INALL9-BP模型、WFbased-BP模型、TScombined- BP模型的结构。 2.对模型的模拟预测效果和实际应用效果进行了分析。模型的模拟预测效果和实际应用效果由好到差的顺序分别为:INALL9-BP模型、TScombined- BP模型、WFbased-BP模型。 3.在实际应用中,在有足够的气象资料的情况下,尽量使用INALL9-BP模型进行模拟预测,其模拟预测效果较好。但在资料缺乏的情况下,可以使用WFbased-BP模型进行预测,但其预测效果相对较差,只可能在对ET₀预测要求不高的情况下使用。TScombined- BP模型的模拟预测效果较好,在资料缺乏的情况下,使用方便,且运用效果好,建议使用。 4.分析了不同层数模型的特点和适用条件。对于多因子输入模型,三层网络模型比四层网络模型对于隐层节点数的变化更为敏感,但三层网络的预测结果在合理的区间内可能会优于四层网络模型。建议在对模拟与预测误差的区间、敏感性有不同要求时,选择不同层数的网络解决实际问题。