Pressurized irrigation systems, center pivots, and linear moves are used worldwide on a large scale. Accurate predictions of wind drift and evaporation losses (WDEL) could help in improving the system’s uniformity and efficiency. The current study evaluates data analysis techniques for accurately estimating WDEL under moving sprinkler irrigation systems. A total of 72 experiments (2015–2017) were conducted at the research and extension center in Prosser, WA, under a wide variety of climate conditions. Two data analysis techniques, namely linear mixed modeling (LMM) and artificial neural networks (ANN), were used to identify the significant drivers of WDEL from the given weather-related inputs. Four published datasets were also used to check the generalization capabilities of the developed models. The results revealed an average of ~ 20% WDEL under Prosser, WA, conditions. Vapor pressure deficit and wind speed were the only significant weather variables at a 0.05 level of significance. Both in training and in testing, the ANN models (root mean squared error (RMSE = 2%)) worked better than the LMM (RMSE = 5%). Testing results revealed the high generalization and predictive power of ANN models with a RMSE of 1% for the (Yazar 1984 ) datasets. The best LMM model was with the Sanchez et al. ( 2011 ) dataset with a RMSE of 14%. The above results showed that ANN models can be used to accurately predict WDEL. This should help in further research for efficiency improvements in sprinkler irrigation systems.

中文翻译：

---

预测移动喷灌系统下风漂移和蒸发损失的线性混合建模和人工神经网络技术

加压灌溉系统、中心枢轴和线性移动在全球范围内大规模使用。准确预测风漂移和蒸发损失 (WDEL) 有助于提高系统的均匀性和效率。当前的研究评估了数据分析技术，以准确估计移动喷灌系统下的 WDEL。在华盛顿州普罗瑟的研究和推广中心，在各种气候条件下共进行了 72 项实验（2015-2017 年）。两种数据分析技术，即线性混合建模 (LMM) 和人工神经网络 (ANN)，用于从给定的与天气相关的输入中识别 WDEL 的重要驱动因素。还使用了四个已发布的数据集来检查开发模型的泛化能力。结果显示，在华盛顿州普罗瑟的条件下，平均 WDEL 约为 20%。在 0.05 的显着性水平上，蒸气压不足和风速是唯一重要的天气变量。在训练和测试中，ANN 模型（均方根误差 (RMSE = 2%)）都比 LMM（RMSE = 5%）工作得更好。测试结果揭示了 ANN 模型的高泛化和预测能力，对于 (Yazar 1984) 数据集的 RMSE 为 1%。最好的 LMM 模型是与 Sanchez 等人的。(2011) 数据集，RMSE 为 14%。以上结果表明，人工神经网络模型可用于准确预测WDEL。这应该有助于进一步研究提高喷灌系统的效率。在训练和测试中，ANN 模型（均方根误差 (RMSE = 2%)）都比 LMM（RMSE = 5%）工作得更好。测试结果揭示了 ANN 模型的高泛化和预测能力，对于 (Yazar 1984) 数据集的 RMSE 为 1%。最好的 LMM 模型是与 Sanchez 等人的。(2011) 数据集，RMSE 为 14%。以上结果表明，人工神经网络模型可用于准确预测WDEL。这应该有助于进一步研究提高喷灌系统的效率。在训练和测试中，ANN 模型（均方根误差 (RMSE = 2%)）都比 LMM（RMSE = 5%）工作得更好。测试结果揭示了 ANN 模型的高泛化和预测能力，对于 (Yazar 1984) 数据集的 RMSE 为 1%。最好的 LMM 模型是与 Sanchez 等人的。(2011) 数据集，RMSE 为 14%。以上结果表明，人工神经网络模型可用于准确预测WDEL。这应该有助于进一步研究提高喷灌系统的效率。(2011) 数据集，RMSE 为 14%。以上结果表明，人工神经网络模型可用于准确预测WDEL。这应该有助于进一步研究提高喷灌系统的效率。(2011) 数据集，RMSE 为 14%。以上结果表明，人工神经网络模型可用于准确预测WDEL。这应该有助于进一步研究提高喷灌系统的效率。