基于机器学习的蒸散量插补方法

摘要：

以黑河流域湿地、农田、草地、柽柳、胡杨林、混合林生态系统为研究对象,结合气象因子(净辐射、温度、土壤热通量、风速、相对湿度、土壤体积含水率),分别采用多元线性回归(MLR)、决策树(CART)、随机森林(RF)、支持向量回归(SVR)、BP人工神经网络(BPANN)、深度学习(DL)等方法对蒸散量进行插补.结果表明:(a)RF、SVR、BPANN、DL在各个生态系统的蒸散量插补精度均较高(R2=0.8～0.93,RMSE=21.730～41.731 W/m2,MAE=12.153～26.129 W/m2),但SVR在柽柳、混合林生态系统的结果稍差于其他3种方法(R2降低了0.01～0.02),MLR插补精度最差(R2=0.6～0.7),CART结果介于之间(R2=0.78～0.9).(b)加入土壤体积含水率能一定程度提升模型插补的精度(R2提高了0.01～0.06).(c)利用建立的插补模型去插补其他年份的蒸散量,发现其精度有不同程度的下降.综合考虑模型的精度和稳定性,RF、BPANN、DL对于蒸散量的插补具有较高的精度,同时加入土壤体积含水率可以提高模型插补的精度.

关键词：机器学习、黑河流域、蒸散量、缺失数据、土壤水分、模拟插补

所属期刊栏目：48

分类号：P332.2(水文科学（水界物理学）)

资助基金：国家重点研发计划;国家自然科学基金

在线出版日期：2020-04-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：109-115