基于机器学习的ET0跨站适应性研究

摘要：

[目的]针对气象数据缺失问题,研究机器学习方法在计算参考作物蒸散量(ET0)中的应用,为ET0的估算提供支持.[方法]基于已有的本地气象站与邻站数据,利用极限梯度提升法(XGBoost)模型和支持向量机(SVM)模型2种机器学习算法,结合江西省吉安和鄱阳2个气象站及对应邻站1966-2015年逐月气象资料,使用K折交叉验证法及4种统计指标(决定系数(R2)、均方根误差(RMSE)、平均偏置误差(MBE)和归一化均方根误差(NRMSE))评估2种输入模式(本地输入或与邻站数据相融合输入)下估算逐月ET0的适用性.[结果]2种输入模式下,XGBoost模型的性能整体优于SVM模型.只使用本地资料作为输入时,以最高温度(Tmax)、最低温度(Tmin)、地表总辐射量(Rs)为参数的模型性价比最高.使用邻站结合本地资料作为输入时,XGBoost模型对应的最佳输入参数为邻站 ET0数据(ET0-ex),其平均 R2为0.986,RMSE 和 MBE 分别为0.195和-0.106 mm/d,NRMSE 为0.079.[结论]综合精度和稳定性等因素,当存在部分气象资料缺失时,使用本地数据或与邻站数据相结合,可成功估算出目标站点的ET0值.推荐使用XGBoost模型且2种输入模式下最实用的输入组合分别为Tmax、Tmin、Rs和ET0-ex,可用于类似江西鄱阳湖地区气象资料缺乏条件下ET0 的估算.

关键词：参考作物蒸散量;机器学习算法;极限梯度提升;支持向量机;K折交叉验证法;鄱阳湖地区

所属期刊栏目：49

分类号：S274.1;P426.2(农田水利)

资助基金：国家自然科学基金项目51709143,51769010,51979133

在线出版日期：2021-09-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：144-154