基于类别特征编码的参考作物蒸散量预报模型

摘要：

为提高基于天气预报的参考作物蒸散量(ETo)预报模型精度,通过引入序数(ORD),独热(O-H),目标(TAR)和CatBoost(CAT)4种编码方法对天气类型和风力等级进行数值化处理,结合Light Gradient Boosting Decision Machine(LGB)算法构建了基于天气预报类别特征的ETo预报模型.结果表明,同时引入编码处理的天气类型和风力等级数据可以有效提升LGB3模型精度(R2较LGB1提升-0.97％-9.36％),提升排名为O-H＞CAT＞TAR＞ORD.单独引入天气类型数据的LGB4能够获得与LGB3模型相近的精度,而单独引入风力等级对LGB5模型精度贡献不显著,甚至可能会引入噪声而降低精度.因此采用0-H编码处理天气类型和风力等级数据扩展输入维度,可以提高模型精度,适用于缺少气象站或数据种类不全地区的ETo精准预测.

关键词：参考作物蒸散量、天气预报、机器学习、数据预处理、类别特征编码

所属期刊栏目：30

分类号：S161.4(农业气象学)

资助基金：国家自然科学基金;江苏省研究生科研创新计划项目

在线出版日期：2022-11-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共18页

页码：1402-1419