基于机器学习的ET_0跨站适应性研究

编号 zgly0001733727

文献类型 期刊论文

文献题名 基于机器学习的ET_0跨站适应性研究

作者 董建华  刘小刚  吴立峰  黄国敏  杨启良 

作者单位 昆明理工大学农业与食品学院  南昌工程学院水利与生态工程学院 

母体文献 西北农林科技大学学报(自然科学版 

年卷期 2021,(09)

页码 1-11

年份 2021 

分类号 S311 

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 

文摘内容 [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(ET_0)中的应用,为ET_0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(R~2)、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ET_0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(T_(max))、最低温度(T_(min))、地表总辐射量(R_s)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ET_0数据(ET_0-ex),其平均R~2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ET_0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T_(max)、T_(min)、R_s和ET_0-ex,可用于类似江西鄱阳湖地区气象资料缺乏条件下ET_0的估算。