GPR､XGBoost和CatBoost模拟江西地区参考作物蒸散量的适应性研究

• Published in: Guanʻgai paishui xuebao Vol. 40; no. 1; pp. 91 - 96
• Main Authors: LIU, Xiaoqiang, DAI Zhiguang, WU, Lifeng, ZHANG Fucang, DONG Jianhua, CHEN, Zhiyue
• Format: Journal Article
• Language: Chinese
• Published: Xinxiang City Chinese Academy of Agricultural Sciences (CAAS) Farmland Irrigation Research Institute Editorial Office of Journal of Irrigation and Drainage 01.01.2021; 南昌工程学院水利与生态工程学院,南昌 330099; 西北农林科技大学旱区农业水土工程教育部重点实验室,陕西杨凌 712100%南昌工程学院水利与生态工程学院,南昌 330099%西北农林科技大学旱区农业水土工程教育部重点实验室,陕西杨凌 712100%昆明理工大学农业与食品学院,昆明 650500%河海大学 水文水资源学院,南京 210098
• Subjects: Accuracy; Agricultural production; Ambient temperature; Crop production; Crops; Drought; Evapotranspiration; Gaussian process; Learning algorithms; Machine learning; Meteorological data; Radiation; Railway stations; Regression analysis; Relative humidity; Solar radiation; Temperature requirements; Waterlogging; Wind measurement; Wind speed; 高斯过程回归; 经验模型; 参考作物蒸散量; 梯度提升决策树; 极限提升增强
• ISSN: 1672-3317
• DOI: 10.13522/j.cnki.ggps.2020056

【目的】提高机器学习模型模拟参考作物蒸散量在江西省适应性和精度。【方法】基于江西南昌等15个气象站2001—2015年日值气象数据（最高气温、最低气温、地表辐射、大气顶层辐射、相对湿度和2 m高风速），以FAO-56 Penman-Monteith（P-M）公式的计算结果作为对照，建立了计算ET0的高斯过程回归（GPR）、极限梯度提升（XGBoost）和梯度提升决策树（CatBoost）模型，并分别与经验模型进行比较。【结果】各气象参数对机器学习模型模拟ET0的精度影响由大到小依次为：Rs、Tmax和Tmin、RH、U2，且采用Tmax、Tmin、Rs和RH气象参数组合的机器学习模型（RMSE<0.2 mm/d）模拟ET0精度高。此外，3种机器学习模型在有限的气象数据时具有较好的适用性，且优于传统经验模型，其中GPR和CatBoost模型的预测精度高，但GPR模型稳定性最好。【结论】考虑到所研究模型调参的复杂性、预测精度和稳定性，GPR模型可作为江西地区参考作物蒸散量模拟的推荐方法。