中国农业科学院农业信息研究所 中国农学会
Agricultural Information Institute of CAAS China Association of Agricultural Science Societies
En
Ch
中国农业科学院农业信息研究所 中国农学会 主办

AI检索

订阅

返回顶部
当前位置: 首页 > 文章 > 基于机器学习的ET0跨站适应性研究 西北农林科技大学学报(自然科学版) 2021 (9) 144-154
Position: Home > Articles > 基于机器学习的ET0跨站适应性研究 Journal of Northwest A & F University(Natural Science Edition) 2021 (9) 144-154

基于机器学习的ET0跨站适应性研究

作  者：
董建华;刘小刚;吴立峰;黄国敏;杨启良
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
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;
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。

相似文章

导出引用
计量
文章访问数: 19
HTML全文浏览量: 0
PDF下载量: 0

所属期刊

推荐期刊

友情链接Friendly link
农业信息研究所Agricultural information institute 农业智能知识服务平台Agricultural intelligent knowledge service platform 农业学术服务平台Agricultural Knowledge Service System 中国知网CNKI 维普网VIP 万方WANFANG DATA
联系我们Contact us

电话Tell：010-82109652-808

邮箱E-mail：agrijournal@caas.cn

服务Service
关于我们About us 意见建议Opinions and suggest
版权说明Copyright
单位：中国农业科学院农业信息研究所 中国农学会 © 2017中国农业科学院农业信息研究所 ICP备案号：京ICP备09089781号-46