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: 灌溉排水学报 Vol. 40; no. 1; pp. 91 - 96
• Main Authors: 刘小强, 代智光, 吴立峰, 张富仓, 董建华, 陈志月
• Format: Journal Article
• Language: Chinese
• Published: 南昌工程学院水利与生态工程学院,南昌 330099 2021; 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: 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

S274.1%S274.4; [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.