GPR、XGBoost和CatBoost模拟江西地区参考作物蒸散量的适应性研究
刘小强
代智光
吴立峰
张富仓
董建华
陈志月
1.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 7121002.南昌工程学院水利与生态工程学院,南昌 3300993.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 7121004.昆明理工大学农业与食品学院,昆明 6505005.河海大学 水文水资源学院,南京 210098
摘要：[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.
关键词：参考作物蒸散量高斯过程回归极限提升增强梯度提升决策树经验模型
分类号：S274.1(农田水利)S274.4(农田水利)
论文发表日期：2021-01-28
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：6( 91-96 )
英文信息