基于机器学习的南京地区冬小麦蒸散发估算研究
陆丽芳1
刘春伟1
张宝忠2
王让会1
张佩3
邱让建4
1.南京信息工程大学江苏省农业与生态气象重点实验室,中国气象局生态系统碳源汇重点开放实验室,南京 2100442.中国水利水电科学研究院流域水循环模拟与调控国家重点实验室,北京 1000383.江苏省气候中心,南京 2100084.武汉大学水资源与水电工程科学国家重点实验室,武汉 430072
摘要：[目的]降低南京地区冬小麦蒸散发(ETc)估算的不确定性并提高农业水资源管理水平.[方法]采用机器学习方法优化冬小麦ETc的估算,并与大型蒸渗仪实测数据进行对比分析.研究基于2011-2018年南京地区大型称重式蒸渗仪实测冬小麦ETc及相关气象数据,利用贝叶斯优化(Bayesian Optimization,BO)算法优化Lasso回归、自适应增强(AdaBoost)、随机森林(RF)和梯度提升决策树(GBDT)4种机器学习模型的参数.通过决定系数(R2)、平均绝对误差(MAE)、均方根误差(RMSE)和SHAP可解释性分析等评估各个模型在ETc估算中的精度及ETc估算的关键决定因素.[结果]GBDT模型和RF模型的估算效果最佳,R2分别为0.951和0.926,GBDT模型的 MAE 和 RMSE 分别为 0.370 mm/d 和 0.541 mm/d,RF 的 MAE 和 RMSE 分别为 0.506 mm/d 和 0.694 mm/d.SHAP可解释性分析显示,叶面积指数(LAI)、太阳辐射量(Rs)和净辐射量(Rn)是ETc估算中关键因素.此外,基于Logistic模型的LAI估算方法,能够通过生长天数和有效积温准确估算LAI,从而实现对ETc的间接估算.[结论]通过优化机器学习模型参数,显著提高了南京地区冬小麦ETc的估算精度.GBDT模型和RF模型在ETc估算中表现最佳,能够有效预测冬小麦的ETc.基于机器学习的ETc估算,不仅减少了对高成本观测设备的依赖,还可为农业水资源管理提供科学支持.
关键词：冬小麦蒸散发模型机器学习可解释性贝叶斯优化算法
分类号：S274.4(农田水利)
资助基金：国家自然科学基金(52130906)国家自然科学基金(51309132)农业水资源高效利用全国重点实验室开放研究基金项目(SKLAWR-2024-06)江苏省基础研究计划青年基金项目(BK20130995)
论文发表日期：2025-08-30
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：12( 65-76 )
英文信息