基于多种机器学习算法的淮河流域稻田蒸散模拟研究
金秋湘1
王伟1
邰久1
张怡婷1
段春锋2
张凯迪2
徐敏3
吕恒1
祝子涵1
王博1
温志文1
1.南京信息工程大学 中国气象局生态系统碳源汇重点开放实验室大气环境中心/农业与生态气象江苏省高校重点实验室/气象灾害预报预警与评估协同创新中心,南京 2100442.安徽省气象科学研究所/大气科学与卫星遥感安徽省重点实验室,合肥 230031;寿县国家气候观象台/中国气象局淮河流域典型农田生态气象野外科学试验基地/寿县国家综合气象观测专项试验外场,安徽 寿县 2322003.江苏省气候中心,南京 210008
摘要：[目的]淮河流域是我国重要的水稻产区,准确、简便且高效地模拟稻田蒸散(ETa)对该地农业水资源管理至关重要.[方法]基于2019年安徽省寿县国家气候观象台稻田的涡度相关通量、小气候和土壤要素观测数据,分析了稻田蒸散的时间变化特征及其影响因子,评估了 3种常用机器学习算法:BP神经网络(BPNN)、随机森林(RF)和支持向量回归(SVR)对稻田蒸散的模拟效果,并与FAO推荐的单作物系数法(FAO56PM)和最新的自动机器学习框架(FLAML)模拟结果进行对比.[结果]①ETa随生育期进程推进先增后降,最大值和最小值分别出现在孕穗—抽穗期和出苗—三叶期,入射短波辐射(K↓)与ETa的相关性最高且相对重要性最大.②加入K↓能显著提升机器学习算法对ETa的模拟效果,模拟值与观测值之间的决定系数(R2)提高了 51.2％,RMSE降低了 37.7％.含K↓、相对湿度(RH)和气温(Ta)的RF3是模拟ETa最适的变量组合模型.③相较于单作物系数法,RF3的输入变量更少,但对ETa的模拟精度更高,2019年和2020年的R2分别提高了 6.5％、8.9％,RMSE分别降低了 58.2％、48.9％.④含有相同输入变量的FLAML3模拟效果略优于RF3,R2提高了 1.52％,RMSE降低了 5.6％,分蘖期之前的模拟效果提升更明显.[结论]由于FLAML3模型模拟效果最佳,且可以自动地选择算法和设置超参数,推荐用于模拟淮河流域稻田蒸散.
关键词：稻田蒸散机器学习算法单作物系数法全自动机器学习框架
分类号：S161(农业气象学)
资助基金：江苏省333人才领军型人才团队项目(BRA2022023)中国气象局创新发展专项(CXFZ2024J048)中国气象局创新发展专项(CXFZ2024Q003)江苏省气象局揭榜挂帅科研项目(KZ202302)南京信息工程大学大学生创新创业训练计划项目(XJDC202410300626)
论文发表日期：2025-10-30
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：13( 120-132 )
英文信息