典型文献
气象要素缺失条件下不同机器学习模型计算参考作物蒸散量比较
文献摘要：
为了实现气象要素缺失条件下对参考作物蒸散量(ET0)的预测,以山西果树研究所Adcon-Ws无线自动气象站2020-2021年每日最高气温(Tmax)、最低气温(Tmin)、2 m高风速(u2)、相对湿度(RH)和日照时数(n)数据为例,构建了9种气象要素缺失组合下的决策树(CART)、随机森林(RF)、梯度提升决策树(GBDT)、极端梯度提升(XGBoost)、支持向量机(SVR)、BP神经网络(BPNN)和深度学习(DL)7种ET0机器学习模型,以PM公式计算值作为标准值,并与经验法Hargreaves-Samani、Irmak-Allen、Makkink和Priestley-Taylor进行对比.结果表明,在所有气象要素组合中,深度学习和BP神经网络均能取得较高的模拟精度并且有较好的泛化能力,其他模型在不同气象要素缺失组合中模拟精度和泛化能力有不同的排名,但整体效果较好的是支持向量机.不同气象要素对模型模拟ET0的影响程度不同,影响由大到小排序依次为n、Tmax、Tmin、RH、u2.与4种经验法相比,机器学习模型模拟精度均大于输入相同组合的经验法.
文献关键词：
参考作物蒸散量(ET0);机器学习模型;气象要素缺失;气象要素组合;经验法
中图分类号：
作者姓名：
郝林如;郭向红;雷涛;郑利剑;马娟娟;孙西欢;苏媛媛;胡飞鹏
作者机构：
太原理工大学水利科学与工程学院,太原030024;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,北京100038
文献出处：
引用格式：
[1]郝林如;郭向红;雷涛;郑利剑;马娟娟;孙西欢;苏媛媛;胡飞鹏-.气象要素缺失条件下不同机器学习模型计算参考作物蒸散量比较)[J].节水灌溉,2022(07):102-108,118
A类：
气象要素缺失,Adcon,气象要素组合
B类：
机器学习模型,参考作物蒸散量,ET0,果树,Ws,自动气象站,日最高气温,Tmax,最低气温,Tmin,u2,相对湿度,RH,日照时数,CART,RF,梯度提升决策树,GBDT,极端梯度提升,XGBoost,SVR,BPNN,DL,PM,公式计算,计算值,标准值,经验法,Hargreaves,Samani,Irmak,Allen,Makkink,Priestley,Taylor,能取,模拟精度,泛化能力,同气,整体效果,模型模拟
AB值：
0.304001
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
