为了解不同机器学习算法在预测不同气候区参考作物腾发量(ET0)方面的表现,以中国干旱区和湿润区共计20个气象站点1960-2019年的逐日气象数据为依据,以PM和HS公式计算的ET0为参考,评价了多元逐步回归(SL)、支持向量机(SVM)和高斯过程回归(GPR)3种机器学习算法的ET0预测精度及其适用性.结果表明:①当分别以PM和HS公式计算的ET0数值为标准时,3种机器学习算法模拟ET0精度大小关系均表现为:GPR>SVM>SL,且GPR算法的模拟精度最高,其相关系数(R2)均高达0.950以上.②当采用同一种机器学习算法时,其在以PM公式计算的ET0为参考值情况下的R2范围为0.965～0.995、RMSE的范围为0.212～0.260 mm/d、MAE的范围为0.151～0.201 mm/d;以HS公式计算结果为参考值时,其R2范围为0.935～0.984、RMSE范围为0.832～0.964 mm/d、MAE范围为0.596～0.745mm/d.③在不同气候分区,以同一参考公式计算结果为标准值时采用机器学习算法模拟干旱区的ET0精度均优于湿润区,其R2提高了0.01.④对比不同机器学习算法的稳健性,SL和SVM算法在分别以PM和HS公式计算结果为参考值时的稳健性最高,其训练到模拟阶段的R2变化幅度仅为0.16％和0.11％,而GPR算法稳健性均最低.⑤对比不同机器学习算法训练时间成本,SVM和GPR算法的计算成本显著高于SL算法.综合分析3种算法的ET0预测精度、稳健性和计算成本,SVM算法可推荐为中国干旱区和湿润区较为精准预测参考作物腾发量的方法.且机器学习模拟精度与气象因子的定量关系表明,日照时数(N)变化是影响各算法预测精度的主要因子.

参考作物腾发量;ET0预测精度;算法稳健性;训练时间成本;不同气候区;机器学习算法

河海大学农业科学与工程学院,南京210098;河海大学水文水资源与水利工程科学国家重点实验室,南京210098;宜兴市水利局,江苏宜兴214200

[1]韦琦;卫琦;徐解刚;柏玥辰;李昕彤;贺敏;徐俊增-.基于机器学习算法的ET0预测研究)[J].节水灌溉,2022(11):9-17

745mm,训练时间成本

基于机器学习,机器学习算法,ET0,预测研究,不同气候区,参考作物腾发量,干旱区,湿润区,气象站点,逐日,气象数据,PM,HS,公式计算,多元逐步回归,SL,高斯过程回归,GPR,准时,算法模拟,大小关系,模拟精度,参考值,RMSE,MAE,不同气候分区,标准值,练到,算法稳健性,算法训练,计算成本,精准预测,气象因子,定量关系,日照时数,算法预测

0.213038