典型文献
基于机器学习的遮荫设施内参考作物蒸散量估算
文献摘要：
为高效准确地估算遮荫设施内参考作物蒸散量(Reference Evapotranspiration,ET0),该研究通过分析三七栽培遮荫设施(四周及顶部均由黑色遮阳网遮盖,通风性较好)内及设施外气象参数的关系,采用Sobol敏感性分析方法筛选出设施外有效的气象参数,并将其作为模型输入,以Penman-Monteith(FAO-56 PM)模型计算的值为标准值,采用贝叶斯优化(Bayesian Optimization,BO)算法优化机器学习方法(支持向量回归机(Support Vector Regression,SVR)、随机森林(Random Forest,RF)和极限学习机(Extreme Learning Machine,ELM))中的参数,建立3种遮荫设施内ET0估算模型(BO-SVR、BO-RF和BO-ELM).结果表明:遮荫设施内ET0对设施外平均相对湿度、平均风速、最高气温和平均气温的敏感性较高,一阶敏感系数分别为0.450、0.304、0.064和0.026,故基于4组气象参数建立模型.BO-ELM模型的测试精度整体优于BO-SVR和BO-RF,其中BO-ELM模型基于平均相对湿度、平均风速、最高气温和平均气温的气象参数组合估算精度最高,决定系数、均方根误差和平均绝对误差分别为0.928、0.069 mm/d和0.046 mm/d,BO-ELM模型也能很好地适应少量气象参数(平均相对湿度和平均风速)估算设施内ET0,决定系数、均方根误差和平均绝对误差分别为0.910、0.078 mm/d和0.057 mm/d.综合考虑计算精度和计算代价,可将BO-ELM模型作为气象参数缺失情况下遮荫设施内ET0的估算方法.研究为遮荫设施内ET0的估算提供有效方法.
文献关键词：
作物;蒸散量;模型;机器学习;敏感性分析;贝叶斯优化算法;三七
中图分类号：
作者姓名：
陈绍民;李晓丽;杨启良;吴立峰;熊凯;刘小刚
作者机构：
昆明理工大学现代农业工程学院,昆明 650500;南昌工程学院水利与生态工程学院,南昌 330099;长沙理工大学水利与环境工程学院,长沙 410114
文献出处：
引用格式：
[1]陈绍民;李晓丽;杨启良;吴立峰;熊凯;刘小刚-.基于机器学习的遮荫设施内参考作物蒸散量估算)[J].农业工程学报,2022(11):108-116
A类：
B类：
基于机器学习,遮荫,内参,参考作物蒸散量,蒸散量估算,Reference,Evapotranspiration,ET0,三七,四周,遮阳网,遮盖,通风性,外气,气象参数,Sobol,模型输入,Penman,Monteith,FAO,PM,标准值,Bayesian,Optimization,BO,算法优化,机器学习方法,支持向量回归机,Support,Vector,Regression,SVR,Random,Forest,RF,极限学习机,Extreme,Learning,Machine,ELM,估算模型,相对湿度,平均风速,最高气温,平均气温,敏感系数,建立模型,测试精度,数组,估算精度,决定系数,平均绝对误差,计算精度,估算方法,贝叶斯优化算法
AB值：
0.328234
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。
