基于XGBoost和数值天气预报的黄淮海平原参考作物蒸散量预测模型研究

朱春霞, 秦安振

中国农学通报. 2024, 40(28): 126-133

PDF(1606 KB)
PDF(1606 KB)
中国农学通报 ›› 2024, Vol. 40 ›› Issue (28) : 126-133. DOI: 10.11924/j.issn.1000-6850.casb2023-0793
资源·环境·生态·土壤·气象

基于XGBoost和数值天气预报的黄淮海平原参考作物蒸散量预测模型研究

作者信息 +

Forecasting of Reference Crop Evapotranspiration in Huang-Huai-Hai Plain Based on XGBoost Machine Learning Model and Numerical Weather Prediction Data

Author information +
History +

摘要

为提高黄淮海平原参考作物蒸散量(ET0)的预测精度,在豫北地区新乡市利用2020—2021年历史气象数据和2022年日数值天气预报数据(最高气温、最低气温、太阳总辐射量、日照时数、相对湿度和2 m风速),建立反向传播(BP)、极限梯度提升(XGBoost)和梯度提升决策树(CatBoost)3种预测ET0的机器学习模型,并与FAO-56 Penman-Monteith模型的结果进行比较。结果显示,气象参数中太阳总辐射量(Ra)、最高气温(Tmax)和最低气温(Tmin)与ET0的相关性最高,可作为模型的输入因子。从预测时间尺度来看,3种机器学习模型对1~16 d的ET0预报效果最佳。其中,XGBoost模型在验证期的R=0.875、RMSE=0.230 mm/d、MAE=0.181 mm/d、MAPE=8.45%。R较CatBoost和BP模型平均提高10.2%,RMSEMAEMAPE平均下降39.9%~62.4%。鉴于XGBoost模型预测ET0的精度和稳定性,推荐将其作为黄淮海平原参考作物蒸散量的预测方法。

Abstract

This study seeks to enhance the prediction accuracy of reference crop evapotranspiration (ET0) in the Huang-Huai-Hai Plain. Three models, namely BP, XGBoost, and CatBoost, were developed utilizing historical daily meteorological data from 2020-2021. These data included maximum air temperature (Tmax), minimum air temperature (Tmin), total solar radiation (Ra), sunshine hours (S), relative humidity (RH), and wind speed at a height of 2 m (U2) for training purposes. The models were tested and forecasted using daily numerical weather prediction data from Xinxiang city, located in northern Henan Province, for the year 2022. The forecasted results were compared with the ET0 data calculated using FAO-56 Penman-Monteith model. The results showed that Ra, Tmax, and Tmin were most correlated with ET0 among all factors, and therefore were considered as input factors for model running. The three models generated acceptable ET0 accuracy at 1-16 d forecast scale. In model testing, XGBoost model had R=0.875, RMSE=0.230 mm/d, MAE=0.181 mm/d, and MAPE=8.45%, respectively. On average, the R value of XGBoost model was increased by 10.2%, and values of RMSE, MAE, and MAPE were decreased by 39.9%-62.4%, compared to BP and CatBoost models. In view of the accuracy and stability of the XGBoost model, it can be a recommended model for ET0 forecasting in the Huang-Huai-Hai Plain.

关键词

P-M模型 / BP神经网络模型 / 参考作物蒸散量 / 机器学习 / 预测模型 / 黄淮海平原 / 极限梯度提升(XGBoost) / 梯度提升决策树(CatBoost)

Key words

P-M model / BP neural network model / reference crop evapotranspiration / machine learning / forecasting models / Huang-Huai-Hai Plain / XGBoost / CATBoost

引用本文

导出引用
朱春霞 , 秦安振. 基于XGBoost和数值天气预报的黄淮海平原参考作物蒸散量预测模型研究. 中国农学通报. 2024, 40(28): 126-133 https://doi.org/10.11924/j.issn.1000-6850.casb2023-0793
ZHU Chunxia , QIN Anzhen. Forecasting of Reference Crop Evapotranspiration in Huang-Huai-Hai Plain Based on XGBoost Machine Learning Model and Numerical Weather Prediction Data. Chinese Agricultural Science Bulletin. 2024, 40(28): 126-133 https://doi.org/10.11924/j.issn.1000-6850.casb2023-0793

参考文献

[1]
强小嫚, 张凯, 米兆荣, 等. 黄淮海平原地区深松和灌水次数对冬小麦-夏玉米节水增产的影响[J]. 中国农业科学, 2019, 52(3):491-502.
目的 研究黄淮海平原地区冬小麦-夏玉米不同深松时机交互不同灌水次数对作物产量及水分生产效率的影响,为优化黄淮海地区土壤耕作方式提供理论依据。方法 采用土壤耕作方式与灌水次数相结合的方法,设置秋深松+冬小麦2水(QS-2)、秋深松+冬小麦3水(QS-3)、夏深松+冬小麦2水(XS-2)、夏深松+冬小麦3水(XS-3)、对照(CK)共5个处理,研究深松与灌水次数对冬小麦-夏玉米一年两熟农田土壤物理性质、植株生长发育、产量、总产出值及水分生产效率等的影响。结果 深松和灌水次数对土壤容重、土壤紧实度、土壤储水量、总产出值、水分生产效率均有不同程度显著影响。与对照相比,QS-2、XS-2、XS-3处理均显著降低深松后第1年土壤耕层(0—40 cm)及深松后第2年0—20 cm土层的土壤容重;深松各处理均显著降低第1年土壤紧实度,对第2年土壤紧实度影响效果不明显;秋深松后第2年QS-2处理的冬小麦整个生育期平均土壤储水量较CK显著增加18.14%,QS-3处理次之,夏深松后第2年XS-2、XS-3处理分别较CK显著提高24.7%、25.6%;秋深松能显著提高当季冬小麦生长发育,QS-2、QS-3处理地上生物量分别较CK增加了19.29%、27.06%,第2年QS-2和QS-3处理地上生物量较CK均有所提高,差异不显著,秋深松对第2年冬小麦生长发育影响效果减弱,夏深松第2年XS-2和XS-3处理的叶面积和地上生物量均较对照显著提高,夏深松能显著促进后茬冬小麦生长发育;QS-2处理对2年冬小麦-夏玉米总产出值和水分生产效率均显著提高,第1年总产出值和水分生产效率分别较CK提高27.21%、23.51%,第2年分别提高19.54%、18.84%,夏深松显著提高第2年冬小麦-夏玉米总产出值及水分生产效率,XS-2处理分别提高18.50%、17.65%,XS-3处理分别提高19.57%、15.35%。结论 黄淮海平原冬小麦-夏玉米连作采用冬小麦播前秋深松耕作方式,冬小麦全生育期灌水2次,有利于降低农田土壤容重、降低土壤紧实度、提高土壤储水效果、显著提高深松周期内冬小麦-夏玉米总产出值及水分生产效率。建议在黄淮海平原地区平水年和丰水年(夏玉米季降雨充沛),冬小麦-夏玉米种植区采用秋深松+冬小麦灌2水耕作模式,实现高产与高效。
[2]
张东霞, 秦安振. 冬小麦―夏玉米作物蒸散量及其水热关系研究[J]. 作物杂志, 2022(6):145-151.
[3]
李金琴, 王宇飞, 侯旭光, 等. 不同节水种植模式对玉米产量的影响[J]. 北方农业学报, 2017, 45(4):30-34.
[4]
PERERA K, WESTERN A, NAWARATHNA B, et al. Forecasting daily reference evapotranspiration for Australia using numerical weather prediction outputs[J]. Agricultural and forest meteorology, 2014, 194:50-63.
[5]
CAI J, LIU Y, LEI T, et al. Estimating reference evapotranspiration with the FAO Penman-Monteith equation using daily weather forecast messages[J]. Agricultural and forest meteorology, 2007, 145(1-2):22-35.
[6]
付浩龙, 罗玉峰, 李亚龙. 基于气温预报的HS公式短期逐日参考作物腾发量预报评价与分析[J]. 长江科学院院报, 2018, 35(2):51-56.
为了开展基于气温预报Hargreaves-Samani(HS)公式短期逐日参考作物腾发量预报评价分析,收集南京站2002—2013年逐日观测气象数据和2012—2013年预见期7 d的逐日天气预报数据,采用FAO-56 Penman-Monteith(PM)公式及2002—2012年气象数据计算逐日ET<sub>0</sub>(参考作物腾发量),并对Hargreaves-Samani(HS)公式参数进行率定。采用率定后的HS公式开展2012—2013年预见期7 d的ET<sub>0</sub>预报,并对预报结果进行精度评价和敏感性分析,结果表明:最低温度预报准确率要高于最高温度;校正后的HS公式各相关统计指标较好,HS公式ET<sub>0</sub>计算校正值与PM公式计算值总体上一致,校正后的HS公式精度得到提高;ET<sub>0</sub>预报精度随预见期增加而下降,且基于最低温预报的ET<sub>0</sub>预报精度要高于最高温度;ET<sub>0</sub>预报误差对低温预报的敏感性要小于高温预报,ET<sub>0</sub>预报误差对夏季温度预报误差敏感性最大,而对冬季温度预报误差敏感性最小。
[7]
刘梦, 罗玉峰, 汪文超, 等. 基于天气预报的漳河灌区参考作物腾发量预报方法比较[J]. 农业工程学报, 2017, 33(19):156-162.
[8]
CHEN Y, BAI M, ZHANG Y, et al. Multivariable space-time correction for wind speed in numerical weather prediction (NWP) based on ConvLSTM and the prediction of probability interval[J]. Earth science informatics, 2023, 16(3):1953-1974.
[9]
LIU B, LIU M, CUI Y, et al. Assessing forecasting performance of daily reference evapotranspiration using public weather forecast and numerical weather prediction[J]. Journal of hydrology, 2020, 590:125547.
[10]
SARMAS E, SPILIOTIS E, STAMATOPOULOS E, et al. Short-term photovoltaic power forecasting using meta-learning and numerical weather prediction independent long short-term memory models[J]. Renewable energy, 2023, 216(11):118997
[11]
ZHANG W, CHANG C, XUAN Y. The impacts of climate change on bank performance: What’s the mediating role of natural disasters[J]. Economic change and restructuring, 2022, 55:1913-1952.
[12]
FAN J, WU L, ZHANG F, et al. Evaluation and development of empirical models for estimating daily and monthly mean daily diffuse horizontal solar radiation for different climatic regions of China[J]. Renewable & sustainable energy reviews, 2019, 105:168-186.
[13]
QIN A, NING D, LIU Z, et al. Insentek sensor: An alternative to estimate daily crop evapotranspiration for maize plants[J]. Water, 2019, 11:25.
[14]
LIU Q, YANG Z, CUI B, et al. The temporal trends of reference evapotranspiration and its sensitivity to key meteorological variables in the Yellow River Basin, China[J]. Hydrological processes, 2010, 24:2171-2181.
[15]
FAN J, WU L, ZHANG F, et al. Climate change effects on reference crop evapotranspiration across different climatic zones of China during 1956-2015[J]. Journal of hydrology, 2016, 542:923-937.
[16]
YANG Y, CUI Y, BAI K, et al. Short-term forecasting of daily reference evapotranspiration using the reduced-set Penman-Monteith model and public weather forecasts[J]. Agricultural water management, 2019, 211:70-80.
[17]
杨会娟, 粟晓玲, 郭静. 基于支持向量机的干旱区月潜在蒸散发的模拟[J]. 中国农村水利水电, 2016(7):6-10.
支持向量机回归模型模拟无风速和日照时数条件下潜在蒸散发的有效性,为气象资料短缺的干旱地区提供潜在蒸散发模拟的新途径。根据西北干旱区石羊河流域5个气象站1999―2009基准期的日气象资料,用Penman-Monteith方程计算月潜在蒸散发量,采用支持向量机回归模型(SVR)模拟潜在蒸散发。以均方根误差(RMSE)、平均绝对误差(MAE)、确定性系数(DC)以及相关系数(R)作为模型的性能评价指标。结果表明,在模拟月潜在蒸散发时,无论在训练期还是验证期,当输入变量为最高气温、最低气温、平均气温、相对湿度、风速和日照时数等6个气象因子时,SVR模型取得了较好的模拟效果,各站的R和DC均在0.9以上;当输入气象变量为最高气温、最低气温、平均气温及相对湿度4个气象因子时,SVR模型对月潜在蒸散发的模拟精度略低于6因子输入的精度,但各站的R和DC依然在0.9以上,说明在无风速和日照时数两个气象因子时,SVR模型可以有效的模拟干旱区月潜在蒸散发量。
[18]
张乐坚, 程明虎, 田付友. 人工神经网络及支持向量机在降雨量预报中的应用[J]. 高原气象, 2010, 29(4):982-991.
使用误差反向传播网络(BPN)和约当网络(JN)两种人工神经网络(ANN)以及支持向量机(SVM)对降雨量进行了1 h和3 h预报的研究, 并与交叉相关法(CCM)外推预报的结果进行了比较。针对安徽省2003年6~7月的降水过程, 比较了网络(文中指BPN、 JN和SVM)和CCM预报降雨量与实况降雨量的雨带分布、 强降雨区域和强度; 使用命中率(HR)、 虚警率(FAR)、 漏报率(NAP)、 临界成功指数(CSI)、 相关系数(CC)和均方根误差(RMSE)这6个指标并结合天气分析检验网络和CCM的预报效果。结果表明: 网络和CCM对雨带和强降雨区域的预报比较准确, 但是对强降雨中心位置和强度的预报与实况存在差异; 在使用HR、 FAR、 NAP和CSI检验预报效果时设定的阈值对预报结果的评价有影响; 预报的中小尺度结构与天气分析的结果一致; 网络与CCM以及不同的网络之间的预报结果存在着差异; 连续预报的结果表明, 与CCM相比, 网络对3 h预报的效果优于1 h的。
[19]
冯丽丽, 张琨, 韩拓, 等. 基于人工神经网络的不同植被类型蒸散量时空尺度扩展[J]. 兰州大学学报(自然科学版), 2017, 53(2):186-193.
[20]
谭君位, 崔远来, 张培青. 实时灌溉预报与灌溉用水决策支持系统研究与应用[J]. 中国农村水利水电, 2015(7):1-4,9.
实时灌溉预报与灌溉用水决策支持系统的应用是指导适时适量灌溉,促进灌区节水,推动灌溉管理走向现代化、自动化、智能化的重要手段和主要途径之一。本文研发了新一代实时灌溉预报及灌溉用水决策支持系统,文中详细介绍了本系统的基本功能、系统结构及主要数学模型。与现有的灌溉管理软件相比,本系统具有以下特点:增加了中长期产量、灌溉需水量的预报功能,通过水分生产函数优选灌水方案;不再以每旬的第一天作为固定的预报起始时间,而是以任意一天为基础对未来10天开展实时灌溉预报;支持用户需求模式,统计用水户的灌溉需求,自动制定配水方案;支持配水人工干预功能,人机交互更灵活、密切。实际应用表明,本系统可实现适时、适量灌溉,为灌区灌溉用水管理提供了科学依据。
[21]
任传栋, 王志真, 马钊, 等. 基于深度学习及传统机器学习模型估算山东省参考作物蒸散量[J]. 节水灌溉, 2022(3):67-74.
为探寻深度学习模型在区域参考作物蒸散量(Reference crop evapotranspiration,ET <sub>0</sub>)估算中的适用性,以山东省为研究区域,选取了深度神经网络(DNN)、时间卷积神经网络(TCN)和长短期记忆神经网络(LSTM)3种深度学习模型,极限学习机模型(ELM)、广义回归神经网络模型(GRNN)和随机森林模型(RF)3种传统机器学习模型,Hargreaves-Samani模型(HS)、Droogres-Allen模型(DA)、Priestley-Tayor模型(PT)、Marrink模型(MK)、WMO模型(WMO)、Trabert模型(TRA)6种经验模型,以均方根误差(RMSE)、决定系数(R <sup>2</sup>)、平均绝对误差(MAE)和效率系数(E<sub>ns</sub> )为精度评价体系,找出了适用于山东省ET <sub>0</sub>估算的最优模型,结果表明:相同气象参数输入条件下,机器学习模型精度普遍优于经验模型,而3种深度学习模型精度最优,TCN模型在所有模型中精度最高;输入辐射资料的模型精度普遍高于温度模型和质量传输模型,TCN2模型GPI为1.036,在所有模型中排名第1。因此,TCN模型为山东省ET <sub>0</sub>的最优估算模型使用。
[22]
GRANATA F. Evapotranspiration evaluation models based on machine learning algorithms- A comparative study[J]. Agricultural water management, 2019, 217:303-315.
[23]
PATIL A, DEKA P. An extreme learning machine approach for modeling evapotranspiration using extrinsic inputs[J]. Computers and electronics in agriculture, 2016, 121:385-392.
[24]
李俊. 基于改进的BP神经网络的水面蒸发预测[J]. 节水灌溉, 2017(11):42-45.
以往水面蒸发预测模型存在针对性不强、结构复杂的问题,同时指标筛选的过程存在很大的主观性,针对这些问题提出改进的BP神经网络模型。使用灰色关联法计算出各个预测因子与被预测因子的关联度,使用指标信息评价法根据算得的关联度确定最优预测因子组合,根据筛选出的预测因子,定出BP神经网络结构并以筛选出的预测因子为输入进行演算。预测结果合格率为70%。说明改进的BP神经网络模型适用性强。
[25]
杜云皓, 仇锦先, 冯绍元. 改进GA-BP模型在地下水位埋深预测中的应用[J]. 节水灌溉, 2017(9):81-84.
地下水埋深预测是有效实施节水措施、合理控制地下水位的前提与保证。鉴于地下水埋深与引水量、降水量、蒸发量、排水量、地下水开采量等因素之间存在复杂的非线性关系,提出了基于改进遗传算法的BP神经网络模型用于地下水埋深预测,弥补了BP神经网络本身易陷入局部最优值的缺陷;同时在遗传算法中改进了自适应交叉、变异概率算法,提高了神经网络的逼近能力和预测精度,并采用了MATLAB软件实现了BP神经网络编程。通过不同模型在河套灌区解放闸灌域2000-2013年地下水埋深模拟与预测,结果表明改进遗传算法优化的BP神经网络模型具有较高的预测精度和收敛速度,在其他地区地下水埋深预测中也具有较好的适应性。
[26]
QIN A, FAN Z, ZHANG L. Hybrid genetic algorithm-based BP neural network models optimize estimation performance of reference crop evapotranspiration in China[J]. Applied sciences, 2022, 12(20):10689.
[27]
FAN J, YUE W, WU L, et al. Evaluation of SVM, ELM and four tree-based ensemble models for predicting daily reference evapotranspiration using limited meteorological data in different climates of China[J]. Agricultural and forest meteorology, 2018, 263:225-241.
[28]
张薇, 霍树义, 贾悦. 机器学习模型在河北省参考作物蒸散量计算中的比较[J]. 节水灌溉, 2018(4):50-53.
为研究河北省参考作物蒸散量(reference crop evapotranspiration,ET0)的适用方法,以极限学习机模型(ELM)和广义回归神经网络模型(GRNN)为基础,对其1961~2015年的ET0进行了估算,并以Penman-Monteith模型(P-M)为标准,与Hargreaves模型(H-S)模型计算结果进行了比较,结果表明:ELM模型与GRNN模型在ET0日值和月值的模拟精度明显高于H-S模型,同时不同模型的相对均方根误差RMSE值均表现为GRNN &lt;ELM &lt;H-S,而一致性则表现为GRNN模型最高,这表明机器学习模型的计算精度要高于H-S模型,而GRNN模型计算精度最高。
[29]
郝林如, 郭向红, 雷涛, 等. 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(7):102-108.
为了实现气象要素缺失条件下对参考作物蒸散量(ET <sub>0</sub>)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(T <sub>max</sub>)、最低气温(T <sub>min</sub>)、2 m高风速(u <sub>2</sub>)、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ET <sub>0</sub>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ET <sub>0</sub>的影响程度不同,影响由大到小排序依次为n、T <sub>max</sub>、T <sub>min</sub>、RH、u <sub>2</sub>。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。
[30]
牛曼丽, 李红岺, 李新旭. 基于CatBoost的温室日参考作物蒸发蒸腾量估算模型研究[J]. 节水灌溉, 2022(1):14-19.
参考作物蒸发蒸腾量(Reference Evapotranspiration,ET <sub>0</sub>)是估算作物需水量、制定灌溉制度、提高用水效率,实现农业节水的重要参数。针对传统Penman-Monteith(P-M)公式计算作物蒸发蒸腾量需要参数多,计算复杂等问题,提出了一种基于支持分类特征的梯度提升决策树(CatBoost)算法估算温室日参考作物蒸发蒸腾量。以温室修正型Penman-Monteith公式计算的ET <sub>0</sub>作为标准值,通过Pearson’s方法对输入参数与ET <sub>0</sub>之间的相关性进行分析,组合不同输入特征向量。当输入参数组合为3参数,即平均室内温度、平均相对湿度、累积太阳辐射时,CatBoost性能最优,测试集估算精度MAE为0.220 mm/d,RMSE为0.310 mm/d。进一步对比了6种其他机器学习模型(XGBoost、AdaBoost、随机森林、决策树、KNN、SVM)的估算精度,结果表明CatBoost模型具有最佳的估算精度和稳定性,能够较好地模拟参考作物蒸发蒸腾量。构建的日参考作物蒸发蒸腾量估算模型为水肥精准化管理、灌溉控制系统研发提供了一种新的思路。
[31]
HUANG G, WU L, MA X, et al. Evaluation of CatBoost method for prediction of reference evapotranspiration in humid regions[J]. Journal of hydrology, 2019, 574:1029-1041.
[32]
刘战东, 肖俊夫, 牛豪震, 等. 地下水埋深对冬小麦和春玉米产量及水分生产效率的影响[J]. 干旱地区农业研究, 2011, 29(1):29-33.
[33]
陈志月, 吴立峰, 刘小强, 等. 基于GPR、CatBoost、XGBoost三种模型预测江西地区水面蒸发量[J]. 水资源与水工程学报, 2020, 31(6):116-125,131.
[34]
李可利, 张鑫. 基于ANFIS的陕西省参考作物蒸散量计算[J]. 自然资源学报, 2020, 35(6):1472-1483.
为有效提高陕西省参考作物蒸散量(ET<sub>0</sub>)的计算精度,选取陕西省6个气象站点57 a(1960&#x02014;2016年)每日气象资料,构建8种基于自适应神经模糊推理系统(ANFIS)的ET<sub>0</sub>计算模型,将其与Hargreaves-Samani、Makkink和Iramk等三种在陕西省ET<sub>0</sub>计算精度较高的模型进行比较。结果表明:ANFIS模型能较好地反映气象因子与ET<sub>0</sub>之间的复杂非线性关系,在仅有气温数据时,ANFIS模型具有足够的精度(平均R<sup>2</sup>=0.894,平均R<sub>MSE</sub>=0.558 mm/d,平均MRE=18.258%),ANFIS模型的精度随着气象因子数量的增加而增加;在相同气象条件下,ANFIS模型模拟效果最好;ANFIS模型具有较强的泛化能力,基于不同站点也有较高的精度(平均R<sup>2</sup>=0.974,平均R<sub>MSE</sub>=0.276 mm/d,平均MRE=8.608%),具有很好的可移植性。因此,在缺少气象数据时,ANFIS可以作为陕西省ET<sub>0</sub>的计算模型,为农业用水管理及水资源优化配置提供帮助。
[35]
黄滟淳, 崔宁博, 陈宣全, 等. 基于不同机器学习模型的川中丘陵区参考作物蒸散量模拟[J]. 中国农村水利水电, 2020(5):13-20,27.
为探究不同数值模拟模型在川中丘陵区的适应能力,提高川中丘陵区气象资料缺失下的参考作物蒸散量(ET<sub>0</sub>)预报精度。选取7个代表性站点1961-2016年逐日气象资料,分别建立基于M5回归树(M5-RT)、双隐含层优化的反向传播神经网络(H-BPNN)和交叉验证优化的广义回归神经网络(CV-GRNN)的ET<sub>0</sub>预报模型。并选取3个在川中丘陵区具有较高精度的经验模型与其进行对比,在日尺度上评估模型的预报精度,利用可移植性分析评价3种模型在川中丘陵区的泛化能力。结果表明:①基于温度、风速和大气顶层辐射输入的M5-RT2、CV-GRNN2和H-BPNN2模型都具有较高的模拟精度,其R<sup>2</sup>分别为0.987、0.967和0.988,NSE分别为0.987、0.937和0.988;②日尺度误差分析表明,4类输入项组合下,M5-RT模型最优,H-BPNN模型次之,CV-GRNN模型最差,但3种模型的均方根误差均小于0.5 mm/d、平均相对误差均小于13.59%,优于Jensen-Haise、Hargreaves-Li和Irmak-Allen模型,M5-RT2(输入大气顶层辐射、最高/低温度和风速)、M5-RT3(输入最高/低温度和风速)和M5-RT4(输入大气顶层辐射和风速)在川中丘陵区内具有广泛的适应性,均可作为气象数据缺失下川中丘陵区ET<sub>0</sub>预报的推荐模型;③可移植性分析发现,训练、预测站点交叉组合下,3种模型的预报精度都有降低,但M5-RT泛化能力最强,模拟输出稳定,H-BPNN和CV-GRNN在ET<sub>0</sub>大于6 mm/d时出现明显截断误差,预测值普遍偏小,同时CV-GRNN模拟结果于标准值的趋势线斜率较小,模拟数值整体偏小。基于M5回归树的ET<sub>0</sub>预报模型在川中丘陵区具有较高精度,模拟结果稳定,可作为推荐的ET<sub>0</sub>简化模拟模型。
[36]
冯培存, 魏正英, 张育斌, 等. 基于思维进化算法优化BP神经网络的温室甜瓜ET0预测研究[J]. 节水灌溉, 2019(9):36-39.
为实现温室作物参考作物蒸散量(ET0)的准确计算和预测,利用BP神经网络对获取的数据进行非线性回归,利用思维进化算法自动寻优,进而获取BP神经网络算法中较优的权值和阈值,最终建立了基于思维进化算法优化BP神经网络的参考作物蒸散量预测模型(MEA-BP)。结果表明,优化后的BP神经网络的最大相当误差有原来的13%下降到了7.2%,平均相对误差由原来的6.8%下降到了3.4%。研究了在气象数据缺失情况下模型的预测效果,当模型输入参数为4个时,平均绝对误差约为在0.2mm(预测值约3-6mm),模型的有效系数和相关系数基本在0.9以上;当模型输入参数为3个时,平均绝对误差约为0.25mm,模型的有效系数和相关系数基本在0.8以上。因此,在输入参数保证3个及以上,同时包含有显著影响因子有效光照时长时,该模型的整体计算精度以及整体的实用性较好,能够为作物灌水量的预测提供参考。
[37]
CHEN T, GUESTRIN C. XGBoost: A scalable tree boosting system[A]. //Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining (KDD)[C]. New York: ACM, 2016:785-794.
[38]
ZHANG Y, ZHAO Z, ZHENG J. CatBoost: A new approach for estimating daily reference crop evapotranspiration in arid and semi-arid regions of Northern China[J]. Journal of hydrology, 2020,588.
[39]
KISI O, GENC O, DINC S, et al. Daily pan evaporation modeling using Chi-squared automatic interaction detector, neural networks, classification and regression tree[J]. Computers and electronics in agriculture, 2016, 122:112-117.
[40]
LU L, ZHANG D, ZHANG J, et al. Ecosystem evapotranspiration partitioning and its spatial-temporal variation based on eddy covariance observation and machine learning method[J]. Remote sensing, 2023, 15(19):4831.
[41]
FENG Y, JIA Y, CUI N, et al. Calibration of Hargreaves model for reference evapotranspiration estimation in Sichuan basin of southwest China[J]. Agricultural water management, 2017, 181:1-9.
[42]
FENG Y, PENG Y, CUI N, et al. Modeling reference evapotranspiration using extreme learning machine and generalized regression neural network only with temperature data[J]. Computers and electronics in agriculture, 2017, 136:71-78.
[43]
谭鑫, 罗童元, 谢亨旺, 等. 基于气温预报的江西省参考作物腾发量预报方法比较与分析[J]. 中国农村水利水电, 2022(4):150-155.
为了提出一套比较精确的适合江西省的水稻参考作物腾发量(ET <sub>0</sub>)预报方法,采用PM公式和26个气象站点的历史气象数据来计算ET <sub>0</sub>,以此为基准值对Hargreaves-Samani (HS)模型、Blaney-Criddle(BC)模型及McCloud(MC)模型进行率定。并利用天气预报数据,评价3种ET <sub>0</sub>预报模型在江西省各个站点的适用性。结果表明:经过参数校正后,HS模型、BC模型及MC模型的ET <sub>0</sub>预报值在26个站点的平均的准确率分别为86.63%、85.81%、87.12%,平均绝对误差的均值分别为0.75、0.80、0.76 mm/d,平均的均方根误差分别为0.98、1.00、0.99 mm/d,平均的相关系数分别为0.76、0.76、0.78,有16个站点推荐使用HS模型进行ET <sub>0</sub>预报。对于江西省各个站点,预报精度最好的是HS模型,MC模型其次,BC模型最差。整体来看,采用率定后的HS模型进行预报,可为江西省灌溉预报及决策提供较为准确的ET <sub>0</sub>预报数据。
[44]
白依文, 鲁梦格, 程浩楠, 等. 基于天气预报信息的参考作物需水量预报研究[J]. 中国农村水利水电, 2021(10):175-179.
获得作物需水信息是农业灌溉管理与水资源优化配置的基础。为探索利用公共天气预报信息进行作物需水预测,研究尝试以PM公式和HS公式为基础,将天气预报信息进行定量转化后预测参考作物需水量,以期解决典型地区参考作物需水量预报难题。通过以武汉市为典型研究区,收集了武汉站2020年3月16日至2020年4月15日的每日对未来七天的天气预报数据,使用天气预报数据与PM公式和HS公式得出的预报值与使用历史监测数据和PM公式采用实测数据得出的标准值进行对比并对本文使用的方法进行了验证。结果表明,不同预报期内,预报值与标准值有一致的变化趋势,两种方法在1~2 d预报期的MAE平均值分别为0.69和0.675 mm/d;RMSE平均值分别为0.91和0.905 mm/d,基本满足需水量精度要求,而随着预报期的增加准确性在降低;两种方法的对比显示,HS法的相关系数总是相对较高且预报后期比PM法稳定,PM主要误差是由实际日照时数导致。当实际日照时数预报精度较差时推荐使用HS法,此方法具有良好的物理基础并且数据容易获取。
[45]
SHARMA G, SINGH A, JAIN S. Hybrid deep learning techniques for estimation of daily crop evapotranspiration using limited climate data[J]. Computers and electronics in agriculture, 2022, 202:107338.
[46]
ABDULLAH S, MALEK M, ABDULLAH N, et al. Extreme learning machines: A new approach for prediction of reference evapotranspiration[J]. Journal of hydrology, 2015, 527:184-195.
[47]
JHAVERI S, KHEDKAR I, KANTHARIA Y, et al. Success prediction using Random Forest, CatBoost, XGBoost and AdaBoost for Kickstarter Campaigns[A].// 2019 3rd International conference on computing methodologies and communication (ICCMC)[C]. IEEE, 2019(2):1170-1173.

基金

河南省重点研发与推广专项(科技攻关)(222102110175)
新乡市科技攻关计划项目(GG2021024)
PDF(1606 KB)

文章所在专题

土壤重金属污染

Accesses

Citation

Detail

段落导航
相关文章

/