氣象要素缺失條件下不同機器學習模型計算參考作物蒸散量比較

郝林如，郭向紅，2，雷 濤，鄭利劍，馬娟娟，孫西歡，蘇媛媛，胡飛鵬

（1.太原理工大學水利科學與工程學院，太原 030024；2.中國水利水電科學研究院流域水循環模擬與調控國家重點實驗室，北京 100038）

0 引 言

參考作物蒸散量（ET0）是指導農業灌溉的重要參數，它被定義為具有特定特征的假設作物參考表面的蒸散量，將ET0與不同作物系數相乘可得不同作物需水量[1]。因此ET0的準確計算對灌溉規劃和農業用水管理具有重大意義[2]。

Penman-Monteith（PM）公式是聯合國糧農組織推薦計算ET0的標準方法[3]，所需氣象要素包括最高氣溫、最低氣溫、相對濕度、2 m 高風速和日照時數[4]。但是在很多地區，由于降雨、儀器故障、人為誤操作等原因會導致氣象要素缺失，無法使用PM 公式計算[5]。因此，很多學者提出了基于較少氣象要素的簡化模型，例如Hargreaves-Samani 模型、Priestly-Taylor 模型和Irmak-Allen 模型等，但是這些模型的模擬精度不高[6]。隨著計算機技術和機器學習算法的發展，越來越多的機器學習算法應用于氣象要素缺失條件下ET0的預測，該方法簡便高效，易于推廣。WEN等[7]在氣象要素缺失條件下，使用支持向量機、人工神經網絡和經驗法Priestley-Taylor、Hargreaves-Samani 對蒸散量進行預測，得出支持向量機在蒸散量的估計方面比人工神經網絡和經驗法更準確的結果。程才華[8]在26個氣象要素缺失條件下，使用支持向量機對蒸散量進行模擬，得出模擬精度最高的氣象要素組合為氣溫、風速、日照時數、相對濕度。張薇等[9]在4 個氣象要素缺失組合下，使用3種基于樹型算法，包括梯度提升決策樹(GBDT)、隨機森林(RF)和回歸樹(CART)模型預測蒸散量，結果表明GBDT 和RF有較高模擬精度。……