在意大利东北部数据有限的情况下,用于估算新地点参考蒸发蒸腾量的机器学习模型

《European Journal of Agronomy》:Machine learning models for reference evapotranspiration estimation in new locations under data-limited conditions in Northeastern Italy

【字体: 大 中 小 】 时间:2026年05月04日 来源:European Journal of Agronomy 5.5

编辑推荐:

  乔治亚·雷蒙迪 | 雅各布·博纳托 | 卡梅洛·毛奇耶里 人类科学促进与生活质量系,圣拉斐尔开放大学,Via di Val Cannuta 247,罗马 00166,意大利 **摘要** 参考蒸发蒸腾量(ET0)是农业水文应用中的关键变量,但其估算受到直接测量成本高

  乔治亚·雷蒙迪 | 雅各布·博纳托 | 卡梅洛·毛奇耶里
人类科学促进与生活质量系,圣拉斐尔开放大学,Via di Val Cannuta 247,罗马 00166,意大利

**摘要**
参考蒸发蒸腾量(ET0)是农业水文应用中的关键变量,但其估算受到直接测量成本高昂以及间接方法所需数据量庞大的挑战。FAO-56 Penman–Monteith(FAO-56 PM)参考方程的高输入要求常常限制了其适用性,在数据稀缺的情况下更倾向于使用简单的替代方法,如Hargreaves方程。机器学习(ML)模型为减少数据输入需求提供了有希望的途径,同时提高了准确性,并可能实现时空转移性。本研究评估了线性(多元线性回归、Lasso、Ridge、弹性网络)和非线性(回归树、随机森林、XGBoost、支持向量回归—SVR 和人工神经网络—ANN)ML模型在意大利气候异质性较强的威尼托地区16个气象站进行ET0估算的效果。每日气象数据(1994–2022年)包括空气温度(T)、太阳辐射(Rs)、降水量和相对湿度。模型性能通过与FAO-56 PM方程和经过区域校准的Hargreaves方程进行对比,并在完整和减少气象输入配置下进行了评估,以检验其在未见地点的空间泛化能力和在未见年份的时间转移能力。SVR、XGBoost和ANN在大多数评估指标(如R2和NSE值接近0.96)上均优于其他模型。尽管时间转移能力略有下降,但三种模型的相关性和一致性指标仍然很高。输入变量减少分析表明,Rs和T是主要预测因子,相对湿度和降水量起次要作用。SVR、XGBoost和ANN在所有配置下均优于经过校准的Hargreaves方程,包括仅基于T和外源辐射的最小输入配置。总体而言,结果表明,在研究区域内,SVR、XGBoost和ANN模型能够提供准确且具有时空转移性的ET0估算,即使在数据有限的条件下也是如此。

**1. 引言**
参考蒸发蒸腾量(ET0)是农业气象学和水文学中的关键变量,它整合了土壤蒸发和植物蒸腾过程(Kool等人,2014年)。ET0对于灌溉调度、作物和生态系统建模、土壤水分平衡评估以及从局部到区域尺度的作物生长气候适宜性评估至关重要。因此,准确的ET0估算对于高效的农业水资源管理、干旱监测以及应对气候变化下的长期规划至关重要(Barrera等人,2023年;Elbeltagi等人,2022年;Elbeltagi等人,2023年;Salahudin等人,2023年)。

直接测量技术,如称重式蒸渗仪、Bowen比率系统、光学闪烁法和涡度协方差法,可以提供非常准确的ET0估算,但由于成本高昂、技术复杂性高、维护要求强以及需要熟练人员,这些技术主要限于研究环境(Anapalli等人,2018年;Daniel等人,2022年;De Bruin等人,1993年;Elbeltagi等人,2022年;Martí等人,2024年;Minacapilli等人,2016年;Rana和Katerji,2000年;Salahudin等人,2023年;Wang等人,2022年)。因此,实际ET0估算主要依赖于基于常规测量气象变量的间接方法。其中,FAO-56 Penman–Monteith(FAO-56 PM)方程被FAO全球推荐为ET0估算的参考方法,并用于评估其他方法,因为它具有坚实的物理基础并在多种气候条件下被证明是准确的(Elbeltagi等人,2023年;Pereira等人,2021年;Pereira等人,2025年;Salahudin等人,2023年)。尽管准确度高,但FAO-56 PM方程常常受到数据需求的限制,因为可靠的估算依赖于完整的气象变量集以及用于参数化的地理信息(Rahimikhoob,2010年;Wang等人,2022年)。在许多地区,由于站点网络稀疏、传感器故障、仪器过时和持续的数据质量问题,不完整或不可靠的气象数据集限制了其在发展中国家和发达国家的应用(Elbeltagi等人,2022年;Raza等人,2023年;Salahudin等人,2023年;Wang等人,2022年)。此外,现场测量、数据采集和后处理工作量大且耗时,进一步限制了FAO-56 PM方程的实际应用(Gavilan等人,2007年)。为了解决缺失或不可靠的气象输入问题,替代策略包括根据FAO指南估算缺失变量(Ndulue和Ranjan,2021年;Pereira等人,2015年)或采用简化的经验公式,如Hargreaves方程(Hargreaves,1994年),FAO-56论文在第3章中明确推荐在数据有限的情况下使用该公式进行ET0估算(Allen等人,1998年)。然而,这些简化方法通常具有很强的位置依赖性,需要局部或区域校准,从而限制了其在不同气候条件下的普遍适用性和稳健性(Berti等人,2014年;Fang等人,2024年)。

另一个全球性挑战是许多气象站缺乏长期连续的历史记录。实际上,许多站点仅间歇性或季节性运行,且可用数据经常包含误差(Castellanos-Acuna和Hamann,2020年;Menne等人,2012年)。计算建模的进步促进了机器学习(ML)方法在全球范围内用于ET0估算的采用,Raza等人(2021a)的系统性综述对此进行了记录。ML模型特别吸引人,因为它们能够在没有显式物理表示的情况下捕捉气候变量与ET0之间的非线性关系(Abdullah和Malek,2016年;Goci?和Arab Amiri,2021年;Kumar等人,2024年;Makwana等人,2023年;Reis等人,2019年),并且可以在输入数据集减少的情况下运行,计算成本相对较低(Elbeltagi等人,2022年;Elbeltagi等人,2023年;Ibrahim,2016年;Kumar等人,2024年;Salahudin等人,2023年;Wang等人,2022年)。

基于ML的模型通过识别几种不同的最小气象输入集来减少输入数据需求,从而确保可靠的ET0估算(Raza等人,2021a;Raza等人,2021b)。多项研究一致认为,最高(Tmax)和最低(Tmin)空气温度以及太阳辐射(Rs)是影响ET0估算的最重要输入(Elbeltagi等人,2023年;Ravindran等人,2021年;Tang等人,2025年;Yong等人,2023年;Zhou等人,2024年)。然而,与温度不同,Rs的测量数据往往缺失或不可靠,这促使人们使用替代指标,如日照时长(Wang等人,2022年)或外源辐射(Ra)(Liu等人,2025年)。总体而言,文献表明没有一种通用组合适用于所有气候区域,因为变量的重要性取决于模型结构、气候条件和地理环境,尽管在相似气候类型内可能会出现相对一致的组合。除了这一开放的研究空白外,基于ML的ET0建模中的一个主要未解决挑战是ML模型的空间泛化能力有限,这些模型通常是站点特定的,在校准域外表现较差(Raza等人,2021a;Raza等人,2021b)。尽管在气候同质区域内通常能获得良好的结果,但不同气候区之间的系统验证缺乏,这阻碍了对空间和气候转移能力的稳健评估(Elbeltagi等人,2022年)。

意大利东北部的威尼托地区具有明显的气候和地形异质性(Di Nunno等人,2023年),为基于ML的ET0建模提供了合适的测试平台。该地区涵盖了地中海沿岸气候、内陆温和大陆性气候以及阿尔卑斯山气候,这些气候类型伴随着不同的空间和时间ET0模式,必须明确考虑这些因素以实现准确的水资源管理(Di Nunno等人,2023年)。这一点尤为重要,因为威尼托是意大利农业生产力最高的地区之一(Canavari等人,2021年;Straffelini和Tarolli,2023年),灌溉需求较高(Salmaso等人,2025年)。在威尼托,与许多其他地区一样,FAO-56 PM方程的应用常常受到数据可用性有限、数据缺失或测量不确定性的限制(Berti等人,2014年)。因此,Hargreaves方程被广泛作为操作性替代方法采用(Stergiadi等人,2020年;Salmaso等人,2025年)。然而,尽管简单,但Hargreaves方程已被证明会根据气候条件、空间设置和时间尺度系统性地高估(Itenfisu等人,2003年;Temesgen等人,2005年;Trajkovic,2007年)或低估(Subburayan等人,2011年)ET0,通常需要特定站点或区域校准才能达到可接受的准确性(Droogers和Allen,2002年;Vanderlinden等人,2004年)。在威尼托,Berti等人(2014年)提出了一种区域校准方法,改善了平原地区的平均ET0估算,但仍然存在季节性和空间变异性,且该方法依赖于高质量的参考数据,限制了其在气候异质地区的适用性。

在这种背景下,需要测试能够在数据有限的情况下利用减少或不完整气象数据的替代方法。据作者所知,目前尚无最新研究评估意大利该地区的ML模型用于ET0估算。来自意大利北部的唯一例子是Liyew等人(2023年)的研究,该研究测试了基于深度学习的模型(表现最佳),同时结合了经典ML方法和统计技术来确定最相关的气象输入。然而,该分析仅限于2014–2017年的短时间序列和单个站点(Cogne,AO)。

全球范围内,已有多种ML模型应用于ET0估算,包括线性模型、非线性模型、基于树的模型和神经网络模型,其性能受输入选择和气候条件的强烈影响。线性模型和正则化线性模型,包括普通最小二乘法、Ridge(RR)、Lasso(LaR)和弹性网络回归(ENR),已被用作各种研究的基线方法;然而,其性能通常不如非线性ML模型,特别是在多变的气候条件下(Raza等人,2023年)。例如,Raza等人(2023年)表明,在极端干旱、半干旱和湿润气候条件下,多元线性回归(MLR)的准确性低于非线性ML模型,这突显了线性公式表示ET0复杂关系的能力有限。

在非线性ML模型中,基于边际的方法,特别是支持向量回归(SVR),已被广泛用于参考ET0估算。多项研究表明,SVR在包括内陆山区流域(Yin等人,2017年)和干旱环境(Wen等人,2015年)在内的多种应用中优于其他技术,同时在加利福尼亚的多个站点也提供了可靠的ET0估算(Ki?i和Cimen,2009年)。后续的比较分析进一步证实了SVR基模型相对于自适应神经模糊推理系统(ANFIS)、基因表达编程(GEP)、长短期记忆(LSTM)和卷积神经网络(CNN)架构以及在多种气候条件和减少输入情况下的强大且一致的性能(Ahmadi等人,2021年;Mohammadrezapour等人,2019年;Yin等人,2022年)。Fan等人(2018年)报告称,SVR在中国代表多种气候类型的站点中优于基于树的集成模型。相比之下,Raza等人(2023年)发现,在巴基斯坦多种气候类型(极端干旱、半干旱和湿润)中实施和评估ML模型时,SVR与其他测试模型(如径向基函数神经回归(RBFNreg)和MLR)相比表现不佳。同样,Yin等人(2022年)发现,在中国Cele河流域的沙漠与绿洲过渡带,基于树的方法(如随机森林(RF)的表现优于SVR。总体而言,这些对比结果表明,不同研究中的气象输入变量存在显著差异,这强烈影响了SVR基模型的相对性能。

基于树的模型,包括回归树(RT)、RF和梯度提升集成(如XGBoost),已被广泛用于ET0估算。多项研究强调了它们在减少输入情况下的强大性能。Wu等人(2019年)表明,当以温度和Ra为输入时,基于树的方法(如RF和XGBoost)优于其他ML技术。Elbeltagi等人(2023年)发现,与随机子空间(RSS)和加性回归(AR)方法相比,减少误差修剪树(Reduced Error Pruning Tree)是最准确的模型,同时指出温度和Rs是最敏感的预测因子。Wang等人(2022年)报告称,在巴基斯坦的多个站点中,仅使用温度输入配置时,Tree-Boost(TB)方法取得了最高的整体性能,ε-SVM使用RBF核也得到了类似的结果;然而,作者强调了模型性能的强烈区域依赖性以及在模型转移前进行仔细校准的必要性。来自巴西和中国的多站点研究的进一步证据支持了基于树木的集合模型在有限气象输入条件下进行区域尺度蒸发量(ET0)估算的稳健性,这些模型的准确性通常可与FAO-56 PM方程相媲美(Fan等人,2018年;Ferreira和da Cunha,2020年)。此外,Salahudin等人(2023年)表明,基于树木的模型仅使用三个有效输入(最低温度Tmin、平均相对湿度RHavg和风速WS)就能准确估算ET0,并且基于树木的方法的集合模型能够进一步提高预测性能;作者还评估了这些模型在相邻和遥远站点之间的可转移性,以明确考虑气候变异性。基于神经网络的模型,通常实现为多层感知器(ANN/MLP),在各种气候和农学条件下都表现出令人满意的表现(Ferreira和da Cunha,2020年;Tang等人,2018年;Wen等人,2015年;Yin等人,2017年)。然而,它们的性能对输入配置、数据可用性和特定地点的特征敏感。尽管具有普遍的近似能力和一般的良好预测能力,但多项比较研究表明,在输入有限或数据稀缺的条件下,基于ANN的模型以及深度学习架构(如CNN和LSTM)的表现不如其他机器学习方法(包括SVR)(Yin等人,2017年;Yin等人,2022年)。最后,Elbeltagi等人(2022年)研究了巴基斯坦ET0估算的混合建模策略,评估了多种基于自回归(AR)的混合变体。他们的结果表明,在气象输入受限的条件下,AR-M5P模型表现最佳,确定最低温度、平均相对湿度RHavg、风速WS和日照时长是最有影响力的预测因子。

总体而言,文献显示模型类型、所需输入数据集和空间-气候可转移性存在很大差异,这表明稳健且通用的ET0估算仍然是一个未解决的研究挑战。在这种情况下,出现了一些研究空白和挑战:(i)需要在气候异质性和数据有限的地区(如威尼托)对机器学习(ML)模型进行全面和最新的比较评估,因为数据限制影响了FAO-56 PM方程的应用,现有研究要么不足,要么基于短期时间序列;(ii)对ML模型在多种气候和地形条件下的空间泛化能力仍了解不足;(iii)需要通过独立未来时期的验证来更好地评估模型的时间可转移性和稳健性;(iv)需要在减少输入配置的情况下系统地比较不同类型的ML模型,平衡模型复杂性、数据需求和预测性能,因为线性模型简单但捕捉非线性ET0动态的能力有限,而非线性模型虽然更准确,但对输入、数据可用性和气候条件非常敏感;(v)需要在数据受限的条件下,并与广泛使用的经验方法(如Hargreaves方程)进行ML方法的稳健性基准测试,因为后者可能存在位置依赖性、偏差和有限的可转移性。

为了应对这些研究空白和挑战,本研究旨在:(i)使用1994年至2022年的历史气象数据系列,评估和比较MLR、LaR、RR、ENR、RT、RF、XGBoost、SVR和ANN模型在意大利东北部(威尼托)这一气候和地形异质地区对ET0估算的预测性能和稳健性,与FAO-56 PM方程进行对比;(ii)通过在不同气候条件下的气象站点上测试这些模型的性能,来评估其空间泛化能力;(iii)在历史数据系列上训练这些模型,并在随后几年对其进行测试,以评估其时间可转移性;(iv)评估在减少输入配置下表现最佳的基于ML的ET0估算模型;(v)在不同的减少输入数据情景下,评估这些模型与Hargreaves方程的对比性能。

2. 材料与方法
2.1. 研究区域的地理和气候特征
威尼托地区(18,364平方公里)海拔跨度从-7米到超过3000米,包括广阔的平原、亚得里亚海沿岸、丘陵、阿尔卑斯山前地带和山前地带(Fratianni和Acquaotta,2017年)。这些对比鲜明的地形导致了空气温度、相对湿度(Rs)和风况的空间变异性,这种变异性由海拔、大陆性与海洋性过渡以及主导气流的影响所驱动。平原地区呈现亚大陆性温带气候(主要为Cfa型),夏季炎热(>30°C),冬季最低温度常低于0°C,年降水量为600-900毫米。沿海地区受到更强的海洋性调节作用,相对湿度较高。阿尔卑斯山区则呈现寒冷温带至雪线气候,降水量丰富(高达3000毫米),这与K?ppen-Geiger分类法对高海拔和雪线气候的描述一致(K?ppen,1936年;Geiger,1961年;Pinna,1978年)。最近的观测表明该地区正在变暖,气候变异性增加,热浪和强降雨事件的频率更高(Sofia等人,2017年;Bonzanigo等人,2016年;ARPAV,2017年;ARPAV,2021年),而预测显示未来这种变化可能会继续(Mysiak等人,2018年)。为了捕捉这种异质性并评估ET0模型在不同气象条件下的表现,我们在主要的海拔和气候梯度上选择了16个站点(图1)。

2.2. 方法论框架
本研究采用多阶段分析框架来评估威尼托地区的ET0估算ML模型。气象数据由ARPAV提供,时间跨度为1994-2022年,包括2米高度的日平均温度(°C,Tmax、Tmin和平均温度Tavg)、相对湿度(MJ m-2,Rh),2米高度的最低相对湿度(RHmin和最高相对湿度RHmax)(图1S至16S),以及使用FAO-56 PM方程计算的ET0(mm)(Pereira等人,2015年)。

2.3. 探索性数据分析
2.3.1. 互信息测量
互信息(I)(Shannon,1998年;Cover和Thomas,2005年)量化了两个随机变量X和Y之间的共享信息,衡量了解其中一个变量后对另一个变量的不确定性减少的程度。I使用熵(H)的概念来定义,熵是衡量随机变量不确定性的指标,计算公式为:
(1) H(X) = ?∑px log p(x)
其中p(x)是离散变量X的概率分布。当p(x)为0或1时,H(X)为0,表示与该概率相关的事件完全已知,没有不确定性。根据熵的定义,I定义为:
(2) I(X, Y) = H(X) + H(Y) ? H(X, Y)
其中H(X)和H(Y)是变量X和Y的边缘熵,H(X, Y)是它们的联合熵。I值表示X和Y之间的依赖程度,以比特为单位。例如,当I(X, Y) = 0时,表示X和Y独立;较高的I值表示它们之间的关联更强。
我们使用I(公式2)来量化通过了解单一环境特征所获得的ET0信息增益或不确定性减少量。通过对每个环境变量估计所需的概率分布,并将每个时间序列中的测量值离散化为10个等宽的区间,来计算互信息。我们尝试了不同的离散化方案,区间数量范围为[5, 10, 15, 20, 25, 30, 35, 40, 45, 50]。在这些配置中,选择10个区间的离散化方案,因为它在有限的采样偏差和离散变量的表示能力之间提供了最佳的平衡(Paninski,2003年)。在这种配置下,每个气象站点的平均样本数量约为9 × 10^2,足以确保由于样本量有限而对互信息估计产生的正偏差可以忽略不计。同时,使用10个区间可以保持足够的分辨率,以充分捕捉变量之间的依赖结构,避免因过度粗略的离散化而导致的过多信息丢失。
为了评估互信息值的统计显著性,我们进行了非参数排列测试。这涉及将环境特征时间序列随机排列104次,以消除ET0与特征之间的任何关系,从而生成一个互信息值的零分布。如果某个互信息值超过了零分布的95百分位数,则认为该值具有显著性。

2.3.2. t分布随机邻域嵌入(t-SNE)
t-SNE(Hinton和Roweis,2002年;Van der Maaten和Hinton,2008年)是一种非线性降维技术,它将高维数据映射到低维空间(通常是二维或三维空间)以便可视化。该算法擅长保持局部结构,非常适合探索复杂的数据集。它通过使用高斯概率分布计算高维空间中数据点之间的成对相似性:
(3) pij = exp(?||xi ? xj||2/2σi2) ∑i≠j exp(?||xi ? xj||2/2σi2)
其中xi和xj是数据点,σi是点i的高斯分布的方差。困惑度参数控制每个数据点考虑的最近邻居数量,影响局部结构与全局结构之间的平衡(在我们的分析中,困惑度设置为10)。较高的困惑度值强调全局结构,而较低的困惑度值则关注局部结构。然后使用t分布将这些相似性映射到低维空间:
(4) qij = (1 + ||yi ? yj||2)?1 ∑i≠j (1 + ||yi ? yj||2)?1
其中yi和yj是低维空间中的对应点。目标是最小化高维和低维概率分布之间的Kullback-Leibler(KL)散度:
(5) KL(P || Q) = ∑i≠j pij log pi j qij
使用梯度下降法迭代更新低维空间中点的位置。这种优化过程产生的可视化结果中,低维空间中距离较近的点在高维空间中也很可能相似。

2.3.3. 变量相关性分析
使用Spearman相关性检验获得了16个站点之间的相关性值(中位数±标准误差)。具体来说,为每个站点计算了一个相关矩阵,然后计算了该矩阵每个元素之间的中位数。

2.4. 机器学习模型
2.4.1.**支持向量回归**
支持向量回归(SVR)模型(Drucker等人,1996年)采用了高斯(径向基函数,RBF)(Bishop,2007年)核函数,是对SVR框架的扩展,用于处理回归问题。与分类SVR不同,分类SVR旨在找到一个超平面来分隔不同类别,而回归SVR则试图找到一个函数来近似输入变量与连续输出值之间的关系。高斯核函数特别适用于捕捉数据中的非线性关系,它通过将输入变量映射到一个更高维的空间中,使得线性函数能够更好地近似数据。高斯核函数定义为:
$$
K(x, x') = \exp(-\gamma(x - x')^2)
$$
其中$x$和$x'$是输入数据点,$\|x - x'\|$是它们之间的欧几里得距离,$\gamma > 0$是控制高斯函数宽度的核参数,从而影响最终函数的平滑度。回归SVR的目标是找到一个函数$f(x)$,使得每个训练点的实际输出与预测输出之间的偏差$\epsilon$最大为$\epsilon$,同时最小化模型复杂度。参数$\epsilon \geq 0$定义了一个$\epsilon$-不敏感区域,在该区域内预测误差不会受到惩罚。SVR还包括一个惩罚参数$C$,用于控制模型平坦度与对误差容忍度之间的平衡,以防止模型过拟合。

在本研究中使用的SVR模型采用了四个气象输入变量$x = (Tmax, Tavg, Tmin)$、$Rs$、$RH (RHmin, RHmax)$和$P$来预测相应的ET0值。在训练阶段,SVR模型被优化以准确预测使用FAO-56 PM方程计算出的ET0值。训练过程中探索的SVR超参数范围为:$C = [0.01, 0.1, 1, 10, 100]$,$\gamma = [0.1, 1, 10, 100]$,$\epsilon = 0.1$。在测试阶段,通过在训练阶段未使用的数据上评估其预测结果与FAO-56 PM方程得到的ET0值之间的吻合度来评估优化后的SVR模型的性能。

**2.4.2 多元线性回归**
多元线性回归(MLR)是一种参数化回归方法,用于建模一组输入变量与连续目标变量之间的线性关系(Bishop,2007年)。该模型假设因变量可以表示为输入预测变量的加权线性组合加上一个截距项。给定一个输入向量$x = (x1, x2, \ldots, xp)$,线性回归模型定义为:
$$
f(x) = \beta_0 + \sum_{i=0}^P \beta_i x_i
$$
其中$\beta_0$是截距,$\beta_i$(对于$i = 1, \ldots, p$)是回归系数。这些参数通常通过最小化观测值与预测值$f(x)$之间的残差平方和来估计。在这个模型中,线性回归被用作基线模型,不涉及任何正则化或可调的超参数。

**2.4.3 岭回归**
岭回归(RR)是线性回归的扩展,它结合了L2正则化来降低模型复杂度并减少输入变量之间的多重共线性(Bishop,2007年)。考虑到方程8中$f(x)$的定义,RR的目标函数定义为:
$$
\min_{\beta} \left(\frac{1}{2} \sum_{i=1}^N (y - f(x))^2 + \alpha \sum_{i=1}^N \beta_i^2\right)
$$
其中$\alpha$控制L2范数惩罚的强度,$\beta_i$是回归系数,$y$是待预测的真实值。较大的$\alpha$值会增加系数的收缩程度并提高模型稳定性,但代价是增加偏差。在本研究中,通过测试以下正则化参数$\alpha \in \{0.001, 0.01, 0.1, 1.0, 10.0, 100.0, 1000.0\}$来优化岭回归模型。

**2.4.4 Lasso回归**
Lasso回归(LaR,最小绝对值收缩和选择算子)引入了L1范数正则化,通过强制某些系数变为零来鼓励回归系数的稀疏性(Bishop,2007年)。在这种情况下,目标函数定义为:
$$
\min_{\beta} \left(\frac{1}{2} \sum_{i=1}^N (y - f(x))^2 + \alpha \sum_{i=1}^N \beta_i^1\right)
$$
其中$\alpha$控制L1范数惩罚的强度,$\beta_i$是回归系数,$y$是待预测的真实值。这一特性使得LaR能够进行隐式特征选择,特别是在处理相关预测变量时非常有用。通过测试以下正则化参数$\alpha \in \{0.001, 0.01, 0.1, 1.0, 10.0, 100.0, 1000.0\}$来优化LaR模型。

**2.4.5 弹性网络回归**
弹性网络回归(ENR)结合了Lasso回归(LaR)和岭回归(RR)的特性,同时采用了L1和L2正则化(Bishop,2007年)。目标函数为:
$$
\min_{\beta} \left(\frac{1}{2} \sum_{i=1}^N (y - f(x))^2 + \alpha \lambda \beta_1 + 1 - \lambda \sum_{i=1}^N \beta_i^2\right)
$$
其中$\alpha$控制整体正则化强度,$\lambda$决定了L1和L2惩罚之间的平衡,$\beta_i$是回归系数,$y$是待预测的真实值。在这个模型中,超参数的选择范围为:$\alpha \in \{0.001, 0.01, 0.1, 1.0, 10.0\}$,$\lambda \in \{0.1, 0.3, 0.5, 0.7, 0.9\}$。

**2.4.6 回归树**
简化误差剪枝回归树(Reduced Error Pruning Regression Tree,Quinlan,1987年)是一种单决策树回归模型,旨在通过剪枝来控制模型复杂度并提高泛化能力。该模型使用决策树回归器实现,剪枝通过成本-复杂度剪枝来实现,这是对传统简化误差剪枝的近似。通过调整几个结构和剪枝相关的超参数来训练树,包括最大树深度($max_depth \in \{3, 5, 10, 15, None\}$)、分割内部节点所需的最小样本数($min_samples_split \in \{2, 5, 10, 20\}$)以及叶节点所需的最小样本数($min_samples_leaf \in \{1, 5, 10, 20\}$)。通过成本-复杂度剪枝参数($ccp_alpha \in \{0.0, 0.01, 0.05, 0.1\}$进一步调节模型复杂度,该参数通过剪除对预测性能贡献较小的分支来惩罚过于复杂的树。这些超参数共同允许对树的生长和剪枝进行精细控制,从而在模型准确性和泛化能力之间取得平衡。

**2.4.7 随机森林回归**
随机森林回归(RF,Breiman,2001年)是一种集成学习方法,它使用训练数据的自助样本构建多棵决策树,并通过平均它们的预测结果来进行聚合。与单个决策树相比,这种方法减少了方差并提高了泛化能力。RF模型的训练超参数范围为:树的数量$[50, 100, 200]$,最大树深度$[None, 10, 20, 30]$,分割节点所需的最小样本数$[2, 5, 10]$。

**2.4.8 XGBoost**
XGBoost(Chen和Guestrin,2016年)是一种基于梯度提升决策树的可扩展集成方法。它依次构建树,每棵新树都会纠正前一个集成模型的错误,并结合正则化来防止过拟合。XGBoost模型使用平方误差损失函数进行训练,并通过RMSE进行评估。本研究中考虑的超参数包括:提升树的数量$[100, 200, 300]$,最大树深度$[2, 3, 4]$,学习率$[0.03, 0.05, 0.1]$,L1正则化$[0, 0.1, 1]$,L2正则化$[1, 5, 10]$,每棵树的列采样比例$[0.5, 0.7, 0.9]$。

**2.4.9 人工神经网络**
人工神经网络(ANN,Bishop,2007年)模型采用了具有三个隐藏层的多层感知器(MLP)架构,每层包含20个神经元。使用修正线性单元(ReLU,Agarap,2018年)激活函数来引入非线性并促进高效训练。网络通过最小化均方误差(MSE)损失函数进行训练,并通过L2权重衰减进行正则化,该正则化由超参数$\alpha$控制,用于惩罚较大的权重以减少过拟合。正则化参数$\alpha$在范围$[0.0001, 0.001, 0.01]$内进行优化。训练使用Adam优化器(Kingma,2014年)进行,这是一种基于随机梯度的优化算法,可以自适应地调整每个参数的学习率,初始学习率在$[0.001, 0.01, 0.1]$范围内调整。ANN训练了1000个周期。

**2.5 模型的训练和测试**
**2.5.1 ML空间泛化**
为了评估模型在先前未见位置的泛化能力,我们实施了五折验证程序(图2)。16个位置被随机分为五组。唯一的强制要求是,代表两个最高海拔气象站的Misurina和Asiago必须分配到不同的组中。每次迭代时,我们使用其中四组的数据训练模型,并在剩余的一组上进行测试。这种方法确保我们在评估模型在未见空间位置的测试数据上的性能时拥有足够的数据。从现在开始,我们将这些测试数据称为空间未见测试数据。在模型训练之前,所有输入变量都通过减去均值并缩放到单位方差来进行标准化,缩放参数仅从训练数据集中估计,并随后应用于测试集。然后使用R2、RMSE、MAE、KGE、d、NSE和sMape指标(详见2.4.3节)分别评估每个位置的模型性能。所有评估指标都是在将预测的ET0值和用FAO-56 PM方程计算的参考ET0值重新缩放到原始物理单位后计算的,即通过反转标准化过程,即乘以标准差并加上均值。

**2.5.2 ML时间迁移性**
为了评估模型的时间迁移能力,我们使用时间敏感的实验设计重复了上述的5折交叉验证程序。在这种情况下,训练数据仅包含截至2019年12月31日的观测值,而测试数据仅包含2020年1月1日及以后的观测值。与空间泛化配置类似,我们为每个位置收集了测试结果,并使用R2、RMSE、MAE、KGE、d、NSE和sMAPE指标(详见2.5.3节)评估模型性能。这种实验设置能够评估模型在时间和空间上的泛化能力,紧密反映了实际操作场景。

**2.5.3 指标**
回归模型的性能特征,特别是当应用于气候变量时,不能仅用一个指标来完全描述。不同的度量标准强调模型的不同方面,例如整体拟合度、对大误差的敏感性以及再现变异性和时间动态的能力。因此,通常结合使用多个互补的性能指标来提供更全面和稳健的模型准确性、可靠性和泛化能力评估。

**2.5.3.1 R2**
R2是一个统计度量,表示回归预测与实际数据点的接近程度。它表示可以从独立变量预测的因变量方差的比例,计算公式如下:
$$
R^2 = 1 - \frac{\sum_{i=1}^N (y_i - \hat{y}_i)^2}{\sum_{i=1}^N (y_i - \bar{y}_i)^2}
$$
其中:$y_i$是实际值,$\hat{y}_i$是预测值,$\bar{y}_i$是实际值的均值,$n$是观测数量。R2的值范围从0到1。R2 = 1表示回归模型完美地拟合了数据,意味着目标变量的100%方差被模型解释。R2 = 0意味着模型没有解释任何方差,相当于仅使用目标值的均值作为预测器。当模型的拟合效果比数据的均值差时,可能会出现负值。

**2.5.3.2 RMSE(均方根误差)**
RMSE是衡量回归模型中预测值与实际值之间差异的指标。它是预测值与实际观测值之间平方差异的平均值的平方根,计算公式如下:
$$
RMSE = \sqrt{\frac{1}{N} \sum_{i=1}^N (y_i - \hat{y}_i)^2}
$$
其中$y_i$是实际值,$\hat{y}_i$是预测值,$N$是观测数量。RMSE提供了与目标变量相同单位的绝对拟合度度量,使其更容易解释。较低的RMSE值表示更好的拟合效果,RMSE = 0表示模型预测与实际值完全匹配。

**2.5.3.3 MAE(平均绝对误差)**
MAE是一个衡量回归模型中预测值与观测值之间平均误差大小的指标,不考虑误差的方向。它计算公式为:
$$
MAE = \frac{1}{N} \sum_{i=1}^N |y_i - \hat{y}_i|
$$
其中$y_i$是实际值,$\hat{y}_i$是预测值,$N$是观测数量。MAE提供了一个直观且易于解释的模型准确性度量,因为它与目标变量使用相同的单位。较低的MAE值表示更好的模型性能,MAE = 0对应于完美的预测。与RMSE不同,MAE不会过度惩罚较大的误差,因此对异常值更为稳健。KGE(Kling–Gupta 效率)(Gupta 和 Kling,2011)是一种常用于水文学中的性能指标,通过综合考虑相关性、偏差和变异性来评估模拟值与观测值之间的一致性。其定义如下:
KGE = 1 ? (r ? 1)2 + (β ? 1)2 + (γ ? 1)2
其中 r 是观测值与预测值之间的线性相关系数,β 是偏差比(预测值的平均值除以观测值的平均值),γ 是变异性比(预测值的标准差除以观测值的标准差)。KGE 的范围从负值到 1,KGE = 1 表示模拟值与观测值之间完全一致。KGE 值大于 0.75 通常表示模型性能非常好,反映了在相关性、变异性和偏差方面的强对应关系。0.5 到 0.75 之间的值通常被解释为性能令人满意,而 0 到 0.5 之间的值表示预测能力有限,表明模型捕捉到了一些观测动态的方面,但存在显著缺陷。负的 KGE 值表示性能较差,意味着模型预测不如使用观测值的平均值作为基准。由于其分解为相关性、偏差和变异性三个组成部分,KGE 提供了对模型性能的平衡和有信息量的评估。

2.5.3.5. d(一致性指数)
d(Willmott,1981)是一个无量纲统计量,用于衡量预测值与观测值之间的一致程度。其计算公式为:
d = 1 ? ∑i=1N(yi ? y?i)2 / ∑i=1N(y?i ? y? + yi ? y?)2
其中 yi 是观测值,y?i 是预测值,y? 是观测值的平均值,N 是观测数量。
一致性指数的范围从 0 到 1,d = 1 表示完全一致,d = 0 表示预测值与观测值之间没有一致性。该指标对幅度和模式的差异都很敏感,因此适用于评估整体模型性能。

2.5.3.6. NSE(Nash–Sutcliffe 效率)
NSE(Nash 和 Sutcliffe,1970)是水文学建模中广泛使用的指标,用于评估模型相对于观测数据平均值的预测能力。其定义如下:
NSE = 1 ? ∑i=1N(yi ? y?i)2 / ∑i=1N(yi ? y?)2
其中 yi 是观测值,y?i 是预测值,y? 是观测值的平均值,N 是观测数量。
NSE 的范围从 -∞ 到 1。NSE 值为 1 表示完全一致,而 NSE = 0 表示模型的预测能力不比使用观测值的平均值更好。负值表示模型的预测能力低于基于平均值的预测器。

2.5.3.7. sMAPE(对称平均绝对百分比误差)
sMAPE(Goodwin 和 Lawton,1999)是一种标准化的误差指标,它以百分比表示预测准确性,同时减少了传统 MAPE 中存在的不对称性问题。其定义如下:
sMAPE = 2 * 100 / N ∑i=1N(yi ? y?i) / (yi + y?i)
其中 yi 是观测值,?i 是预测值,N 是观测数量。sMAPE 的范围从 0% 到 200%,较低的值表示模型性能更好。0% 的值对应于完美的预测。由于 sMAPE 不依赖于尺度,因此在比较不同数据集或地点的模型性能时特别有用。

2.6. 在输入数据减少的情况下的机器学习性能
为了评估机器学习模型在输入数据减少条件下的 ET0 估计预测性能,重复了第 2.5.1 节中描述的程序,对每个模型进行了四种不同情况的测试。在 No-T 情况下,所有气温变量(Tavg、Tmin、Tmax)都被排除。在 No-RH 情况下,相对湿度变量(RHmin、RHmax)被移除。在 No-Rs 情况下,Rs 被排除;而在 No-P 情况下,降水量从输入集中被移除。这种实验设计能够量化由于特定气象变量被排除而导致的性能下降,从而间接衡量它们在 ET0 估计中的相对重要性。

2.6.1. 对预测残差的层次自助法测试
为了评估输入数据减少的模型在不同地点是否表现出系统偏差,我们对预测残差进行了层次非参数自助法测试。
对于每个地点,残差被计算为预测值与观测值之间的差异。然后计算每个地点的平均残差,并将观察到的统计量定义为地点级平均残差的中位数,从而减少了对异常值的敏感性,并考虑了地点间的异质性。
为了估计该统计量的零分布,采用了层次自助法程序(Davison 和 Hinkley,1997;Field 和 Welsh,2007)。在每次自助法迭代中,每个地点的残差都进行了有放回的重采样。然后从自助样本中重新计算每个地点的平均残差,并计算地点间的中位数。这个过程重复了 5000 次,得到了城市级平均残差的中位数经验分布。
统计显著性使用双侧自助法测试进行评估。p 值被计算为自助法中位数绝对值大于或等于观察到的中位数绝对值的比例。

2.7. 机器学习模型与 Hargreaves 方程的比较
Hargreaves 方程是一种经验方法,不涉及参数优化的训练过程,与可以调整多个参数以最大化预测性能的机器学习模型不同。这种固有的局限性可能使得原始的 Hargreaves 公式不够理想。
然而,对于研究区域,采用了 Berti 等人(2014)提出的本地校准版本的 Hargreaves ET0 方程,该公式在区域尺度上提高了 ET0 估计的准确性。因此,在本研究中使用这个校准公式作为与基于机器学习的 ET0 估计的基准进行比较,其定义如下:
ET0 = 0.0020 × Ra × (Tavg + 17.8) × (Tmax ? Tmin) ^ 0.5
其中 24 小时周期内的 Tavg 定义为每日最高温度(Tmax)和最低温度(Tmin)的平均值,单位为摄氏度(°C)。Ra 是以 mm day?1 表示的地表辐射。模型性能的评估如第 2.5.3 节所述。
为了评估机器学习模型在 ET0 估计方面的预测性能与 Hargreaves 方程的比较,设计了三种不同的实验设置。在第一个实验中,每个机器学习模型都使用第 2.5.1 节中描述的完整输入变量集进行训练。在第二个实验中,应用了相同的训练程序;但是,只使用了三组气象变量——气温(Tmax、Tavg、Tmin)、相对湿度(RHmin、RHmax)和降水量(P)作为输入,而日地表辐射(Ra)被用作测量的 Rs 的替代品。最后在第三个实验中,输入特征集进一步简化为仅包括气温变量(Tmax、Tavg、Tmin)以及日地表辐射(Ra)。这种配置反映了数据驱动的机器学习模型与经验 Hargreaves 方法之间的直接和公平比较。
对于所有实验设置,机器学习模型和 Hargreaves 方程的性能都是根据 FAO-56 PM 方程进行评估的,后者被用作基准参考。模型评估使用了第 2.5.1 节中描述的性能指标和验证方法。所有代码都是用 Python 3.9.6 开发的,机器学习模型使用 scikit-learn 1.4.2 库实现和训练的。硬件基础设施由八个 CPU(AMD EPYC 7413)组成,运行在 Ubuntu 22.04 桌面操作系统上,配备了 16 GB 的 RAM。

3. 结果
3.1. 变量描述和评估
在 t-SNE 图中,可以识别出四个具有连贯气象条件的簇。通过考虑气象站的海拔高度(用于颜色编码),簇结构与海拔高度之间的关系变得明显(图 3)。第一个簇由位于低海拔地区的站点组成(从 -3 到 49 米),如 Pradon、Apollinare、Castelnovo、Lonigo、Bibione、Noventa、Castelfranco、Roverchiara 和 Legnaro。第二个簇代表位于中等海拔地区的站点(从 90 到 284 米),包括 Marano、Bassano 和 Conegliano。第三和第四簇由位于高海拔地区的站点组成(>1000 米),包括 Asiago、Misurina 和 Bosco。尽管 Valeggio 位于 120 米,但它与低海拔站点聚类在一起,这可能是由于它靠近加尔达湖,可能影响了其微气候。

下载:下载高分辨率图像(80KB)
下载:下载全尺寸图像
图 3. 十六个气象站每年平均的气象变量(太阳辐射、最高温度、平均温度和最低温度、降水量、最低和最高空气相对湿度)的 t-d 分布随机邻域嵌入(t-SNE)图。每个点代表特定气象站某一年的 t-SNE 投影,颜色编码表示站点的高度。
包含在 SVR 模型中的气象变量之间的相关矩阵揭示了几种显著的关系(图 4)。Rs 与 Tmax、Tavg 和 Tmin 显示出正相关,相关值分别为 0.62 ± 0.02、0.74 ± 0.01 和 0.80 ± 0.01。Rs 与 P(ρ: ?0.33 ± 0.03)和空气湿度(RHmin ρ: ?0.7 ± 0.03,RHmax ρ: ?0.1 ± 0.04)显示出负相关。所有温度之间都呈正相关,平均 ρ 为 0.9。P 与 RHmin(ρ: 0.46 ± 0.01)和 RHmax(ρ: 0.28 ± 0.04)以及 Tmin(ρ: 0.06 ± 0.02)呈正相关。相比之下,P 与 Tavg(?0.03 ± 0.02)和 Tmax(?0.10 ± 0.02)呈负相关。

下载:下载高分辨率图像(50KB)
下载:下载全尺寸图像
图 4. 十六个气象站所有监测气象变量的平均相关矩阵(Spearman 相关性)(太阳辐射 - Rs、最高温度 - Tmax、平均温度 Tavg、最低温度 - Tmin、降水量 - P、最低空气相对湿度 - RHmin、最高空气相对湿度 - RHmax)。
为了确定每个气象变量是否有助于增加关于 ET0 值的信息量,计算了每个变量与 ET0 之间的互信息。所有变量都对确定 ET0 有显著贡献。然而,变量之间的互信息值有所不同,其中 Rs 的影响最大,中位互信息值为 0.88 比特(SE = 0.02)(图 5 和图 17S)。Tmax、Tavg 和 Tmin 的互信息值范围从 0.4 到 0.67 比特(SE = 0.01),突显了温度在 ET0 估计中的重要性。RHmax 和 RHmin 的互信息值分别为 0.026 比特(SE = 0.007)和 0.25 比特(SE = 0.02)。P 是预测能力最弱的变量,其互信息值仅为 0.0064 比特(SE = 0.0008)。

下载:下载高分辨率图像(62KB)
下载:下载全尺寸图像
图 5. 十六个气象站每个气象变量(太阳辐射 - Rs、最高温度 - Tmax、平均温度 Tavg、最低温度 - Tmin、降水量 - P、最低空气相对湿度 - RHmin、最高空气相对湿度 - RHmax)与 ET0 之间的平均互信息分析。
使用 VIF 评估气象变量之间的多重共线性,发现 Tmax、Tavg 和 Tmin 是唯一表现出高多重共线性的变量(VIF > 10),这可能会由于输入之间的强线性依赖性而阻碍机器学习模型的有效训练(表 S1)。为了解决这个问题,Tmax 和 Tmin 被重新参数化为一个表示日温度范围的单一变量(Tdiff = Tmax ? Tmin),并将其作为模型输入,代替了原始的 Tmax 和 Tmin 变量。这种转换显著减少了与温度相关的多重共线性,如表 S2 中报告的修订后的 VIF 值所证实的。

3.2. 模型的空间泛化能力
总体而言,SVR、XGBoost 和 ANN(非线性和基于集成的模型)在空间未见过的测试数据上表现出一致的强预测性能,在所有评估指标上具有非常相似的准确性水平(图 18S 和表 S3)。特别是 SVR、XGBoost 和 ANN 模型的中位数 R2 和 NSE 值约为 0.96(平均),表明模型解释了 ET0 时间序列的大部分变异性。这些模型还显示出较低的误差幅度,RMSE 值在 0.20 到 0.22 之间,MAE 值在 0.14 到 0.15 之间,突显了它们的高预测准确性。
KGE 进一步确认了这些方法的稳健性,其值始终在 0.93 到 0.94 之间,反映了相关性、偏差和变异性之间的良好平衡。同样,一致性指数 d 接近于 1(≈0.99),表明预测值与计算出的 ET0 值之间有极好的一致性。sMAPE 值也相对较低(大约 19%),对于所有 SVR、XGBoost 和 ANN 模型而言,表明与使用 FAO-56 PM 方程计算的基准相比有有限的相对偏差。RT 和 RF(基于树的模型)通常表现出比 SVR、XGBoost 和 ANN 模型更低的性能(图 18S 和表 S3)。在 R2 和 NSE 方面,RT 和 RF 的平均值约为 0.95。这一趋势也反映在误差指标上,平均 RMSE 和 MAE 值分别为 0.21 和 0.16。此外,sMAPE值较高,介于20%到21%之间。然而,KGE、r和d指标与SVR、XGBoost和ANN得到的结果相当。相比之下,线性模型(MLR、RR、LaR和ENR)的性能系统性地较低。这些方法产生了较高的RMSE(0.25–0.26)、较高的MAE(≈0.19–0.20)以及明显更大的sMAPE值(≈32–33%),表明在捕捉控制ET0的非线性关系方面准确性较低。相应地,它们的R2、NSE和KGE值也较低(≈0.92–0.94),尽管仍然显示出合理的预测能力(图18S和表S3)。总体而言,结果表明非线性和基于ML的模型在ET0估计方面显著优于线性回归方法,SVR、RF、XGBoost和ANN在所有考虑的指标上都提供了相当且一致的高预测准确性。考虑到表现最佳的三种方法(XGBoost、SVR和ANN)分别代表基于树的模型、基于非线性边际的模型和神经网络模型,我们进一步分析了模型残差的空间分布。因此,这三种模型在后续分析中被专门考虑为表现最佳的ML模型。每个气象站的平均残差(图19S),作为平均ET0的函数计算,表明所有三种模型在研究区域内表现出相当的性能。中位数残差±标准误差分别为SVR为-0.01±0.03毫米,XGBoost为-0.02±0.03毫米,ANN为-0.01±0.03毫米。

3.3 模型的时间迁移性
在时间敏感的实验设置中,ML模型仅使用截至2019年12月31日收集的数据进行训练,并在随后的观测上进行评估,与空间泛化配置相比,每个模型的预测性能略有下降(见表S4)。例如,SVR模型的中位数R2为0.95±0.01,中位数NSE为0.95±0.01,而在空间未见过的验证中得到的R2为0.96±0.01,NSE为0.96±0.01。同样,中位数RMSE从0.21±0.02增加到0.22±0.02,中位数MAE从0.14±0.01增加到0.16±0.01,表明在时间上泛化时绝对误差有所下降。同样,中位数KGE从0.93±0.01下降到0.90±0.01,反映出相关性、偏差和变异性之间的平衡有所降低,但仍然令人满意。中位数sMAPE从大约19.23±1.03%增加到21.40±1.92%,表明在时间泛化实验评估中的相对误差较高。尽管有这些下降,相关系数(0.986±0.005)和一致性指数d(0.987±0.003)仍然保持较高,表明SVR模型即使在应用于未来未见过的时期时,也能与通过FAO-56 PM方程计算的ET0保持 strong 一致性。XGBoost和ANN也观察到了类似的结果。

3.4 使用减少的输入数据进行ML模型优化和评估
在所有评估的ML模型中,系统地移除单个输入变量会导致模型性能下降,突出了每个特征在ET0估计中的相对重要性(图6和图20S)。例如,在SVR模型中,排除太阳辐射(Rs)导致所有指标的性能大幅下降。R2和NSE下降了大约13%,RMSE和MAE分别增加了大约103%和124%,而sMAPE增加了93%。基于相关性的指标也有所下降,r、KGE和d分别下降了6%、10%和4%,与全输入模型相比。

3.5 ML模型与Hargreaves方法的比较
3.5.1 全输入ML模型配置
总体而言,依赖于更广泛变量集的ML模型表现优于Hargreaves方程,展示了数据驱动模型的更强预测能力(图7和图22S)。从这一点开始,以SVR模型为例报告结果,因为它展示了其他ML模型的相同性能。

3.5.2 使用Ra替代的全输入ML模型
当使用Ra替代Rs时,所有ML模型继续优于Hargreaves方程(图7、图22S和表S5)。例如,SVR模型表现出强大的预测性能,中位数R2为0.95,相关误差较低,RMSE和MAE分别为大约0.23毫米和0.17毫米。相应的中位数sMAPE为19.78±0.98%,与全输入SVR模型相当,并且明显低于Hargreaves方程。效率指标也证实了这种配置的稳健性,中位数NSE和KGE分别为0.95±0.01和0.92±0.02。此外,该模型与FAO-56 PM方程计算的ET0保持了强相关性(r=0.976±0.004)和较高的一致性指数(d=0.985±0.003)。尽管相对于全ML模型(SVR、XGBoost和ANN)性能有所下降,但基于Ra的模型始终优于Hargreaves方程,表明它们适用于地面Rs测量不可用或不可靠的应用场景。

3.5.3 使用Ra替代的温度基ML模型
当ML模型仅使用空气温度和Ra作为预测因子进行训练时,与包含更全面气象变量集的配置相比,性能有所下降(图7、图22S和表S5)。尽管如此,ML模型在大多数指标上仍优于Hargreaves方程。特别是SVR的RMSE显著降低(0.30±0.02 vs. 0.51±0.03),MAE也有所降低(0.23±0.02 vs. 0.38±0.02),R2基本保持不变(0.91±0.03 vs. 0.91±0.02)。基于效率的指标进一步证实了这一改进,SVR的NSE和KGE分别为0.91±0.03和0.92±0.02。此外,SVR与观测值之间的线性相关性更强(r=0.96±0.01,d=0.98±0.01)。相比之下,简单的线性模型始终表现出较高的误差,并且在表示控制蒸发蒸腾量(ET0)的非线性过程方面的能力有限,尽管它们的性能仍然可以接受。这与Raza等人(2023年)的研究结果一致,他们报告称在极端干旱、半干旱和湿润气候条件下,多元线性回归的准确性低于非线性机器学习(ML)模型,这证实了线性公式在ET0建模中的结构局限性。

4.2. 模型的时间转移性
在威尼托地区以及全球范围内,气象数据的时间可用性是一个主要限制因素(Br?nnimann等人,2019年;Castellanos-Acuna和Hamann,2020年;Menne等人,2012年)。在操作环境中,由于计算限制和获取用于通过FAO-56 PM方程计算ET0所需的长时间、高质量数据集的途径有限,频繁的模型重新训练通常是不可行的;此外,许多站点是间歇性运行的,并且存在数据缺失或错误(Castellanos-Acuna和Hamann,2020年;Menne等人,2012年)。因此,研究了这些ML模型的时间转移性。即使在对未见时间段的泛化能力进行测试时,SVR、XGBoost和ANN也与FAO-56 PM方程保持了高度一致,尽管所有ML模型都显示出轻微的误差增加和相对于空间泛化配置的效率下降(表S3)。尽管时间转移性的准确性不如空间泛化,但在实际操作条件下,ML模型仍保持了稳健和可靠的预测能力,因为未来预测通常不需要重新训练。

同样,Liu等人(2021年)明确采用了一个严格的按时间顺序的验证框架,使用1966年至2015年的数据进行模型校准,并将2016-2019年作为独立的未来测试期,证明了基于树的集成方法(包括XGBoost)在后期测试中仍能保持高预测能力,同时也强调了训练窗口长度和时间数据分割策略对模型性能的显著影响。独立未来时期的测试,其中校准和验证数据集在时间上是分开的,确实是一个有趣的研究课题,为未来的研究开辟了重要途径,特别是为了更好地理解模型结构、训练窗口长度和不断变化的气候条件如何共同影响基于ML的ET0估计器的时间稳健性(Kazemi等人,2020年)。

4.3. 减少输入数据的模型优化
系统地排除个别输入变量会降低所有ML模型的性能,这证实了每个气象参数都对ET0估计有所贡献,尽管其相对重要性不同(Sentelhas等人,2010年;Koudahe等人,2018年)。在这项研究中,温度和相对湿度(Rs)始终是表现最好的ML模型(SVR、XGBoost和ANN)中的主要预测因子。互信息分析确定Rs和温度是最具信息量的变量,这与它们与ET0之间已建立的物理和统计联系一致(Bristow和Campbell,1984年;Hassan等人,2016年)。Rs与ET0之间的强相关性已被广泛报道(Martel等人,2018年;Ndulue等人,2019年;Paredes和Pereira,2019年),并且在数据有限的情况下,Rs被确定为ET0的主要控制因素(Djaman等人,2019年;Koudahe等人,2018年)。温度也被认为是一个关键驱动因素,基于温度的方法在多种气候条件下都能达到满意的准确性(Paredes和Pereira,2019年;Todorovic等人,2013年)。一致地,移除Rs或温度会导致SVR、XGBoost和ANN的性能大幅下降,这证实了辐射-温度主导性的稳健性(Elbeltagi等人,2023年;Ravindran等人,2021年;Tang等人,2025年;Yong等人,2023年;Zhou等人,2024年);而排除水分饱和度(WS)、相对湿度(RH)或压力(P)产生的影响较小,这与先前的研究结果一致(Sentelhas等人,2010年)。这种行为也与Priestley–Taylor框架一致,该框架在保留Rs的情况下仍能保持强劲的性能(Sentelhas等人,2010年)。

在这项研究中,表现最好的三个模型(SVR、XGBoost和ANN)在减少输入配置下的性能相当。相比之下,在其他研究中,有报道称在输入减少的情况下,ANN的表现不如SVR和其他ML方法(Yin等人,2017年;Yin等人,2022年)。与文献一致,SVR在异质性和输入减少的条件下能够提供特别稳健的ET0估计(Ahmadi等人,2021年;Mohammadrezapour等人,2019年;Yin等人,2022年)。也有报道称,在以空气温度和相对湿度(Ra)为驱动因素的情况下,XGBoost的表现优于其他ML模型(Wu等人,2019年)。

4.4. ML模型与Hargreaves方程的对比
在威尼托地区,由于数据缺失和测量不确定性,FAO-56 PM方程的使用常常受到限制(Berti等人,2014年),而Hargreaves方程在操作上被广泛使用(Stergiadi等人,2020年;Salmaso等人,2025年),并且区域校准改善了平原地区的平均ET0估计(Berti等人,2014年)。然而,这种威尼托-Hargreaves公式仍然存在残余的季节性和空间偏差,并且在气候异质性区域内的转移性有限。将Hargreaves方程与ML模型(特别是SVR、XGBoost和ANN)进行比较,有效地证明了它们作为潜在替代方案的可行性。当使用全部气象变量时,它们的性能明显优于威尼托-Hargreaves方程,当测量的Rs被计算出的Ra以及基本输入(空气温度、RH和P)替代时也是如此,这证实了这些ML方法的稳健性,尽管相对于全输入情况准确性略有下降。这对于数据稀缺和资源匮乏的环境尤其相关,在这些环境中,Rs测量通常不可用(Mendelsohn等人,2007年;Nsabagwa等人,2019年),而Ra通常被用作代理变量(Liu等人,2025年)。即使在仅基于空气温度和Ra的最小输入配置下,ML模型也与Hargreaves方程相当或表现更好,这证实了它们相对于基于经验的温度公式具有更大的灵活性和准确性。

5. 研究的局限性
本研究存在以下局限性:
- 分析仅限于威尼托地区,尽管该地区具有强烈的气候、地形和气象异质性,但结果在其他气候区(如热带、干旱或大陆系统)的转移性仍有待测试,应在未来的多区域或全球规模应用中加以解决;
- 一些与FAO-56 PM方程相关的气象变量(特别是WS)并非在所有站点上都一致可用,因此无法包括在内,这可能限制了我们在进行各种气象变量输入集测试时所能进行的测试;
- ML模型可以基于直接现场测量数据(例如,蒸渗仪或涡度协方差观测)进行训练,从而可以直接比较基于ML的估计值与本研究中用作基准的Penman–Monteith方程得到的估计值。

未来的研究应包括这种类型的测量,以提高实验的稳健性。此外,可以探索深度学习模型(如LSTM、CNN、CNN-LSTM混合模型和基于Transformer的架构)用于ET0预测任务。这些方法允许将输入的时间维度扩展到多天,从而可能提高模型的预测能力。然而,它们的有效应用需要针对其特定的输入结构和数据要求进行专门的实验设计。

6. 结论
研究表明,在威尼托地区,SVR、XGBoost和ANN ML模型即使在数据有限的条件下,也是可行的ET0估计工具。在测试它们在未播种地点的空间泛化能力时,在该地区的空间和气候异质性条件下,非线性和集成ML模型的表现显著优于线性ML回归模型。SVR、XGBoost和ANN在估计ET0时始终实现了高准确性,与使用FAO-56 PM方程计算的ET0相比,误差非常低。缺乏系统性的空间偏差以及站点间残差的相似性表明这些模型能够在异质环境中可靠地泛化,这是许多现有ET0建模研究的关键局限性。

SVR、XGBoost和ANN在测试它们对未来未见年份的ET0估计的时间转移性时,与使用FAO-56 PM方程计算的ET0保持了高水平的吻合度,并且效率指标令人满意,尽管相对于空间泛化配置性能略有下降。在减少输入配置下,SVR、XGBoost和ANN模型能够以与使用FAO-56 PM方程计算的ET0相当的好精度估计ET0,这突显了它们在不同数据可用性情景下的稳定性和灵活性。然而,与变量移除相关的性能损失表明Rs和空气温度是所有表现最佳模型中的主要预测因子,而RH和P则起次要作用。在所有测试情景中(全输入、用计算出的Ra替代测量的Rs以及仅基于空气温度和Ra的最小输入),SVR、XGBoost和ANN始终优于或等于为威尼托地区校准的Hargreaves方程,通常误差更低且效率更高。

总体而言,在研究区域内,SVR、XGBoost和ANN模型提供了准确且空间和时间上可转移的ET0估计,即使在数据有限的条件下也是如此,代表了ET0估计的可靠替代方案。

CRediT作者贡献声明:
Giorgia Raimondi:撰写 – 审阅与编辑、撰写 – 原稿、可视化、方法论、调查、数据管理、概念化。
Jacopo Bonato:撰写 – 审阅与编辑、撰写 – 原稿、可视化、验证、软件、方法论、调查、形式分析、概念化。
Carmelo Maucieri:撰写 – 审阅与编辑、撰写 – 原稿、监督、资源管理、项目管理、方法论、资金获取、数据管理、概念化。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号