基于机器学习的参考蒸发蒸腾量和小麦作物系数估算方法，在多种气候条件下中的应用

《Irrigation and Drainage》：Machine Learning-Based Estimation of Reference Evapotranspiration and Crop Coefficients for Wheat Under Diverse Climatic Conditions

　　

摘要

en
此链接指向英文版摘要 fr
此链接指向法文版摘要

准确估算参考蒸发蒸腾量（ET₀）和作物系数（K_c）对于灌溉规划至关重要，尤其是在农业占淡水消耗主导地位的数据有限地区。尽管机器学习（ML）方法已被广泛应用于ET₀和K_c的估算，但大多数研究要么分别处理这些参数，要么只关注单一季节的K_c值，而非针对不同生长阶段的系数。本研究提出了一个集成机器学习框架，利用土耳其的长期地区级气象数据，同时估算月度ET₀和小麦生长各阶段的作物系数（K_{c_ini}, K_{c_mid}, K_{c_end}）。共有19种算法被评估，包括线性模型、基于树的集成模型、提升方法、支持向量机（SVR）和深度学习模型，评估采用了10折交叉验证和标准性能指标。结果显示，线性模型在月度和年度ET₀估算方面表现最为稳定（R²?≈0.85–0.87），而非线性集成模型在K_c预测方面具有更高的准确性（R²?>?0.95）。特征重要性分析表明，太阳辐射和温度是影响ET₀的主要因素，而海拔和相对湿度则是影响不同生长阶段K_c的关键因素。该框架为区域农业水资源管理提供了一种可扩展的方法，并支持在数据有限条件下进行模型选择。

摘要

en
此链接指向英文版摘要 fr
此链接指向法文版摘要

准确估算参考蒸发蒸腾量（ET₀）和作物系数（K_c对于灌溉规划至关重要，尤其是在数据有限且农业为最大淡水消耗者的地区。尽管机器学习（ML）方法已广泛应用于ET₀和K_c的估算，但多数研究通常分别处理这些参数，或仅关注某一季节的K_c值，而非针对不同生长阶段的特定系数。本研究采用集成机器学习方法，利用土耳其的长期气象数据，同时估算月度ET₀和小麦生长各阶段的作物系数（K_{c_ini}, K_{c_mid}, K_{c_end}）。共评估了19种算法，包括线性模型、基于树的集成模型、提升方法、支持向量机（SVR）和深度学习模型，通过10折交叉验证和标准性能指标进行评估。结果表明，线性模型在月度和年度ET₀估算方面表现稳定（R²?≈0.85–0.87），而非线性集成模型在K_c预测方面更准确（R²?>?0.95）。变量重要性分析显示，太阳辐射和温度是影响ET₀的主要因素，而海拔和相对湿度对不同生长阶段的K_c具有重要影响。该框架为区域农业水资源管理提供了灵活的方法，并有助于在数据有限的情况下选择合适的模型。

相关新闻

生物通微信公众号

生物通新浪微博

微信

新浪微博

我要投稿

• 搜索
• 国际
• 国内
• 人物
• 产业
• 热点
• 科普

热搜：机器学习|参考蒸发蒸腾量|作物系数|小麦生长阶段|集成模型|区域农业水资源管理

热点排行