一种结合分解算法、深度学习和双重提升技术的框架，用于预测沿海干旱地区的日参考蒸散量

《Physics and Chemistry of the Earth, Parts A/B/C》：A hybrid decomposition-deep learning-dual boosting framework for predicting daily reference evapotranspiration in coastal arid regions

　　

Shahad Al-Yaqoubi|Ali Al-Maktoumi|Mahmood M. Al-Mamari|Osman Abdalla|Anvar Kacimov|Mingjie Chen|Hamdi Ahmed|Selvam Sekar|Felix Jose|Hussam Eldin Elzain

• •
  开发了用于日常蒸发量（ETo）预测的VLXCat和ELXCat混合框架
• •
  结合VMD/EEMD、LSTM、XGBoost和CatBoost技术提高了模型精度
• •
  在阿曼沿海干旱地区，VLXCat模型的R2值为0.999，均方根误差（RMSE）为0.139毫米/天
• •
  显著性图显示，低至中频的惯性矩（IMFs）是预测模型的关键驱动因素
• •
  该框架为灌溉和干旱风险管理提供了可扩展的解决方案