基于数据驱动的参考蒸散量预测方法:将天气预报与基于持久性的方法相结合
《Agricultural and Forest Meteorology》:A data driven approach for reference evapotranspiration forecasting: merging weather forecasts with persistence based Approaches
【字体:
大
中
小
】
时间:2026年08月13日
来源:Agricultural and Forest Meteorology 6.6
编辑推荐:
摘要基于持久性方法的驱动模型已被广泛用于参考蒸散量(ETo)的预测。本文提出了一种新的驱动框架,通过将持久性方法与天气预报相结合,实现短期和中期时间尺度上的ETo预测。在该框架中,测试了三种机器学习模型,即支持向量回归(SVR)、随机森林(RF)和极端梯度提升(XGB),以及两种
摘要
基于持久性方法的驱动模型已被广泛用于参考蒸散量(ETo)的预测。本文提出了一种新的驱动框架,通过将持久性方法与天气预报相结合,实现短期和中期时间尺度上的ETo预测。在该框架中,测试了三种机器学习模型,即支持向量回归(SVR)、随机森林(RF)和极端梯度提升(XGB),以及两种深度学习模型,即长短期记忆网络(LSTM)和卷积神经网络(CNN)。该框架使用了欧洲中期天气预报中心(ECMWF)和全球集合预报系统(GEFS)这两种数值天气预报模型的回溯数据。随后,该框架的预测效果与数值天气预报模型的预测结果、传统的数值天气预报偏差校正方法以及文献中常用的持久性方法进行了比较。研究结果表明,所提出的框架能够提供比数值天气预报模型更准确的ETo预测结果。同时,由于数值天气预报在山区的气象预测精度较低,该方法的性能在山区也有所下降。所有机器学习/深度学习模型在ETo预测方面的表现相当,其中XGB的训练时间最短,因此被推荐在該框架中使用。通过对不同作物生长季节的评估发现,与雨季相比,该方法在旱季的预测效果略好(使用XGB和ECMWF模型时,NRMSE为3.28%),这是因为数值天气预报在雨季的预测精度低于旱季。比较评估还表明,所提出的框架优于传统的数值天气预报偏差校正方法和文献中的持久性方法。该方法有望用于印度地区的多步ETo预测。
引言
参考蒸散量(ETo)是一种重要的水文变量,可用于干旱特征描述、突发干旱评估以及作物需水量估算(Feng等人,2019;Mitra等人,2018;Prabhakar等人,2023;Varghese等人,2026;Yang等人,2021)。因此,对参考蒸散量(ETo)的预测对于整体农业水资源管理、灌溉计划制定以及区域用水需求预测具有重要意义(Cai等人,2011;Perera等人,2014;Tian和Martinez,2014;Vanella等人,2020)。
目前,关于ETo预测的研究主要采用两种方法:(1)基于持久性方法;(2)基于数值天气预报方法。传统的ETo预测采用基于持久性方法,即利用带有时间延迟的气象变量或ETo历史数据来训练统计/机器学习算法(Elzain等人,2024;Gong等人,2021;Lucas等人,2020;Zhao等人,2019)或ETo相关数据(Ahmadi等人,2023;Ferreira和Da Cunha,2020;Karbasi等人,2022)。例如,Nourani等人(2020)利用温度、相对湿度、太阳辐射等滞后气象数据,通过经典的机器学习算法进行多步ETo预测。基于持久性的传统预测方法的缺点在于仅考虑时间延迟的变量,而无法利用未来的气象信息。不过,由于从公共天气预报中获取完整变量用于ETo估算较为困难,这类基于机器学习模型的持久性技术仍然被广泛用于ETo预测。
基于数值天气预报的方法则利用数值天气预报领域的最新进展,通过使用数值天气预报模型预测得到的变量来估算ETo(Karbasi等人,2022;Liu等人,2020;Zhang等人,2023)。Yang等人(2019)在FAO Penman Monteith公式中引入公共天气预报中的预测气象变量,用于短期到中期时间尺度的ETo预测。同样,Tian和Martinez(2014)也使用全球集合预报系统中的预测变量来进行ETo预测。然而,数值天气预报模型的预测变量存在偏差,这些偏差也会体现在用PM方法估算的ETo结果中,因此无法直接用于决策制定(Saminathan等人,2024)。为此,人们提出了多种统计方法,如贝叶斯模型平均法和非齐次高斯回归法,用于对基于数值天气预报的ETo预测结果进行后处理(Medina等人,2018;Tian和Martinez,2012)。
近期有一些研究仅利用数值天气预报模型中的温度预测数据,结合数据驱动的机器学习/深度学习模型来预测ETo(Luo等人,2015;Zhang等人,2023)。例如,Zhang等人(2023)利用公共天气预报中的温度预测数据来训练机器学习/深度学习模型,用于中国地区的ETo预测。不过,这些方法高度依赖于机器学习/深度学习模型仅通过温度数据就捕捉FAO-Penman-Monteith方法中复杂的非线性关系的能力(Alves等人,2017;Reis等人,2019;Zhang等人,2022)。此外,这些模型还需要纠正数值天气预报产生的温度预测偏差。由于通过PM方法准确估算ETo需要多个气象变量,仅依赖温度预测可能会降低预测精度。为了解决这一问题,本研究提出了一种新方法,将基于持久性的数据与数值天气预报预测结果整合到机器学习/深度学习框架中,从而提升ETo预测的准确性。该方法首先使用数值天气预报模型提供的气象数据,通过PM公式估算短期到中期(1–7天)的ETo预测值,然后再将这些预测值与时间延迟的ETo估算值结合,通过机器学习/深度学习算法生成最终预测结果。这种整合方式可以通过基于持久性的方法利用已观测到的时间延迟ETo值,同时结合观测到的ETo值和数值天气预报预测结果来训练机器学习/深度学习算法,从而纠正数值天气预报模型输出中的偏差,进而提高ETo预测的准确性。据我们所知,目前尚无研究将基于持久性和基于数值天气预报的预测结果整合到机器学习/深度学习框架中用于ETo预测。此外,关于基于数值天气预报的预测方法与文献中众多基于持久性方法的比较研究也极为缺乏。因此,本研究还对该方法与基于数值天气预报的预测方法以及基于持久性的方法进行了比较评估。这将首次量化出相比以往方法,利用数值天气预报信息在ETo预测性能上提升的程度。此外,该方法还与最常用的数值天气预报偏差校正方法进行了对比,以评估其有效性。
印度是一个农业大国,农业用水需求量大。灌溉用水的需求给地表水和地下水供应带来了压力,威胁到了这些水源的可持续性(Gedam等人,2023;Roy等人,2021)。目前,该地区的灌溉实践并未纳入预测功能,部分原因是缺乏气象预测相关的信息。为了实现可持续发展目标,迫切需要在区域和地方层面将预测信息纳入灌溉规划中。虽然近期有一些研究报道了印度的ETo预测情况,但这些研究大多基于持久性方法,未结合数值天气预报数据(Mandal和Chanda,2023;Patil和Deka,2017;Rajput等人,2023;Saggi和Jain,2019;Sharma等人,2022)。然而,这些关于印度ETo预测的研究均未纳入基于数值天气预报的预测数据。因此,本研究旨在评估所提出的方法在印度不同气候区和不同农业季节下的ETo预测性能。同时,还将该方法的预测效果与基于数值天气预报的传统方法、传统的数值天气预报偏差校正方法以及基于持久性的方法进行比较(Mandal和Chanda,2023)。本研究的总体目标是通过将基于持久性和基于数值天气预报的预测方法整合到机器学习/深度学习框架中,构建一种用于短期到中期时间尺度ETo预测的新框架。本研究还包含以下具体目标:(i)评估所提方法中不同的机器学习/深度学习模型在ETo预测中的应用效果;(ii)分析所提出的机器学习/深度学习框架在纠正数值天气预报预测偏差方面的能力;(iii)比较所提方法与基于持久性预测方法的性能差异。
章节节选
研究区域
该框架在印度不同气候区进行了测试(见图1)。本研究采用应用最广泛的K?ppen–Geiger气候分类法对气候区进行划分(Chen和Chen,2013;Yaduvanshi等人,2021)。研究区域被划分为干旱气候区(Z1)、山区气候区(Z2)、热带气候区(Z3)和温带气候区(Z4)。该框架还在印度两个主要的农业季节——雨季和旱季进行了测试。
所提出的框架
所提出的框架将基于数值天气预报的预测结果与基于持久性的方法相结合,同时运用机器学习和深度学习技术。具体而言,为预测指定提前天数内的ETo,采用了三类预测因子:(1)对应该提前天数的数值天气预报模型预测的ETo值;(2)预测日期的儒略日信息;(3)时间延迟的ETo估算值。研究利用ERA5数据中的7天延迟ETo值来捕捉其中的持久性效应。
结果
在所提出的框架中,对五种机器学习/深度学习技术的性能进行了评估。在结果部分,我们还对该框架与数值天气预报预测结果、传统的偏差校正方法以及现有的基于持久性的机器学习/深度学习方法进行了比较分析。
讨论
本研究旨在提出一种基于数据驱动的方法,通过整合数值天气预报预测结果与基于持久性的方法来实现ETo预测。研究结果表明,所提出的方法相比数值天气预报预测结果、BMA方法以及基于持久性的方法,能够提供更准确的预测结果。
在其他地区的比较分析中也得到了类似的结果。例如,Yang等人(2019)和Medina等人(2018)使用基于数值天气预报的ETo预测结果,发现其平均绝对误差值在一定范围内波动。
结论
短期到中期的ETo预测对于灌溉计划制定和农业水资源管理至关重要。在本研究中,我们提出了一种将机器学习/深度学习算法与数值天气预报预测结果及基于持久性的方法相结合的ETo预测框架。此外,我们还比较了该框架中不同的机器学习/深度学习算法的性能。该框架还在印度不同气候区和不同农业季节进行了测试。本研究的主要结论是……
资金支持情况
本研究未获得公共部门、商业机构或非营利组织提供的任何特定资助。
作者声明
所有作者均已审阅并批准了手稿的最终版本。所有作者保证,本文为原创作品,未曾发表过,也未被其他期刊接受发表。
CRediT作者贡献说明
Sakila Saminathan:概念设计、数据整理、定量分析、研究实施、方法设计、软件应用、结果验证、可视化处理、初稿撰写、论文修订。 Subhasis Mitra:概念设计、定量分析、研究实施、方法设计、研究指导、结果验证、可视化处理、论文修订。 Lahari Chowdary Talasila:定量分析、研究实施、资源协调、软件应用。
Sakila Saminathan|Subhasis Mitra|Lahari Chowdary Talasila
印度喀拉拉邦帕拉卡德印度理工学院土木工程系
生物通微信公众号
生物通新浪微博
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