基于GBDT算法的参考作物蒸散量模型在江苏省的预测

发布时间：2022-01-16 01:52

　　选取江苏省6个气象站点1997-2016年的逐日气象资料,建立了3种基于树型算法的参考作物蒸散量（ET₀）预测模型,包括梯度提升决策树（Gradient boosting decision tree,GBDT）、随机森林（Random forest,RF）和回归树（Regression tree）模型,以FAO-56 Penman-Monteith公式计算所得的ET₀值作为标准值,对GBDT、RF、Regresssion tree模型和3种经验模型（EI-Sebail、Irmak、Hargreaves-Samani模型）的预测结果进行比较分析。结果表明:在相同气象因子输入组合下,GBDT、RF模型能取得较高的模拟精度,且明显高于Regression tree模型和经验模型,其中,气象参数组合为最高气温、最低气温和辐射的GBDT模型具有最高的模拟精度[全局评价指标（GPI）排名第1];通过敏感性分析发现,辐射是对江苏省逐日ET₀影响最为显著的气象因子,其直接通径系数为0.512,对决定系数（R²）的贡... 

【文章来源】：江苏农业学报. 2020,36(05)北大核心CSCD

【文章页数】：12 页

【部分图文】：

气象站点分布图

梯度提升决策树(Gradient boosting decision tree,GBDT)算法是一种基于集成学习“Boosting”思想的迭代决策树算法。GBDT算法通过训练多个弱学习器(回归树)得出基于每个样本的残差,再基于所有的残差训练回归树并且根据回归树的权重更新得出新的模型——强学习器,即所有回归树的结论累加起来获得最终预测结果(图2)。和RF算法不同,GBDT算法的弱学习器间存在很强的依赖关系,难以并行训练数据。GBDT算法对数据字段缺失不敏感并且可以减少偏差,而RF算法可以减少方差。因此,在过度拟合和计算成本方面,GBDT算法优于RF算法。GBDT算法的详细信息和计算程序详见文献[40]。1.2.5 经验模型

可以看出,GBDT、RF模型在各个站点的相同气象因子输入组合下都能达到较高的模拟精度,两种模型的模拟精度非常接近,但GBDT模型总体表现比RF模型更好。Regression Tree模型和3种经验模型的模拟精度相对较低且变动较大。并且,气象因子输入组合为Tmax、Tmin、Rs时各模型的模拟表现均高于其他气象因子输入组合。因此,在气象资料缺乏的情况下,可以选用气象因子输入组合为Tmax、Tmin和Rs的GBDT2模型作为江苏省ET0的预测模型。2.2 ET0对气象因子的敏感性分析

【参考文献】：
期刊论文
[1]基于梯度提升决策树（GBDT）算法的岩性识别技术[J]. 韩启迪,张小桐,申维.  矿物岩石地球化学通报. 2018(06)
[2]基于ELM的西北旱区参考作物蒸散量预报模型[J]. 张皓杰,崔宁博,徐颖,钟丹,胡笑涛,龚道枝.  排灌机械工程学报. 2018(08)
[3]基于GBDT与Logistic回归融合的个人信贷风险评估模型及实证分析[J]. 蔡文学,罗永豪,张冠湘,钟慧玲.  管理现代化. 2017(02)
[4]基于迭代决策树（GBDT）短期负荷预测研究[J]. 郑凯文,杨超.  贵州电力技术. 2017(02)
[5]基于随机森林算法的参考作物蒸发蒸腾量模拟计算[J]. 王升,付智勇,陈洪松,丁亚丽,吴丽萍,王克林.  农业机械学报. 2017(03)
[6]中国西北地区参考作物蒸散量的估算与变化特征[J]. 汪彪,曾新民,刘正奇,周霄林,所靖东.  干旱气象. 2016(02)
[7]四川省不同区域参考作物蒸散量计算方法的适用性评价[J]. 李晨,崔宁博,冯禹,魏新平.  农业工程学报. 2016(04)
[8]基于极限学习机的参考作物蒸散量预测模型[J]. 冯禹,崔宁博,龚道枝,魏新平,王君勤.  农业工程学报. 2015(S1)
[9]川中丘陵区参考作物蒸散量时空变化特征与成因分析[J]. 冯禹,崔宁博,魏新平,赵璐,王君勤.  农业工程学报. 2014(14)
[10]基于蒸渗仪实测数据的日参考作物蒸发腾发量计算方法评价[J]. 徐俊增,彭世彰,丁加丽,魏征.  水利学报. 2010(12)



本文编号：3591704