選取江蘇省6個氣象站點1997-2016年的逐日氣象資料,建立了3種基于樹型算法的參考作物蒸散量（ET₀）預測模型,包括梯度提升決策樹（Gradient boosting decision tree,GBDT）、隨機森林（Random forest,RF）和回歸樹（Regression tree）模型,以FAO-56 Penman-Monteith公式計算所得的ET₀值作為標準值,對GBDT、RF、Regresssion tree模型和3種經(jīng)驗模型（EI-Sebail、Irmak、Hargreaves-Samani模型）的預測結(jié)果進行比較分析。結(jié)果表明:在相同氣象因子輸入組合下,GBDT、RF模型能取得較高的模擬精度,且明顯高于Regression tree模型和經(jīng)驗模型,其中,氣象參數(shù)組合為最高氣溫、最低氣溫和輻射的GBDT模型具有最高的模擬精度[全局評價指標（GPI）排名第1];通過敏感性分析發(fā)現(xiàn),輻射是對江蘇省逐日ET₀影響最為顯著的氣象因子,其直接通徑系數(shù)為0.512,對決定系數(shù)（R²）的貢... 

【文章來源】：江蘇農(nóng)業(yè)學報. 2020,36(05)北大核心CSCD

【文章頁數(shù)】：12 頁

【部分圖文】：

氣象站點分布圖

梯度提升決策樹(Gradient boosting decision tree,GBDT)算法是一種基于集成學習“Boosting”思想的迭代決策樹算法。GBDT算法通過訓練多個弱學習器(回歸樹)得出基于每個樣本的殘差,再基于所有的殘差訓練回歸樹并且根據(jù)回歸樹的權(quán)重更新得出新的模型——強學習器,即所有回歸樹的結(jié)論累加起來獲得最終預測結(jié)果(圖2)。和RF算法不同,GBDT算法的弱學習器間存在很強的依賴關(guān)系,難以并行訓練數(shù)據(jù)。GBDT算法對數(shù)據(jù)字段缺失不敏感并且可以減少偏差,而RF算法可以減少方差。因此,在過度擬合和計算成本方面,GBDT算法優(yōu)于RF算法。GBDT算法的詳細信息和計算程序詳見文獻[40]。1.2.5 經(jīng)驗模型

可以看出,GBDT、RF模型在各個站點的相同氣象因子輸入組合下都能達到較高的模擬精度,兩種模型的模擬精度非常接近,但GBDT模型總體表現(xiàn)比RF模型更好。Regression Tree模型和3種經(jīng)驗模型的模擬精度相對較低且變動較大。并且,氣象因子輸入組合為Tmax、Tmin、Rs時各模型的模擬表現(xiàn)均高于其他氣象因子輸入組合。因此,在氣象資料缺乏的情況下,可以選用氣象因子輸入組合為Tmax、Tmin和Rs的GBDT2模型作為江蘇省ET0的預測模型。2.2 ET0對氣象因子的敏感性分析

【參考文獻】：
期刊論文
[1]基于梯度提升決策樹（GBDT）算法的巖性識別技術(shù)[J]. 韓啟迪,張小桐,申維.  礦物巖石地球化學通報. 2018(06)
[2]基于ELM的西北旱區(qū)參考作物蒸散量預報模型[J]. 張皓杰,崔寧博,徐穎,鐘丹,胡笑濤,龔道枝.  排灌機械工程學報. 2018(08)
[3]基于GBDT與Logistic回歸融合的個人信貸風險評估模型及實證分析[J]. 蔡文學,羅永豪,張冠湘,鐘慧玲.  管理現(xiàn)代化. 2017(02)
[4]基于迭代決策樹（GBDT）短期負荷預測研究[J]. 鄭凱文,楊超.  貴州電力技術(shù). 2017(02)
[5]基于隨機森林算法的參考作物蒸發(fā)蒸騰量模擬計算[J]. 王升,付智勇,陳洪松,丁亞麗,吳麗萍,王克林.  農(nóng)業(yè)機械學報. 2017(03)
[6]中國西北地區(qū)參考作物蒸散量的估算與變化特征[J]. 汪彪,曾新民,劉正奇,周霄林,所靖東.  干旱氣象. 2016(02)
[7]四川省不同區(qū)域參考作物蒸散量計算方法的適用性評價[J]. 李晨,崔寧博,馮禹,魏新平.  農(nóng)業(yè)工程學報. 2016(04)
[8]基于極限學習機的參考作物蒸散量預測模型[J]. 馮禹,崔寧博,龔道枝,魏新平,王君勤.  農(nóng)業(yè)工程學報. 2015(S1)
[9]川中丘陵區(qū)參考作物蒸散量時空變化特征與成因分析[J]. 馮禹,崔寧博,魏新平,趙璐,王君勤.  農(nóng)業(yè)工程學報. 2014(14)
[10]基于蒸滲儀實測數(shù)據(jù)的日參考作物蒸發(fā)騰發(fā)量計算方法評價[J]. 徐俊增,彭世彰,丁加麗,魏征.  水利學報. 2010(12)



本文編號：3591704