選取江蘇省6個(gè)氣象站點(diǎn)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(yù)測(cè)模型,包括梯度提升決策樹（Gradient boosting decision tree,GBDT）、隨機(jī)森林（Random forest,RF）和回歸樹（Regression tree）模型,以FAO-56 Penman-Monteith公式計(jì)算所得的ET₀值作為標(biāo)準(zhǔn)值,對(duì)GBDT、RF、Regresssion tree模型和3種經(jīng)驗(yàn)?zāi)Ｐ停‥I-Sebail、Irmak、Hargreaves-Samani模型）的預(yù)測(cè)結(jié)果進(jìn)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(yàn)?zāi)Ｐ?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(píng)價(jià)指標(biāo)（GPI）排名第1];通過(guò)敏感性分析發(fā)現(xiàn),輻射是對(duì)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(duì)決定系數(shù)（R²）的貢... 

【文章來(lái)源】：江蘇農(nóng)業(yè)學(xué)報(bào). 2020,36(05)北大核心CSCD

【文章頁(yè)數(shù)】：12 頁(yè)

【部分圖文】：

氣象站點(diǎn)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(xué)習(xí)“Boosting”思想的迭代決策樹算法。GBDT算法通過(guò)訓(xùn)練多個(gè)弱學(xué)習(xí)器(回歸樹)得出基于每個(gè)樣本的殘差,再基于所有的殘差訓(xùn)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(qiáng)學(xué)習(xí)器,即所有回歸樹的結(jié)論累加起來(lái)獲得最終預(yù)測(cè)結(jié)果(圖2)。和RF算法不同,GBDT算法的弱學(xué)習(xí)器間存在很強(qiáng)的依賴關(guān)系,難以并行訓(xùn)練數(shù)據(jù)。GBDT算法對(duì)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(guò)度擬合和計(jì)算成本方面,GBDT算法優(yōu)于RF算法。GBDT算法的詳細(xì)信息和計(jì)算程序詳見文獻(xiàn)[40]。1.2.5 經(jīng)驗(yàn)?zāi)Ｐ?

可以看出,GBDT、RF模型在各個(gè)站點(diǎn)的相同氣象因子輸入組合下都能達(dá)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(yàn)?zāi)Ｐ偷哪M精度相對(duì)較低且變動(dòng)較大。并且,氣象因子輸入組合為Tmax、Tmin、Rs時(shí)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(yù)測(cè)模型。2.2 ET0對(duì)氣象因子的敏感性分析

【參考文獻(xiàn)】：
期刊論文
[1]基于梯度提升決策樹（GBDT）算法的巖性識(shí)別技術(shù)[J]. 韓啟迪,張小桐,申維.  礦物巖石地球化學(xué)通報(bào). 2018(06)
[2]基于ELM的西北旱區(qū)參考作物蒸散量預(yù)報(bào)模型[J]. 張皓杰,崔寧博,徐穎,鐘丹,胡笑濤,龔道枝.  排灌機(jī)械工程學(xué)報(bào). 2018(08)
[3]基于GBDT與Logistic回歸融合的個(gè)人信貸風(fēng)險(xiǎn)評(píng)估模型及實(shí)證分析[J]. 蔡文學(xué),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(fù)荷預(yù)測(cè)研究[J]. 鄭凱文,楊超.  貴州電力技術(shù). 2017(02)
[5]基于隨機(jī)森林算法的參考作物蒸發(fā)蒸騰量模擬計(jì)算[J]. 王升,付智勇,陳洪松,丁亞麗,吳麗萍,王克林.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2017(03)
[6]中國(guó)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(jì)算方法的適用性評(píng)價(jià)[J]. 李晨,崔寧博,馮禹,魏新平.  農(nóng)業(yè)工程學(xué)報(bào). 2016(04)
[8]基于極限學(xué)習(xí)機(jī)的參考作物蒸散量預(yù)測(cè)模型[J]. 馮禹,崔寧博,龔道枝,魏新平,王君勤.  農(nóng)業(yè)工程學(xué)報(bào). 2015(S1)
[9]川中丘陵區(qū)參考作物蒸散量時(shí)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(xué)報(bào). 2014(14)
[10]基于蒸滲儀實(shí)測(cè)數(shù)據(jù)的日參考作物蒸發(fā)騰發(fā)量計(jì)算方法評(píng)價(jià)[J]. 徐俊增,彭世彰,丁加麗,魏征.  水利學(xué)報(bào). 2010(12)



本文編號(hào)：3591704