返回
A Novel Framework for Predicting Daily Reference Evapotranspiration Using Interpretable Machine Learning Techniques
DOI:10.3390/agriculture15181985.png)
摘要
En 中文
日参考蒸散量(ETo)的准确估算对于可持续水资源管理和灌溉计划至关重要,尤其是在亚利桑那州这样的缺水地区。标准化的Penman–Monteith(PM)方法成本高昂且需要专用仪器和专业知识,使其对商业种植者而言通常不切实际。本研究开发了35个ETo模型,用于预测亚利桑那州皮纳尔县的库利吉、马里科帕和皇后溪三个地区的日ETo。研究使用了7种日气象变量的输入组合,用于训练和测试5种机器学习(ML)模型:人工神经网络(ANN)、随机森林(RF)、极端梯度提升(XGBoost)、分类提升(CatBoost)和支持向量机(SVM)。采用四个统计指标(决定系数R2、归一化均方根误差RMSEn、平均绝对误差MAE和模拟误差Se)来评估ML模型的性能,并与FAO-56 PM标准方法进行比较。采用SHapley Additive exPlanations(SHAP)方法解释每个气象变量对模型预测的贡献。总体而言,35个开发的ETo模型在三个气象站预测日ETo方面表现出优良至一般的性能。采用包含全部10个气象变量的ANN10、RF10、XGBoost10、CatBoost10和SVM10模型,在训练和测试期间获得了最高的精度(0.994 ≤ R2 ≤ 1.0,0.729 ≤ RMSEn ≤ 3.662,0.030 ≤ MAE ≤ 0.181 mm·day−1,0.833 ≤ Se ≤ 2.295)。排除气象变量导致各站点ET模型的性能逐渐下降。然而,仅使用最高、最低和平均温度(Tmax、Tmin和Tave)的3变量模型在测试期间在三个站点上很好地预测了ETo(13.469 ≤ RMSEn ≤ 17.655,Se ≤ 15.45%)。结果表明,Tmax、太阳辐射(Rs)和2米高度处的风速(U2)是影响亚利桑那州中部站点ETo的最重要因素,其次是太阳外辐射(Ra)和Tave。相比之下,与湿度相关的变量(RHmin、RHmax和RHave),以及Tmin和降水(Pr)对模型预测的影响最小。研究结果为协助种植者和政策制定者制定有效的水管理策略提供了信息,特别是在亚利桑那州中部这样的干旱地区。
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.6
论文数:
1.3W
被引数:
2.8W
机构
引用论文
Elsadek, E.A.; Attalah, S.; Waller, P.; Norton, R.; Hunsaker, D.J.; Williams, C.; Thorp, K.R.; Orr, E.; Elshikha, D.E.M. Simulating Water Use and Yield for Full and Deficit Flood-Irrigated Cotton in Arizona, USA. Agronomy 2025, 15, 2023. [Google Scholar] [CrossRef]Elsadek, E.A.; Attalah, S.; Waller, P.; Norton, R.; Hunsaker, D.J.; Williams, C.; Thorp, K.R.; Orr, E.; Elshikha, D.E.M. 模拟亚利桑那州(Arizona, USA)全灌溉和亏缺灌溉棉花的水分利用与产量。Agronomy 2025, 15, 2023. [Google Scholar] [CrossRef]
A Review on Evapotranspiration Estimation in Agricultural Water Management: Past, Present, and Future
hydrology
IF3.2
Performance evaluation of different empirical models for reference evapotranspiration estimation over Udhagamandalm, The Nilgiris, India
SCIENTIFIC REPORTS
IF3.9

