基于深度学习及传统机器学习模型估算山东省参考作物蒸散量

摘要

为探寻深度学习模型在区域参考作物蒸散量(Reference crop evapotranspiration,ET_(0))估算中的适用性,以山东省为研究区域,选取了深度神经网络(DNN)、时间卷积神经网络(TCN)和长短期记忆神经网络(LSTM)3种深度学习模型,极限学习机模型(ELM)、广义回归神经网络模型(GRNN)和随机森林模型(RF)3种传统机器学习模型,Hargreaves-Samani模型(HS)、Droogres-Allen模型(DA)、Priestley-Tayor模型(PT)、Marrink模型(MK)、WMO模型(WMO)、Trabert模型(TRA)6种经验模型,以均方根误差(RMSE)、决定系数(R^(2))、平均绝对误差(MAE)和效率系数(E_(ns))为精度评价体系,找出了适用于山东省ET_(0)估算的最优模型,结果表明:相同气象参数输入条件下,机器学习模型精度普遍优于经验模型,而3种深度学习模型精度最优,TCN模型在所有模型中精度最高;输入辐射资料的模型精度普遍高于温度模型和质量传输模型,TCN2模型GPI为1.036,在所有模型中排名第1。因此,TCN模型为山东省ET_(0)的最优估算模型使用。