基于机器学习的蒸散量插补方法

摘要

以黑河流域湿地、农田、草地、柽柳、胡杨林、混合林生态系统为研究对象,结合气象因子(净辐射、温度、土壤热通量、风速、相对湿度、土壤体积含水率),分别采用多元线性回归(MLR)、决策树(CART)、随机森林(RF)、支持向量回归(SVR)、BP人工神经网络(BPANN)、深度学习(DL)等方法对蒸散量进行插补。结果表明:(a)RF、SVR、BPANN、DL在各个生态系统的蒸散量插补精度均较高(R 2=0.8~0.93,R MSE=21.730~41.731 W/m 2,M AE=12.153~26.129 W/m 2),但SVR在柽柳、混合林生态系统的结果稍差于其他3种方法(R 2降低了0.01~0.02),MLR插补精度最差(R 2=0.6~0.7),CART结果介于之间(R 2=0.78~0.9)。(b)加入土壤体积含水率能一定程度提升模型插补的精度(R 2提高了0.01~0.06)。(c)利用建立的插补模型去插补其他年份的蒸散量,发现其精度有不同程度的下降。综合考虑模型的精度和稳定性,RF、BPANN、DL对于蒸散量的插补具有较高的精度,同时加入土壤体积含水率可以提高模型插补的精度。