利用机器学习和深度学习技术，在气象数据稀疏的情况下估算每日参考蒸发蒸腾量

《Agricultural Research》：Estimation of Daily Reference Evapotranspiration Using Machine Learning and Deep Learning Techniques with Sparse Meteorological Data

准确估算参考蒸散发（ET0）对优化灌溉决策至关重要，但气象数据缺失地区传统方法受限。本研究在印度奥里萨邦Phulnakhara水道区，对比了SVR、KNN等5种机器学习模型和LSTM等2种深度学习模型，使用不同气象变量组合估算ET0。结果显示：完整数据集下SVR模型R2达0.98，而KNN仅需温度数据即可保持R2≥0.79。两参数组合（温度+风速/湿度）仍能实现R2=0.78-0.79，验证了数据驱动模型在气象数据稀缺区的有效性，为农业水资源管理提供新方法。

　　

摘要

准确估算蒸散量对于优化实时灌溉计划和水资源规划中的决策制定至关重要。传统上，人们使用可获取的气象数据通过经验方法来计算参考蒸散量（ET₀）。然而，在许多地区，这些数据要么有限，要么根本无法用于ET₀的估算。因此，本研究旨在探索数据驱动模型，如机器学习（ML）和深度学习（DL），以在最少的气象数据条件下估算ET₀。在本研究中，采用了五种ML模型（包括线性回归（LR）、随机森林（RF）、支持向量回归（SVR）、XGBoost和KNN回归），以及两种深度学习方法（前馈神经网络和长短期记忆网络（LSTM），利用多种气象变量组合对印度奥里萨邦Phulnakhara运河灌溉区的参考蒸散量（ET₀）进行了估算。这些模型的结果与基于Penman-Monteith方法的ET₀进行了比较。基于Penman-Monteith方法的ET₀与日照小时数和最高温度呈显著正相关（p < 0.01），相关系数分别为0.8和0.6，而最高相对湿度和最低相对湿度则呈负相关。研究结果表明，当所有气候数据（最高温度（T_max）、最低温度（T_min）、最高相对湿度（RH_max）、最低相对湿度（RH_min）、风速和日照小时数）都可用时，决定系数（R²可达到0.98；但当数据有限时，该系数降至0.78。在所有输入组合中，SVR模型的表现优于其他ML模型。然而，在仅使用最高温度和最低温度作为输入数据的情况下，KNN模型被证明是最可靠的ET₀估算模型。研究还发现，即使仅使用三个变量（温度、风速和相对湿度）或两个参数组合（温度与相对湿度或风速中的任意一个），也能得到0.78–0.79范围内的R2值。这些结果表明，即使在气象数据较为稀少的情况下，ML和DL也能有效估算ET₀。本研究的结果为气候数据有限的地区估算ET₀提供了宝贵的见解，这对于有效的农业水资源管理至关重要。