基于不同机器学习模型的川中丘陵区参考作物蒸散量模拟

为探究不同数值模拟模型在川中丘陵区的适应能力,提高川中丘陵区气象资料缺失下的参考作物蒸散量(ET0)预报精度。选取7个代表性站点1961-2016年逐日气象资料,分别建立基于M5回归树(M5-RT)、双隐含层优化的反向传播神经网络(H-BPNN)和交叉验证优化的广义回归神经网络(CV-GRNN)的ET0预报模型。并选取3个在川中丘陵区具有较高精度的经验模型与其进行对比,在日尺度上评估模型的预报精度,利用可移植性分析评价3种模型在川中丘陵区的泛化能力。结果表明:①基于温度、风速和大气顶层辐射输入的M5-RT2、CV-GRNN2和H-BPNN2模型都具有较高的模拟精度,其R\+2分别为0.987、0.967和0.988,NSE分别为0.987、0.937和0.988;②日尺度误差分析表明,4类输入项组合下,M5-RT模型最优,H-BPNN模型次之,CV-GRNN模型最差,但3种模型的均方根误差均小于0.5 mm/d、平均相对误差均小于13.59%,优于Jensen-Haise、Hargreaves-Li和Irmak-Allen模型,M5-RT2(输入大气顶层辐射、最高/低温度和风速)、M5-RT3(输入最高/低温度和风速)和M5-RT4(输入大气顶层辐射和风速)在川中丘陵区内具有广泛的适应性,均可作为气象数据缺失下川中丘陵区ET0预报的推荐模型;③可移植性分析发现,训练、预测站点交叉组合下,3种模型的预报精度都有降低,但M5-RT泛化能力最强,模拟输出稳定,H-BPNN和CV-GRNN在ET0大于6 mm/d时出现明显截断误差,预测值普遍偏小,同时CV-GRNN模拟结果于标准值的趋势线斜率较小,模拟数值整体偏小。基于M5回归树的ET0预报模型在川中丘陵区具有较高精度,模拟结果稳定,可作为推荐的ET0简化模拟模型。