基于机器学习的遮荫设施内参考作物蒸散量估算

为高效准确地估算遮荫设施内参考作物蒸散量(reference evapotranspiration,ET0),该研究通过分析三七栽培遮荫设施(四周及顶部均由黑色遮阳网遮盖,通风性较好)内及设施外气象参数的关系,采用Sobol 敏感性分析方法筛选出设施外有效的气象参数,并将其作为模型输入,以Penman-Monteith(FAO-56 PM)模型计算的值为标准值,采用贝叶斯优化(bayesian optimization,BO)算法优化机器学习方法(支持向量回归机(support vector regression,SVR)、随机森林(random forest,RF)和极限学习机(extreme learning machine,ELM))中的参数,建立 3种遮荫设施内ET0 估算模型(BO-SVR、BO-RF 和BO-ELM).结果表明:遮荫设施内ET0 对设施外平均相对湿度、平均风速、最高气温和平均气温的敏感性较高,一阶敏感系数分别为0.450、0.304、0.064 和 0.026,故基于4 组气象参数建立模型.BO-ELM模型的测试精度整体优于BO-SVR 和BO-RF,其中BO-ELM 模型基于平均相对湿度、平均风速、最高气温和平均气温的气象参数组合估算精度最高,决定系数、均方根误差和平均绝对误差分别为0.928、0.069和 0.046 mm/d,BO-ELM模型也能很好地适应少量气象参数(平均相对湿度和平均风速)估算设施内ET0,决定系数、均方根误差和平均绝对误差分别为 0.910、0.078 和 0.057 mm/d.综合考虑计算精度和计算代价,可将BO-ELM 模型作为气象参数缺失情况下遮荫设施内ET0 的估算方法.研究为遮荫设施内ET0 的估算提供有效方法.