参考蒸散发与土壤湿度的可用性对实际蒸散发多模型预测性能及变量重要性影响的综合分析
《Atmosphere》:Evaluating Reference Evapotranspiration and Soil Moisture as Predictors for Machine Learning-Based Actual Evapotranspiration Estimation: Model Performance and Explainability
【字体:
大
中
小
】
时间:2026年09月28日
来源:Atmosphere 2.6
摘要
准确估算实际蒸散发(ETa)对于可持续水资源管理和农业规划至关重要。本研究探讨了参考蒸散发(ET0)和土壤湿度(SM)的可用性如何影响ETa预测性能及预测变量的重要性,所用模型包括随机森林(RF)、袋装树(BT)、最小平方提升(LSBoost)、广义可加模型(GAM)和多元线性回归(MLR)。研究在全局太阳辐射(Rs)、陆表温度(LST)、归一化植被指数(NDVI)和土壤湿度(SM)四种预测变量下,分别设置了有无ET0的两种主要情景进行评估。模型使用80%的数据构建,并在训练子集中进行五折交叉验证,最终性能在独立的20%测试子集上评估。模型可解释性通过SHAP、置换特征重要性(PFI)、偏依赖图(PDP)和时间序列有符号SHAP分析进行评估,同时增设土壤湿度消融实验以量化土壤湿度的增量预测贡献。在情景I中,ET0是主导预测变量,RF和BT取得了最高的独立测试性能(R2 = 0.875;RMSE = 0.398–0.399 mm day?1)。排除ET0后预测性能下降,在情景II中RF、LSBoost和BT的R2值约为0.80,而预测变量重要性结构主要转向Rs,其次为SM、LST和NDVI。移除SM后两种情景的性能均进一步下降,且在ET0不可用时性能恶化更为显著:情景I中R2下降0.025–0.044,情景II中下降0.051–0.099。在排除SM的情景I配置下,该配置的预测变量信息更贴近先前基于ANN和SAFER的研究,R2值介于0.820至0.832之间,表明ETa预测性能的差异不能仅归因于模型结构,还强烈依赖于预测变量的信息含量。总体而言,ET0为ETa预测提供了大量的大气需求信息,Rs则承担主要的预测作用,而SM在ET0不可用时提供尤为重要的补充信息。综合性能、消融和可解释性分析表明,在开发和比较ETa估算方法时,应同时考虑预测变量组合与模型结构的重要性。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号