与DSSAT集成机器学习和实证蒸发透气模型:对农业水资源管理的影响
Niguss Solomon Hailegnaw1, Haimanote K Bayabil1, Mulatu Liyew Berihun2
1Agricultural and Biological Engineering Department, Tropical Research and Education Center, IFAS, University of Florida, Homestead, FL, USA.
准确的参考蒸发转化率 (ETO) 估计对于水资源管理至关重要. 像神经网络 (NN) 和随机森林 (RF) 这样的机器学习模型比实证模型表现出更高的性能,尽管校准的实证模型提供了可行的替代方案.
科学领域:
- 农业科学 农业科学
- 水文学的水文学
- 数据科学数据科学数据科学
背景情况:
- 准确的参考蒸发透气 (ETO) 数据对于有效的水资源管理和灌计划至关重要.
- 经验和机器学习 (ML) 模型用于估计ETO,但它们的准确性各不相同,影响农业用水量.
- 潘曼-蒙特特FAO-56 (PM) 模型是一个标准的,但数据密集型的模型,需要对替代方法进行评估.
研究的目的:
- 评估经验 (Hargreaves-Samani,Priestly-Taylor,Turc) 和ML (线性回归,随机森林,神经网络) 模型对PM模型的每日ETO估计的准确性.
- 通过使用DSSAT模型,研究ETO模型选择对甜玉米灌用水的影响.
- 评估线性偏差校正对改进经验ETO模型的有效性.
主要方法:
- 利用来自佛罗里达州42个气象站的长期气象数据.
- 与Penman-Monteith FAO-56标准对比了六个ETO模型 (三个经验模型,三个ML模型).
- 将ETO模拟集成到DSSAT作物模型中,用于灌用水分析,并对实证模型应用偏差校正.
主要成果:
- 神经网络 (NN) 和随机森林 (RF) 模型的准确性高于实证模型.
- 经验模型倾向于低估/高估低/高的ETO值;哈格里夫斯-萨马尼 (HS) 显示的准确性最低.
- 校准的Priestly-Taylor (PT) 和Turc (TU) 模型的性能与ML模型相比,不准确的ETO模型可能导致显著的过度灌 (高达54毫米).
结论:
- 机器学习模型是PM模型对ETO估计的可靠替代方案,特别是具有足够的长期数据,显示站点独立的性能.
- 在数据稀缺的地区,校准实证模型是一种实用的方法,但需要进行特定地点的调整.
- 准确的ETO建模至关重要,因为模型选择显著影响作物用水和灌管理决策,考虑到植物特异性透气差异.
更多相关视频
12:26Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling SAHM
Published on: October 11, 2016
13:27Exploring the Effects of Atmospheric Forcings on Evaporation: Experimental Integration of the Atmospheric Boundary Layer and Shallow Subsurface
Published on: June 8, 2015
相关概念视频
Adaptations that Reduce Water Loss
Responses to Drought and Flooding
Modeling and Similitude
