王超　杨蒙

【摘  要】论文使用KNEA、LGBM和MARS三种机器学习算法对昆明站1966-2015年参考作物蒸散量进行估算，通过输入因子组合设置以及算法结果统计指标分析，得出KNEA模型算法采用最高气温（Tmax）、最低气温（Tmin）和地表日总辐射（Rs）三个因子的拟合度最高。三种模型预测期与验证期的各项指标相接近，稳定性均较高。

【Abstract】The paper uses three machine learning algorithms of KNEA， LGBM， and MARS to estimate the reference crop evapotranspiration from 1966 to 2015 at Kunming Station. Through the combination setting of input factors and the statistical indicators analysis of the algorithm results， the paper concludes that the KNEA model algorithm adopts the three factors of maximum temperature （Tmax）， minimum temperature （Tmin） and total daily surface radiation （Rs） to obtain the highest fitting degree. The various indicators in prediction period and validation period of the three models are similar， and the stability is relatively high.

【关键词】机器学习;参考作物蒸散量;统计指标;稳定性

【Keywords】machine learning; reference crop evapotranspiration; statistical indicators; stability

【中圖分类号】S311                               【文献标志码】A                                   【文章编号】1673-1069（2020）12-0186-03

1 引言

参考作物蒸散量（ET0）是灌区运行管理的一项重要依据。联合国粮农组织（FAO）推荐使用Penman-Monteith（P-M）彭曼法作为估算ET0的标准方法。P-M法较全面地考虑了各种气象因子对蒸散量的影响，需要连续准确的风速、温度、日照、湿度等观测数据，因而具有较高的精度和较好的适用性[1]。此外，在缺乏连续有效的气象因素时，研究者也找出了简单、有效的经验方法，如Priestley-Taylor法[2]、Irmak法[3]。近年来，随着机器学习以及大数据分析的兴起，很多学者基于SVM（Support Vector Machine）、KNEA（Kernel-Based Arps Decline Model）、ANN（Artificial Neural Network）等机器学习算法对需水量、参考蒸散量进行了预测研究[4，5]，取得了较高的预测精度。

本文以KNEA、LGBM（Linght Gradient Boosting Machine）模型以及多元自适应样条回归MARS这三种模型，对昆明气象站点逐日ET0进行了模拟，其中，以联合国粮农组织推荐的P-M法作为标准与预测值进行对比评价，寻找适合的ET0机器学习算法，以期为该地区水资源优化配置提供依据。

2 研究区域与方法

2.1 研究区域

昆明位于中国西南云贵高原中部，海拔约为1800m，属亚热带季风气候，四季如春，日照较长，年均日照2180h左右，年降水量1000mm，常年温差小。

2.2 数据来源……