Sacking集成模型模拟膜下滴灌玉米逐日蒸散量和作物系数.docxVIP

Sacking集成模型模拟膜下滴灌玉米逐日蒸散量和作物系数 摘要：为准确模拟膜下滴灌玉米逐日蒸散量和作物系数，该研究以4个经典机器学习模型：随机森林（Random Forest,RF）、支持向量机（Support Vector Machine,SVM）、BP神经网络（Back Propagation Neural Network,BP）和Adaboost集成学习模型（Adaboost,ADA）为基础，基于Stacking算法建立了集成学习模型（Linear Stacking Model,LSM）对膜下滴灌玉米逐日蒸散量和作物系数进行模拟。并将LSM的模拟精度与RF、SVM、BP和ADA模型的模拟精度相比较，结果表明：1)RF、SVM、BP和ADA模型模拟膜下滴灌玉米的逐日蒸散量和作物系数时的相对均方根误差均大于0.2;2）相比RF、SVM、BP和ADA模型，LSM模型提高了玉米逐日蒸散量和作物系数模拟精度。LSM模拟的膜下滴灌玉米的作物系数相比于FAO推荐值更接近实测值；3）日序数、平均温度、株高、叶面积指数和短波辐射5个特征对玉米膜下滴灌玉米日蒸散量和作物系数影响最高，基于这5个特征建立的LSM模型模拟膜下滴灌玉米的蒸散量和作物系数的R2分别为0.9和0.89，相对均方根误差分别为0.23和0.16。因此，建议在该研究区使用日序数、平均温度、株高、叶面积指数和短波辐射5个特征参数建立LSM模型模拟膜下滴灌玉米蒸散量和作物系数。该研究可为高效节水条件下作物蒸散量和作物系数的精准模拟和合理制定灌溉制度提供参考。 0 引言作物实际蒸散量（Crop Evapotranspiration,ET目前，虽然基于Stacking算法的集成学习模型在机器视觉和自然语言处理等领域应用较广，但基于Stacking策略的集成学习模型对膜下滴灌玉米耗水和作物系数进行的探索尚不多见。同时，基于机器学习方法对作物蒸散量和作物系数的模拟研究中，所选择的研究尺度多为月尺度或半个月尺度因此，本文建立基于Stacking策略的集成学习模型对膜下滴灌玉米逐日蒸散量和作物系数进行模拟；并综合评价基于Stacking策略的集成学习模型和经典机器学习模型对膜下滴灌玉米逐日蒸散量和作物系数的模拟精度和可行性；在此基础上探索不同输入特征对模拟膜下滴灌玉米逐日蒸散量和作物系数模拟精度的影响，并最终选定模型的最佳输入特征组合。1 材料与方法1.1 田间试验田间试验于2016-2018年在辽宁省灌溉试验中心（120°30′44″E,42°08′59″N，海拔47 m）进行。试验在2个大型称重式蒸渗仪测坑内进行，测坑长和宽分别为2.5和2 m，深度为3.5 m。测坑内土壤为壤土，耕层0～20 cm土壤含有机质、全氮、速效钾和速效磷分别为21.6 g/kg、108.0 mg/kg、142.5 mg/kg和23.1 mg/kg，土壤容重1.37 g/cm1.2 特征选取与数据预处理1.2.1 气象数据特征气象数据由试验站安装的气象站（FT-QC9）每隔30 min记录1次气温、湿度、风速和日照时数，其中日照时数用以计算实际太阳短波辐射（R式中G1.2.2 玉米生长指标试验中使用卷尺定株测量玉米株高；使用直尺测量玉米植株上所有展开叶的叶宽和叶长，并通过式（3）计算叶面积指数，测量频率约10 d/次。式中LAI为叶面积指数；N′为玉米种植密度，株/hm为进一步获得玉米株高和叶面积生长逐日数据，本文使用式（4)式中h为玉米逐日株高，cm;H最大株高，cm;LAI1.2.3 玉米田间水热情况考虑到田间表层（0～20 cm）土壤的含水率和土壤温度对土壤蒸发有着显著影响1.2.4 数据预处理在膜下滴灌条件下玉米蒸散量的模拟研究中，模型的输入特征为平均气温、相对湿度、风速、天顶辐射、短波辐射、株高、叶面积指数、表层土壤含水率、表层土壤温度和日序数共10个特征参数。由于试验期间安装的蒸渗仪和土壤水热探头会有缺失值和异常值出现，本研究在建模之前对数据集中出现的缺失值和异常值进行了剔除，最终数据集中包含的有效样本点为543个。同时，为了降低不同特征的数量级对模型精度的影响，本研究使用式（6)式中X1.3 研究方法1.3.1 作物系数计算本文使用FAO-56推荐的式（7）计算作物系数式中ET1.3.2 机器学习模型随机森林模型（Random Forest,RF）：它是在以决策树为基本学习器，在Bagging集成学习算法的基础上，进一步采用自助采样法对特征进行随机选择基于Stacking算法的集成学习模型（Linear Stacking Model,LSM）：为提高上述经典机器学习对膜下滴灌玉米逐