董力铭,曾文治,雷国庆
(武汉大学水资源与水电工程科学国家重点实验室,武汉430072)
蒸发是气象科学、水资源评价和水循环的重要内容[1,2]。精准的预测水面蒸发对于干旱、半干旱地区的水资源合理规划、农业节水灌溉及水资源评价具有重要意义和价值[3,4]。预测水面蒸发量的方法大致分为2 类:实地测量法及模型估计法。其中,实地测量法如蒸发皿测量法,虽然可以得到较为精确的结果,但十分容易受到田间状况、人工成本、极端天气情况等因素的限制,制约了其应用的范围[5,6]。同时,由于蒸发过程具有高度非线性、复杂性和不稳定性等特点,较难建立包含所有相关因素的,具有较强普适性的经验数学模型[7−9]。
近年来,随着机器学习及启发式搜索算法的快速发展及其在解决非线性复杂问题上的巨大优势,已有许多学者将机器学习如人工神经网络(ANN)[10,11]、多元自适应回归曲线(MARS)[6,12]、 随 机 森 林(RF)[13]、 分 类 梯 度 提 升(CatBoost)[14]等算法应用于蒸散发、水面蒸发等方面的模拟并得到较为准确的水面蒸发预测精度。其中,CatBoost模型以其强大的特征分类能力及高准确度,受到学者们的广泛关注。Huang[14]将CatBoost模型与SVM模型和RF模型在估算中国湿润地区ET0时进行了对比,发现CatBoost模型不仅在精度和稳定性方面具有显著优势,在计算时间和内存使用方面也同样更为优越。然而CatBoost模型需要设置的参数较多,增加了陷入局部最优解的可能性。为此,利用具有强大搜索功能的蝙蝠算法进行耦合,提升CatBoost模型处理参数的能力,进而增强模型预测准确度及鲁棒性是一种可行且有效的办法[15]。……