基于机器学习的ET0跨站适应性研究

董建华，刘小刚，吴立峰，黄国敏，杨启良

(1 昆明理工大学 农业与食品学院，云南 昆明 650500；2 南昌工程学院 水利与生态工程学院，江西 南昌 330099)

参考作物蒸散量(reference crop evapotranspiration,ET0)是作物灌溉等领域的重要参数之一，准确计算ET0是气候变化分析和区域水资源管理的关键环节[1-2]。ET0是由多种气象因子组成的函数，而气象因子通常与地理位置和气候类型有关[3]。联合国粮农组织(FAO)将Penman-Monteith方程确定为计算ET0的标准方程(FAO-56 PM)，常被用于衡量其他方程的准确性[4]。但FAO-56 PM对气象数据的完整性要求较高，导致FAO-56 PM在气象资料缺失地区的应用受到一定限制。因此，在有限的气象资料下，开发更高效的ET0估算方法具有重要的实际意义。

目前已有一些在有限气象资料下估算ET0的经验模型[5-7]，但因受地域环境影响较大而难以推广使用[8]。近年来，机器学习模型因具有更高的估算精度等而倍受关注，现已用于有限气象数据下ET0的估算[9]。吴立峰等[8]评估了多元自适应回归样条(multivariate adaptive regression splines,MARS)模型和支持向量机(support vector machine,SVM)模型在江西鄱阳湖地区有限气象数据下估算ET0的潜力,表明温度参数影响力最大。但此类研究的前提是研究区存在有限气象数据(如温度和辐射数据等)，而实际研究中存在部分站点完全缺失或仅有不完整气象数据，气象数据序列的缺失使ET0的估算受到明显影响。

由于部分地区缺失气温等气象数据会使ET0的估算受到影响，故学者们尝试借助研究区周边站点(邻站)气象信息通过插值估算目标站点ET0。目前，关于借助邻站气象信息的有关研究总体可分为4类：1)当本地历史气象信息完全缺乏时，可借助邻站气象信息和邻站建立的ET0模型来估算本地ET0。……