基于极限学习机模型的中国西北地区参考作物蒸散量预报

为有效提高西北地区参考作物蒸散量(ET_0)预报精度,在西北地区选择6个代表性气象站点,以P-M模型计算的ET_0作为标准值,利用1993-2016年逐日气象资料构建10种极限学习机(extreme learning machine,ELM)ET_0预报模型,用k-折交叉验证估计模型泛化误差,并将其与Hargreaves-Samani、Chen、EI-Sebail和Bristow等4种在西北地区计算精度较高的模型进行比较。结果表明:ELM_1(输入T_(max)、T_(min)、RH、n和u_2)、ELM_2(输入T_(max)、T_(min)、n和u_2)、ELM_4(输入T_(max)、T_(min)、RH和u_2)及ELM_7(输入T_(max)、T_(min)和u~2)模型均具有较高模拟精度,其MAE分别为0.199、0.209、0.250、0.273 mm/d,RMSE分别为0.270、0.285、0.341、0.422 mm/d,NSE分别为0.983、0.981、0.973、0.987,R~2分别为0.984、0.982、0.975、0.960,整体评价指标(global performance indicator,GPI)排名分别为1、2、3、4;模型可移植性分析表明,ELM模型具有较强的泛化能力,除了ELM_7在喀什站、敦煌站的模拟精度相对较低之外,其余ELM模型在西北地区各站点模拟结果的MAE均在0.40 mm/d以下、RMSE均在0.49以下、NSE均在0.95以上、R~2均在0.96以上;在相同输入的情况下ELM模型模拟精度均高于HargreavesSamani、Chen、EI-Sebail和Bristow。因此,在气象资料缺乏情景下ELM模型可作为西北地区ET_0计算的推荐模型。