| 基于集成学习的土壤含水量预测研究——以辽西地区为例 |
| |
| 引用本文： | 付平凡,杨晓静,苏志诚,屈艳萍,马苗苗.基于集成学习的土壤含水量预测研究——以辽西地区为例[J].土壤,2023,55(3):671-681. |
| |
| 作者姓名： | 付平凡 杨晓静 苏志诚 屈艳萍 马苗苗 |
| |
| 作者单位： | 中国水利水电科学研究院,中国水利水电科学研究院,中国水利水电科学研究院,中国水利水电科学研究院,中国水利水电科学研究院 |
| |
| 基金项目： | 中国水利水电科学研究院防洪抗旱减灾工程技术研究中心青年创新人才推进项目 |
| |
| 摘 要： | 准确高效地预测土壤含水量（SMC）对田间水分管理至关重要。本研究利用在辽西地区自建的3个站点2018-2021年10~40cm的土壤水分自动观测小时数据集，分析研究随机森林（RF）和梯度提升机（GBM）算法在土壤含水量预测方面的适用性，验证不同时间尺度土壤含水量的预测结果。引入SHAP（Shapley Additive Explanations）方法表征5类（降水、日照时数、平均相对湿度、风速、平均气温）输入变量对SMC预测结果的影响，并制定区间划分规则识别变量最大贡献阈值区间。研究结果表明：年尺度下，GBM模型和RF模型R2分别为0.982和0.888，气温贡献最大，最大贡献区间是21~23℃；季尺度下，2种模型R2分别为0.935和0.863，日照时数贡献最大，最大贡献区间为2~4h。该研究创新应用SHAP方法于机器学习输入变量贡献度分析，同时验证了2种机器学习算法在土壤含水量预测研究的准确性，可为土壤含水量相关研究提供参考借鉴。
|
| 关 键 词： | 集成学习 土壤含水量预测 梯度提升机 随机森林 辽宁西部 SHAP值 |
| 收稿时间： | 2022/9/5 0:00:00 |
| 修稿时间： | 2022/12/20 0:00:00 |
Prediction of Soil Moisture Content Based on Ensemble Learning—A Case Study of Western Liaoning Province |
| |
| FU Pingfan,YANG Xiaojing,SU Zhicheng,QU Yanping,MA Miaomiao.Prediction of Soil Moisture Content Based on Ensemble Learning—A Case Study of Western Liaoning Province[J].Soils,2023,55(3):671-681. |
| |
| Authors: | FU Pingfan YANG Xiaojing SU Zhicheng QU Yanping MA Miaomiao |
| |
| Institution: | China Institute of Water Resources and Hydropower Research,China Institute of Water Resources and Hydropower Research,China Institute of Water Resources and Hydropower Research,China Institute of Water Resources and Hydropower Research,China Institute of Water Resources and Hydropower Research |
| |
| Abstract: | |
| |
| Keywords: | Ensemble learning soil moisture content forecasting Gradient Boosting Machine Random forest western Liaoning SHAP value |
|
| 点击此处可从《土壤》浏览原始摘要信息 |
| 点击此处可从《土壤》下载免费的PDF全文 |
