天河外贸型网站建设,网站建设按年收费吗,制作小程序和网站的公司,增强wordpress编辑器基于多种机器学习模型的西北地区蒸散发模拟与趋势分析_季鹏_2023 摘要关键词 1 资料和方法1. 1 研究区域与观测数据1. 2 机器学习模型构建与验证方法1. 3 SHAP 可解释性方法 2 主要结果2. 1 不同模型的模拟性能和泛化能力2. 2 不同模型的可解释性分析2. 3 5 km 分辨率格点蒸散发… 基于多种机器学习模型的西北地区蒸散发模拟与趋势分析_季鹏_2023 摘要关键词 1 资料和方法1. 1 研究区域与观测数据1. 2 机器学习模型构建与验证方法1. 3 SHAP 可解释性方法 2 主要结果2. 1 不同模型的模拟性能和泛化能力2. 2 不同模型的可解释性分析2. 3 5 km 分辨率格点蒸散发数据构建及蒸散发趋势 3 结论 摘要 本文利用西北地区 12 个草地通量站点与卫星遥感产品基于随机森林、极端梯度提升、支持向量回归和人工神经网络 4 种机器学习方法构建 ET 估算模型制作 5 km 分辨率 ET 产品并分析 ET 的长期变化趋势。
关键词
西北地区;蒸散发;机器学习;可解释性;趋势分析
1 资料和方法
1. 1 研究区域与观测数据 本文蒸散发指冠层向上的总蒸散发( ET) 其计算公式如下: ET EsTc。 其中: Tc 表示冠层蒸腾; Es 表示土壤蒸发。 本文主要关注我国西北( 包括内蒙古) 干旱、半干旱地区( 图 1a) 。选取由国家青藏高原科学数据中心、FLUXNET2015以及中国陆地生态系统通量观测研究网络提供的 12 个通量站点观测( 图 1b) 具体站点信息和观测时长见表 1。原始数据频次为半小时、小时或者日均处理到日尺度。
1. 2 机器学习模型构建与验证方法 本文采用净辐射、日平均气温、日平均湿度等 19 个环境要素作为机器学习模型的预测因子( 详见表 2) 。 采用 Python 中的网格搜索和交叉验证函数包( GridSearchCV) 率定 F、XGB 和 SV 模型中的部分超参数( 表 3) 。ANN 模型共 4 层每层神经元的个数分别是 200、100、50 和 1。 采 用 Kling-Gupta 系 数、解释方差( 2) 、均方根误差( MSE) 和偏差( BIAS) 来验证模拟精度其计算公式如下:
1. 3 SHAP 可解释性方法 SHAP 方法是利用博弈论解释机器学习模型的方法 其可以量化某个输入要素对模型预测效果的具体贡献。
2 主要结果
2. 1 不同模型的模拟性能和泛化能力 表 4 给出不同机器学习模型完成 10 次 CV 和12 次 SCV 后的评估参数而图 2 给出了 CV 和SCV 试验在测试集上的验证效果。 图 3 进一步给出了不同站点观测和模型估算的蒸散发季节分布其中模型估算结果均来自 SCV 试验( 即站点数据均未参与模型训练) 月尺度结果由日尺度平均得到。 总体而言各模型均能很好模拟出蒸散发的季节循环。然而没有一种模型能够在每个站点都拥有最好的模拟效果。
2. 2 不同模型的可解释性分析 图 4 给出了 4 种机器学习模型的 SHAP 可解释性汇总其中横轴为 SHAP 值纵轴的预测因子按照解释性大小从上到下依次排列每个点的颜色代表预测因子的数值大小。 图 5 进一步给出净辐射的 SHAP 值和净辐射大小以及土壤湿度之间的关系选取观测时长最大的AOU 和 NMG 站分别代表高寒草甸和温性草原。
2. 3 5 km 分辨率格点蒸散发数据构建及蒸散发趋势 利用上述 4 种机器学习方法构建了西北地区 5 km 分 辨 率2001—2018 年的多模型集合蒸散发产品( 简称 ML_ENS) 。 图6 对比了 ML-ENS 和其他高分辨率产品对不同站点 ET 季节循环的模拟效果。 图 7 进一步给出 2001—2018 年西北地区非裸地下垫面的降水、蒸散发以及降水减蒸散发的趋势分布。
3 结论 本文以我国西北地区为例通过 12 个通量站点的多年观测数据训练 4 种机器学习模型采用随机交叉验证、空间交叉验证和 SHAP 可解性方法检验模型模拟效果与可解释性; 利用具有较好物理可解释性的机器学习模型结合遥感与格点气象再分析资料生成一套 5 km 分辨率、2001—2018 年蒸散发产品对蒸散发的长期趋势进行了分析得到如下主要结论: 1) F、XGB、SV 和 ANN 模型均能很好估算西北地区草地下垫面的日尺度蒸散发且均具有较好的鲁棒性和泛化能力。基于集成学习理念的 F和 XGB 模型在随机交叉验证中偏差接近 0从而拥有比 SV 和 ANN 模型更小的均方根误差。没有一种模型在所有站点都拥有最好的模拟效果。相比单一模型4 种模型的集合平均使得蒸散发的季节循环估算误差降低 7% 20%。 2) 虽然在具体权重大小上存在差异4 种机器学习方法均将净辐射作为估算蒸散发的首要因子同时也都给予植被参数( EVI 或 NDVI) 以及土壤湿度较大的权重均能合理捕捉干旱、半干旱地区能量、水分和植被对蒸散发的影响。另外4 种机器学习模型能够合理描述土壤偏干时土壤水分对蒸散发的限制作用。 3) 基于 4 种机器学习模型集合平均的格点蒸散发产品( ML-ENS) 相比 FLUXCOM、GLEAM 和GLASS 蒸散发产品误差降 低 45% 70%。基 于ML-ENS 产品的趋势分析表明西北地区( 裸地和沙漠除外) 在 2001—2018 年呈现出蒸散发增加的趋势且河套、内蒙古中部和东北部地区蒸散发的增加将抵消降水增加的增湿效应从而进一步增加干旱化风险。
