蘇寶峰 張旭東 米志文 杜鶴娟

(1.西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院， 陜西楊凌 712100； 2.農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點(diǎn)實(shí)驗(yàn)室， 陜西楊凌 712100；3.西藏民族大學(xué)信息工程學(xué)院， 咸陽(yáng) 712089)

0 引言

蒸散量(ET)的精確估算對(duì)了解作物需水、指導(dǎo)灌溉起到關(guān)鍵作用，對(duì)揭示區(qū)域性農(nóng)業(yè)氣候特征和生態(tài)環(huán)境差異也具有重要作用[1-7]。

目前，在蒸散量估算研究中，既要降低對(duì)輻射數(shù)據(jù)的依賴，又要提高蒸散量的估算精度[8-12]。例如基于溫度的哈格里夫斯(Hargreaves-Samani, H-S)模型，其主要數(shù)據(jù)為空氣溫度，但在實(shí)際應(yīng)用中常需地域校準(zhǔn)或引進(jìn)輻射數(shù)據(jù)[13-14]。賈悅等[15]將輻射因子引入H-S模型中，提高了模型的穩(wěn)定性。ZAHRA等[16]將基于溫度法的簡(jiǎn)化模型和基于輻射法的簡(jiǎn)化模型進(jìn)行對(duì)比，解釋了不同類型模型的適應(yīng)性問題。然而，測(cè)量太陽(yáng)輻射的輻射計(jì)成本很高[17-18]，全球的輻射監(jiān)測(cè)站點(diǎn)遠(yuǎn)少于氣象監(jiān)測(cè)站點(diǎn)[19-23],無法在農(nóng)業(yè)實(shí)際應(yīng)用中大范圍安裝和布署。

光照度反映太陽(yáng)輻射中可見光波段的光強(qiáng)度，光照度傳感器用于測(cè)量光照的明暗程度，雖然無法直接測(cè)量不可見光波段的光強(qiáng)度，但在太陽(yáng)輻射的全波段中可見光與不可見光波段的能量比例較穩(wěn)定，因此通過光照度表述太陽(yáng)的輻射作用，從而進(jìn)行蒸散量的估算尚有待探索。

機(jī)器學(xué)習(xí)回歸算法是影響蒸散量估算精度的一個(gè)重要因素?，F(xiàn)階段，多采用單元機(jī)器學(xué)習(xí)回歸算法[24-26]。馮禹等[27]構(gòu)建了基于遺傳算法優(yōu)化的誤差反向傳播神經(jīng)網(wǎng)絡(luò)(Back propagation neural network,BPNN)蒸散量預(yù)測(cè)模型，改善了局部最優(yōu)解現(xiàn)象，但尚未表明單一模型的穩(wěn)定性。HOSSEIN等[28]利用自適應(yīng)神經(jīng)模糊系統(tǒng)(Adaptive network-based fuzzy inference system,ANFIS)精準(zhǔn)擬合非線性關(guān)系的特性，將其用于ET與氣象數(shù)據(jù)的非線性擬合，其模擬精度高于常規(guī)的公式法。WALLS等[29]以波文比儀器的觀測(cè)值作為數(shù)據(jù)源，采用人工神經(jīng)網(wǎng)絡(luò)(Artificial neural network, ANN)預(yù)測(cè)蒸散量，有效地預(yù)測(cè)了逐時(shí)級(jí)的蒸散量。

集成算法可解決單元機(jī)器學(xué)習(xí)模型性能精度低、泛化性能差的問題。SUN等[30]采用融合了BPNN、廣義回歸神經(jīng)網(wǎng)絡(luò)(Generalized regression neural network,GRNN)、極限學(xué)習(xí)機(jī)(Extreme learning machine,ELM)和SVR的集成學(xué)習(xí)算法，進(jìn)行PM2.5逐時(shí)預(yù)測(cè)，提高了模型的預(yù)測(cè)精度。集成算法在短期光伏發(fā)電預(yù)測(cè)、生物質(zhì)熱解等領(lǐng)域也表現(xiàn)出穩(wěn)定、高效的模型性能[31-32]。因此，有必要研究集成學(xué)習(xí)算法在蒸散量估算中的適用性。

本文將渦度相關(guān)系統(tǒng)觀測(cè)的實(shí)際蒸散量作為被預(yù)測(cè)量，采用光照度代替太陽(yáng)輻射，提出晴朗指數(shù)，構(gòu)建融合極端梯度提升模型(XGBoost)、分布式梯度提升框架(LightGBM)、支持向量回歸(SVR)、隨機(jī)森林回歸(RFR)的多元集成實(shí)際蒸散量(ETa)估算模型，并與XGBoost、LightGBM、SVM、RFR算法進(jìn)行比較，為簡(jiǎn)化蒸散量估算以及在農(nóng)業(yè)實(shí)際中應(yīng)用和推廣蒸散量提供科學(xué)依據(jù)。

1 材料和方法

1.1 試驗(yàn)區(qū)概況

試驗(yàn)區(qū)位于陜西省中國(guó)旱區(qū)節(jié)水農(nóng)業(yè)研究院的玉米種植試驗(yàn)田(34°17′58.47″N，108°4′2.93″E，海拔525 m)，年均蒸發(fā)量1 500 mm。試驗(yàn)期間田間種植夏玉米，試驗(yàn)區(qū)地形開闊，附近多為農(nóng)田，渦度相關(guān)系統(tǒng)位于農(nóng)田中央。

1.2 數(shù)據(jù)獲取和處理

1.2.1氣象數(shù)據(jù)和蒸散量數(shù)據(jù)獲取

在夏玉米輪作旱田安裝渦度相關(guān)系統(tǒng)(Open path eddy covariance，OPEC)。圖1為渦度相關(guān)系統(tǒng)和光照度記錄儀。該系統(tǒng)主要組成部分為：CAST3A型三維超聲風(fēng)速儀、LI75600A型開路CO2/H2O分析儀、CR1000型數(shù)據(jù)采集器、HMP-60型空氣溫濕度探頭、LI200SZ型輻射量表和HFP01SC型熱通量板等[8]。

渦度相關(guān)系統(tǒng)獲取空氣溫度、空氣濕度、凈輻射和實(shí)際蒸散量數(shù)據(jù)；光照度記錄儀安裝在固定輻射傳感器的橫臂上，型號(hào)為MAX44009，量程為0～200 000 lx，用于記錄與渦度相關(guān)系統(tǒng)對(duì)應(yīng)采集時(shí)間的光照度。兩個(gè)設(shè)備的數(shù)據(jù)同時(shí)采集和記錄，數(shù)據(jù)每30 min同步記錄1次。記錄2019年6月22日—9月22日共計(jì)3 648組數(shù)據(jù)。

1.2.2晴朗指數(shù)

在蒸散量數(shù)據(jù)集中提出晴朗指數(shù)描述不同天氣類型下逐時(shí)蒸散量分布特征。影響蒸散量的主要?dú)庀笠蜃佑刑?yáng)輻射和空氣溫度[33]。目前蒸散量的估算研究直接用氣象數(shù)據(jù)作為數(shù)據(jù)源，在進(jìn)行蒸散量逐時(shí)估算研究中，作為同一天的氣象數(shù)據(jù)時(shí)存在當(dāng)日太陽(yáng)輻射分布差異較大導(dǎo)致蒸散量的分布差異較大。不同天氣類型條件下蒸散量的變化趨勢(shì)具有很明顯的特征差異。而模型的輸入特征中并無對(duì)天氣類型的描述，減弱了模型的估算效果。為此提出基于光照度數(shù)據(jù)的晴朗指數(shù)。將每日的光照度均值作為當(dāng)日的晴朗指數(shù)，其計(jì)算公式為

式中n——當(dāng)日光照度數(shù)據(jù)點(diǎn)個(gè)數(shù)

S——晴朗指數(shù)

Xi——第i個(gè)數(shù)據(jù)點(diǎn)光照度，lx

1.3 蒸散量估算算法

在蒸散量的估算研究中，核心問題在于準(zhǔn)確描述氣象因子與蒸散量之間的非線性關(guān)系。集成算法是最近發(fā)展起來的，可解決單元模型性能精度低、穩(wěn)定性差的問題。然而，蒸散量估算多通過XGBoost、LightGBM、SVM回歸、RFR回歸等單元回歸算法實(shí)現(xiàn)，還未采用多種單元模型組合的集成算法。為此本研究基于以上4種單元模型構(gòu)建集成學(xué)習(xí)算法，探索集成算法在蒸散量估算問題中的模型性能。

1.3.1單元模型

XGBoost是一種梯度增強(qiáng)回歸樹的改進(jìn)算法。與LightGBM算法相比，XGBoost采用Pre-sorting算法[34]，能夠根據(jù)數(shù)據(jù)特征準(zhǔn)確找到分裂點(diǎn)，提高模型的精度，在數(shù)據(jù)挖掘比賽中使用廣泛。LightGBM算法是一種新的梯度提升框架。對(duì)比XGBoost算法，LightGBM采用Leaf-Wise生長(zhǎng)策略，提高了模型的訓(xùn)練效率，同時(shí)，增加了最大深度限制，在保證高效率的同時(shí)防止過擬合問題的出現(xiàn)。RFR是決策樹算法之一，主要用來解決回歸問題，RFR在決策樹的訓(xùn)練過程中引入了隨機(jī)數(shù)據(jù)選取和隨機(jī)特征選擇，使得模型更具有魯棒性。SVR是支持向量機(jī)(Support vector machine,SVM)中的一個(gè)重要的應(yīng)用分支。其通過引入懲罰因子提高了模型的泛化性能。同時(shí)，引入的多種核函數(shù)可以靈活地解決各種非線性回歸問題。

1.3.2集成算法

集成算法是目前機(jī)器學(xué)習(xí)領(lǐng)域研究中的熱門方向。集成學(xué)習(xí)通過組合多種弱學(xué)習(xí)器得到一個(gè)預(yù)測(cè)效果比較好的強(qiáng)學(xué)習(xí)器。在數(shù)據(jù)不充分時(shí)，集成學(xué)習(xí)采用bootstrap進(jìn)行數(shù)據(jù)抽樣，得到多個(gè)數(shù)據(jù)集，分別進(jìn)行訓(xùn)練后再組合。在弱學(xué)習(xí)器的選擇中集成學(xué)習(xí)遵循“好而不同”的原則，即弱學(xué)習(xí)器間擁有各自的優(yōu)點(diǎn)。如圖2所示，集成算法的主要思想是訓(xùn)練模型來學(xué)習(xí)使用底層學(xué)習(xí)器的預(yù)測(cè)結(jié)果，其中基礎(chǔ)學(xué)習(xí)器在所有數(shù)據(jù)集上生成預(yù)測(cè)結(jié)果，次學(xué)習(xí)器會(huì)基于基礎(chǔ)學(xué)習(xí)器的預(yù)測(cè)結(jié)果進(jìn)行再訓(xùn)練進(jìn)而提高模型的精度。

蒸散量估算的集成算法的訓(xùn)練過程如下：首先在數(shù)據(jù)處理階段將空氣溫度、空氣濕度、飽和水汽壓差和光照度作為特征向量，實(shí)測(cè)蒸散量作為目標(biāo)量建立訓(xùn)練集和測(cè)試集。如圖3所示，訓(xùn)練集經(jīng)過三折交叉驗(yàn)證產(chǎn)生3組訓(xùn)練樣本集，分別將其中的2組用于基礎(chǔ)學(xué)習(xí)器訓(xùn)練，1組作為驗(yàn)證集進(jìn)行預(yù)測(cè)。這樣對(duì)于每一個(gè)基礎(chǔ)學(xué)習(xí)器均可得到3組預(yù)測(cè)結(jié)果和3個(gè)模型，將3組預(yù)測(cè)結(jié)果進(jìn)行合并記為A1。同時(shí)，將測(cè)試集分別代入3個(gè)模型進(jìn)行預(yù)測(cè)，將3組預(yù)測(cè)結(jié)果進(jìn)行加權(quán)平均和整合記為B1。對(duì)于XGBoost、LightGBM、RFR以及SVR 4種基礎(chǔ)學(xué)習(xí)器會(huì)產(chǎn)生對(duì)應(yīng)的A1、A2、A3、A4和B1、B2、B3、B4 4對(duì)數(shù)據(jù)集。其中，A1～A4分別包含了4個(gè)基礎(chǔ)學(xué)習(xí)器的模型特征，將A1～A4合并作為次學(xué)習(xí)器的訓(xùn)練集，B1～B4合并作為次學(xué)習(xí)器的測(cè)試集。次學(xué)習(xí)器將每個(gè)基礎(chǔ)學(xué)習(xí)器的預(yù)測(cè)結(jié)果作為特征進(jìn)行學(xué)習(xí)訓(xùn)練，即給基礎(chǔ)學(xué)習(xí)器的預(yù)測(cè)結(jié)果賦予權(quán)重，來使最后的蒸散量估算更為準(zhǔn)確。

1.3.3模型的超參數(shù)尋優(yōu)算法

在通過機(jī)器學(xué)習(xí)算法建立氣象因子與蒸散量的非線性關(guān)系中，模型超參數(shù)的最優(yōu)選擇直接決定了算法的性能。隨機(jī)搜索和網(wǎng)格搜索是常用的兩種超參數(shù)優(yōu)化方法。隨機(jī)搜索能快速地縮小超參數(shù)的范圍，而網(wǎng)格搜索較隨機(jī)搜索能更精確確定超參數(shù)的數(shù)值。本研究中，首先采用隨機(jī)搜索快速確定超參數(shù)的大致范圍，再通過網(wǎng)格尋優(yōu)精確確定超參數(shù)的最優(yōu)組合。同時(shí)通過交叉驗(yàn)證提高模型的泛化性能。XGBoost、LightGBM、SVR、RFR 4種模型的主要超參數(shù)如表1所示。

表1 單元模型超參數(shù)Tab.1 Element model hyperparameters

1.4 精度驗(yàn)證

通過均方根誤差(RMSE)和決定系數(shù)(R2)驗(yàn)證數(shù)據(jù)的可靠性，分別分析不同蒸散量模型和晴朗指數(shù)校正的結(jié)果。RMSE越小，R2越接近1，說明模型的精度越高，預(yù)測(cè)性能好。

2 結(jié)果與分析

渦度相關(guān)系統(tǒng)記錄的原始通量數(shù)據(jù)經(jīng)過Eddypro軟件處理，得到實(shí)際蒸散量數(shù)據(jù)作為數(shù)據(jù)集的被預(yù)測(cè)量。渦度相關(guān)系統(tǒng)采集的空氣溫度、空氣濕度、太陽(yáng)輻射以及光照度記錄儀采集的光照度數(shù)據(jù)和引入的晴朗指數(shù)作為預(yù)測(cè)量。其中，太陽(yáng)輻射和光照度用來描述太陽(yáng)光照強(qiáng)弱，作為預(yù)測(cè)量輸入XGBoost、LightGBM、RFR、SVR 4種單元模型和集成模型，用于驗(yàn)證光照度代替太陽(yáng)輻射估算蒸散量的可行性。本文首先通過相關(guān)性分析以及回歸建模驗(yàn)證光照度代替太陽(yáng)輻射的可行性，其次基于光照度采用集成算法建立實(shí)際蒸散量估算模型，最后，在基于光照度的氣象數(shù)據(jù)中引入晴朗指數(shù)，分析晴朗指數(shù)在蒸散估算中的作用。

2.1 光照度與太陽(yáng)輻射相關(guān)性分析

在進(jìn)行光照度與太陽(yáng)輻射以及空氣溫度與太陽(yáng)輻射的相關(guān)性分析中，同時(shí)采用Pearson相關(guān)系數(shù)和Spearman相關(guān)系數(shù)。Pearson相關(guān)系數(shù)受限于數(shù)據(jù)的分布情況，而Spearman相關(guān)系數(shù)是一種與分布無關(guān)的檢驗(yàn)方法。同時(shí)采用以上兩種檢驗(yàn)方法更能反映實(shí)際的相關(guān)情況。光照度與太陽(yáng)輻射在Pearson和Spearman相關(guān)性分析中，相關(guān)系數(shù)分別為0.967 7、0.891 4，表明光照度與太陽(yáng)輻射的相關(guān)性極高?？諝鉁囟扰c太陽(yáng)輻射的相關(guān)性較低，但也有一定的相關(guān)性特征，相關(guān)系數(shù)分別為0.627 1、0.579 6。以上分析表明了通過光照度、空氣溫度代替太陽(yáng)輻射的可行性。采用了線性回歸、回歸樹、支持向量機(jī)以及高斯回歸建立光照度預(yù)測(cè)太陽(yáng)凈輻射的模型，結(jié)果如表2所示，通過4種回歸算法建立光照度、空氣溫度與太陽(yáng)輻射回歸模型的R2均為0.94，初步驗(yàn)證了通過機(jī)器學(xué)習(xí)算法太陽(yáng)輻射可被光照度替代。

表2 太陽(yáng)輻射回歸模型Tab.2 Solar radiation regression model

2.2 基于光照度的蒸散量估算

首先，建立空氣溫度、空氣濕度、飽和水汽壓差、光照度與蒸散量之間的非線性關(guān)系。隨機(jī)選取數(shù)據(jù)集中的80%作為訓(xùn)練集，20%作為測(cè)試集。通過網(wǎng)格搜索和隨機(jī)搜索組合的超參數(shù)尋優(yōu)方法，確定各個(gè)單元模型的超參數(shù)。訓(xùn)練集共2 918組，測(cè)試集共730組，驗(yàn)證不同模型的預(yù)測(cè)能力。用測(cè)試集分別驗(yàn)證XGBoost、LightGBM、RFR、SVR 4種單元模型的預(yù)測(cè)性能，將4個(gè)單元模型的預(yù)測(cè)結(jié)果作為集成模型的輸入特征向量進(jìn)行回歸，建立基于光照度的蒸散量估算模型。

圖4為基于光照度的4種單元模型和集成模型的蒸散量估算結(jié)果，XGBoost、LightGBM、RFR、集成模型的R2在0.9以上，其中集成模型的擬合效果最好，R2為0.955，集成模型的RMSE最小，為0.065 mm/h。表明光照度在蒸散量預(yù)測(cè)中效果良好，也初步表明集成算法的性能優(yōu)于4種單元模型。

由圖5可知，通過空氣溫度、空氣濕度、飽和水汽壓差和太陽(yáng)輻射作為輸入預(yù)測(cè)蒸散量，LightGBM、集成模型R2在0.9以上，最優(yōu)R2為0.905，RMSE最小為0.094 mm/h。表明太陽(yáng)輻射在蒸散量預(yù)測(cè)中同樣具有良好的預(yù)測(cè)效果。

表3為分別通過光照度和太陽(yáng)輻射估算蒸散量的模型結(jié)果對(duì)比，模型精度差異較小，R2最大差值為0.053，RMSE最大差值為0.031 mm/h，尤其是在SVR模型中，RMSE與R2的差異最小。太陽(yáng)輻射和光照度預(yù)測(cè)蒸散量的性能很接近，證明了光照度替代太陽(yáng)輻射作為預(yù)測(cè)蒸散量的輻射類數(shù)據(jù)的可靠性。其次，從訓(xùn)練算法角度進(jìn)行分析評(píng)價(jià)，集成模型的整體性能優(yōu)于單元模型。從基于光照度的蒸散量模型對(duì)比中可以發(fā)現(xiàn)，集成模型的R2與RMSE均優(yōu)于單元模型。同樣，基于太陽(yáng)輻射的蒸散量模型中也能得出相同的結(jié)論。表明集成模型在解決蒸散量非線性問題時(shí)具有優(yōu)勢(shì)。

表3 光照度與太陽(yáng)輻射估算蒸散量模型比較Tab.3 Comparison of illuminance and solar radiation estimation evapotranspiration models

2.3 晴朗指數(shù)對(duì)蒸散量估算精度的影響

不同天氣條件下蒸散量的變化趨勢(shì)具有很明顯的差異。如圖6所示，為了更加直觀說明天氣類型和蒸散量間的關(guān)系，將每日的逐時(shí)級(jí)實(shí)際蒸散量和光照度數(shù)據(jù)進(jìn)行對(duì)比分析。以7月1日的蒸散量分布和光照度分布為例，7月1日的光照度分布與前一天差異較大時(shí)，其蒸散量分布也存在較大差異。這說明了在進(jìn)行當(dāng)日逐時(shí)級(jí)實(shí)際蒸散量估算中，當(dāng)日的光照度分布情況對(duì)逐時(shí)級(jí)的蒸散量有較大影響。同理，在數(shù)據(jù)集中的其他日期也基本符合上述特征，而在2.2節(jié)部分模型的輸入特征數(shù)據(jù)中并無對(duì)光照度分布的描述，降低了模型的預(yù)測(cè)效果。為此，在蒸散量的預(yù)測(cè)數(shù)據(jù)集中引入晴朗指數(shù)，作為逐時(shí)級(jí)蒸散量估算的懲罰因子。

在引入晴朗指數(shù)后，4種單元模型和集成模型的訓(xùn)練結(jié)果如圖7所示。5種模型的一致性優(yōu)于不引入晴朗指數(shù)的結(jié)果。如表4所示，引入晴朗指數(shù)后，單元模型XGBoost、LightGBM、RFR、SVR和集成模型的R2和RMSE均具有顯著提升，其中RMSE最大降低了0.028 mm/h，最優(yōu)值為0.037 mm/h。R2最大提高了0.03，最優(yōu)值為0.985。

表4 晴朗指數(shù)對(duì)蒸散量預(yù)測(cè)模型的影響Tab.4 Influence of sunny index on evapotranspiration prediction model

為了進(jìn)一步驗(yàn)證引入晴朗指數(shù)后通過光照度預(yù)測(cè)蒸散量的效果以及集成模型在進(jìn)行蒸散量預(yù)測(cè)的優(yōu)勢(shì)，采用太陽(yáng)輻射、晴朗指數(shù)和基礎(chǔ)氣象因子作為數(shù)據(jù)集，通過4種單元模型和集成模型進(jìn)行蒸散量預(yù)測(cè)建模并與基于光照度的模型進(jìn)行對(duì)比。

表5為引入晴朗指數(shù)后光照度與太陽(yáng)輻射預(yù)測(cè)蒸散量的模型結(jié)果對(duì)比。結(jié)果表明：光照度在蒸散量的預(yù)測(cè)中可代替凈輻射參數(shù)。晴朗指數(shù)對(duì)預(yù)測(cè)逐時(shí)級(jí)的實(shí)際蒸散量有較大的特征貢獻(xiàn)，提高了預(yù)測(cè)模型的精度。集成模型的預(yù)測(cè)能力在蒸散量預(yù)測(cè)中優(yōu)于單元模型?；诠庹斩葦?shù)據(jù)，引入晴朗指數(shù)后的數(shù)據(jù)集成模型預(yù)測(cè)效果如圖8所示，從圖中可以看出，基于光照度的集成模型在不同天氣晴朗條件下均能很好地表達(dá)蒸散量的氣象特征，提高了蒸散量的預(yù)測(cè)精度。R2和RMSE分別為0.985和0.037 mm/h，能較好地對(duì)實(shí)際蒸散量進(jìn)行預(yù)測(cè)。

表5 引入晴朗指數(shù)后光照度與太陽(yáng)輻射預(yù)測(cè)蒸散量 模型對(duì)比Tab.5 Comparison between illuminance and solar radiation prediction evapotranspiration model after introducing sunny weather index

3 結(jié)論

(1)建立了基于光照度的蒸散量估算方法，分析了光照度代替太陽(yáng)輻射的可行性，對(duì)比了XGBoost、LightGBM、RFR和SVR 4種單元機(jī)器學(xué)習(xí)回歸模型和基于這4種單元模型的集成模型在蒸散量估算中的精度和穩(wěn)定性。

(2)提出了基于光照度的晴朗指數(shù)，晴朗指數(shù)有助于表述當(dāng)日逐時(shí)光照度分布差異較大時(shí)其逐時(shí)蒸散量也存在較大差異這一數(shù)據(jù)特征，晴天、多云以及陰天等不同天氣條件下蒸散量的變化具有很明顯的特征差異，原始?xì)庀髷?shù)據(jù)中并無對(duì)天氣類型的描述，因此降低了模型的預(yù)測(cè)效果，而晴朗指數(shù)作為短期逐時(shí)級(jí)實(shí)際蒸散量預(yù)測(cè)的懲罰因子解決了此問題，提高了蒸散量的估算精度。

(3)通過光照度代替太陽(yáng)輻射的可行性分析可以得出，光照度能很好地代替太陽(yáng)輻射來表述太陽(yáng)對(duì)農(nóng)田的輻射作用。光照度傳感器使用比較普及，從而降低了農(nóng)田蒸散量的儀器測(cè)量成本。相較于單元模型，集成算法更適合進(jìn)行蒸散量的估算，集成算法通過次學(xué)習(xí)器對(duì)基礎(chǔ)學(xué)習(xí)器的4種單元回歸算法特征進(jìn)行了權(quán)值分配，提高了模型的整體精度和穩(wěn)定性。