农业机械学报

作者：姚付启，董建华，范军亮，曾文治，吴立峰

单位：鲁东大学,南昌工程学院,西北农林科技大学,武汉大学,南昌工程学院,

关键词：参考作物蒸散量;预报;轻量级提升树算法;偏差校正;数值天气预报;机器学习

基金：山东省自然科学基金项目（ZR2020ME254、ZR2020QD061）和国家自然科学基金项目（51879196、51309016）

针对基于数值天气预报（Numerical weather prediction，NWP）对参考作物蒸散量（Reference crop evapotranspiration，ET0）进行预报通常需要数据偏差校正的问题，基于LightGBM机器学习方法和我国西北地区9个气象站点数据提出一种对第二代全球集合预报系统（Global ensemble forecast system，GEFSv2）预报气象因子进行偏差校正的方法（M3）。该方法使用太阳辐射、最高和最低气温、相对湿度和风速集合分别对每个气象因子进行重预报，再计算ET0。使用等距离累积分布函数（EDCDFm，M1）和单气象因子输入的LightGBM法（M2）对模型精度进行评估。结果表明，GEFSv2的预报因子与相应的观测气象因子之间存在不匹配问题，其不匹配程度因气象因子不同而不同，太阳辐射的匹配度较高，相对湿度的匹配度较低。M3模型有助于缓解数据不匹配问题。M1、M2和M3方法在9站点预报ET0的平均均方根误差（RMSE）分别介于0.66~0.93mm/d、0.57~0.83mm/d和0.53~0.79mm/d，平均绝对误差（MAE）分别介于0.44~0.61mm/d、0.38~0.56mm/d和0.35~0.53mm/d，决定系数（R2）分别介于0.82~0.91、0.84~0.93和0.86~0.94。3种方法均在夏季误差最大，1~16d平均RMSE分别为1.21、1.18、1.04mm/d。各预报因子中太阳辐射对ET0预报误差影响最大，其后依次是风速、最高气温、相对湿度和最低气温。在后处理过程中，NWP的最高气温预报值对其他因子预报精度的贡献最大、对相对湿度预报精度的贡献最小。建议在进行NWP偏差校正时，应考虑数据不匹配问题，通过多因子校正来弥补预报精度的不足。

来源：2021年第7期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2021年第7期