农业机械学报

作者：李尧，刘江舟，刘轩昂，赵政鑫，彭雄标，蔡焕杰

单位：西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,

关键词：冬小麦;蒸散量;涡度相关系统;日光诱导叶绿素荧光;机器学习模型

基金：国家自然科学基金项目（52179046）

为探究在气象数据缺失情况下机器学习模型对冬小麦生育期实际蒸散量（Actual evapotranspiration，ETa）的模拟效果以及日光诱导叶绿素荧光（Solar-induced chlorophyll fluorescence，SIF）对于机器学习模型模拟ETa的优势，将SIF与气象、作物生理指标、土壤水热条件等因素相结合，构建梯度上升（Gradient boosting，GB）、随机森林（Random forest，RF）和支持向量机（Support vector machine，SVM）3种经典机器学习模型和线性回归（Linear regression，LR）模型模拟冬小麦生育期ETa，并与Penman-Monteith（P-M）模型计算得到的蒸散量ET_pm进行对比。结果表明： SIF与ETa显著相关，但仅通过SIF作为特征参数构建的机器学习模型拟合精度较低；根据基于机器学习模型的特征参数重要度排序以及各情景下的模型模拟精度可知，SIF对机器学习模型模拟ETa的精度有提升效果。机器学习模型在有足够的特征参数时拟合效果明显优于P-M模型，且在平均温度、SIF、日照时数、叶面积指数（Leaf area index，LAI）和土壤含水率的基础上继续添加特征参数对模拟精度提升不大，因此推荐使用上述5个特征参数组成的特征集构建机器学习模型进行ETa预测，模型决定系数R2分别为0.92、0.91和0.91，其中GB模型对冬小麦全生育期ETa的拟合效果最好。该研究可在气象数据缺失情况下为当地蒸散量的精准模拟和合理灌溉制度制定提供参考。

来源：2025年第5期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第5期