知识引导的机器学习模型用于美国中西部蒸散发升尺度估算
机器学习
2025-10-14 v1
摘要
蒸散发（ET）在陆-气相互作用中起着关键作用，然而其在不同时空尺度上的精确量化仍然是一个挑战。原位测量方法，如涡度协方差（EC）或基于气象站的ET估算，允许在单一地点测量ET。ET的农业应用需要估算广阔区域内每个田块的ET，这使得在每个地点部署传感系统变得不可行。本研究将基于树的模型和知识引导的机器学习（ML）技术与多光谱遥感数据、网格化气象数据和EC数据相结合，以升尺度估算美国中西部的ET。我们比较了四种基于树的模型——随机森林、CatBoost、XGBoost、LightGBM——以及一个简单的前馈人工神经网络，并结合使用知识引导的ML原理设计的特征。模型使用k折交叉验证（k=5）以及按站点-年份和生物群落分层的训练-测试分割在美国中西部的EC塔上进行训练和测试，以避免数据泄露。结果表明，根据分组k折验证（k=5），具有知识引导特征的LightGBM优于其他方法，其R²=0.86，MSE=14.99 W m⁻²，MAE=8.82 W m⁻²。特征重要性分析表明，知识引导的特征对于预测蒸散发最为重要。使用性能最佳的模型，我们提供了一个空间分辨率为500米、时间分辨率为一天、覆盖2019-2024年期间的网格化ET数据产品。新的网格化产品与基于州级气象站的ET估算之间的相互比较显示出最佳的一致性。
引用
@article{arxiv.2510.11505,
title = {Knowledge-Guided Machine Learning Models to Upscale Evapotranspiration in the U.S. Midwest},
author = {Aleksei Rozanov and Samikshya Subedi and Vasudha Sharma and Bryan C. Runck},
journal= {arXiv preprint arXiv:2510.11505},
year = {2025}
}