Maschinelles Lernen zur Schätzung der Referenz-Evapotranspiration mit begrenzten meteorologischen Daten

Inhaltsverzeichnis

1 Einleitung

Die Schätzung der Referenz-Evapotranspiration (ETo) ist entscheidend für die Bewässerungsplanung und Wasserressourcenbewirtschaftung, insbesondere in dürregefährdeten Regionen wie Marokko. Die FAO-56 Penman-Monteith-Gleichung, obwohl genau, erfordert umfangreiche meteorologische Daten einschließlich Temperatur, Luftfeuchtigkeit, Sonneneinstrahlung und Windgeschwindigkeit, was sie für Regionen mit begrenzter Sensorinfrastruktur unpraktisch macht.

Traditionelle empirische Gleichungen wie Hargreaves-Samani, Romanenko und Jensen-Haise bieten vereinfachte Ansätze, leiden jedoch unter Leistungsschwankungen unter verschiedenen klimatischen Bedingungen. Diese Forschung adressiert diese Einschränkungen durch die Untersuchung von maschinellen Lernmodellen, die eine genaue ETo-Schätzung mit minimalen Eingabeparametern erreichen können.

2 Methodik

2.1 Datenerfassung und Vorverarbeitung

Meteorologische Daten von mehreren Stationen in der Region Meknes wurden erfasst, einschließlich Temperatur-, Luftfeuchtigkeits-, Sonneneinstrahlungs- und Windgeschwindigkeitsmessungen. Die Datenvorverarbeitung umfasste die Behandlung fehlender Werte, Normalisierung und zeitliche Abstimmung über verschiedene Stationen hinweg.

2.2 Maschinelle Lernmodelle

Drei maschinelle Lernmodelle wurden implementiert und verglichen:

• XGBoost: Gradient-Boosting-Framework bekannt für hohe Leistung und Effizienz
• Support Vector Machine (SVM): Effektiv für Regressionsaufgaben mit begrenzten Daten
• Random Forest (RF): Ensemble-Methode robust gegenüber Überanpassung

2.3 Experimenteller Aufbau

Zwei Validierungsszenarien wurden implementiert:

• Szenario 1: Zufällige Aufteilung aller verfügbaren Daten
• Szenario 2: Training an einer Station, Validierung an einer anderen (räumliche Kreuzvalidierung)

3 Ergebnisse und Diskussion

3.1 Leistungsvergleich

Alle maschinellen Lernmodelle übertrafen traditionelle empirische Gleichungen in beiden Validierungsszenarien. XGBoost zeigte die höchste Genauigkeit mit R²-Werten über 0,92, dicht gefolgt von Random Forest und SVM.

3.2 Analyse der Merkmalsbedeutung

Temperatur und Sonneneinstrahlung erwiesen sich als die kritischsten Merkmale über alle Modelle hinweg. Die Analyse zeigte, dass mit nur diesen beiden Parametern maschinelle Lernmodelle 85-90 % der Leistung erreichen konnten, die mit vollständigen Parametersätzen erzielt wurde.

4 Technische Implementierung

4.1 Mathematische Formulierungen

Die standardmäßige FAO-56 Penman-Monteith-Gleichung dient als Benchmark:

$$ET_0 = \frac{0.408\Delta(R_n - G) + \gamma\frac{900}{T + 273}u_2(e_s - e_a)}{\Delta + \gamma(1 + 0.34u_2)}$$

Wobei $\Delta$ die Steigung der Dampfdruckkurve, $R_n$ die Nettostrahlung, $G$ der Bodenwärmestrom, $\gamma$ die psychrometrische Konstante, $T$ die Lufttemperatur, $u_2$ die Windgeschwindigkeit, $e_s$ der Sättigungsdampfdruck und $e_a$ der aktuelle Dampfdruck ist.

4.2 Code-Implementierung

import xgboost as xgb
from sklearn.ensemble import RandomForestRegressor
from sklearn.svm import SVR
import numpy as np

class EToEstimator:
    def __init__(self, model_type='xgb'):
        if model_type == 'xgb':
            self.model = xgb.XGBRegressor(
                max_depth=6,
                learning_rate=0.1,
                n_estimators=100,
                objective='reg:squarederror'
            )
        elif model_type == 'rf':
            self.model = RandomForestRegressor(
                n_estimators=100,
                max_depth=10,
                random_state=42
            )
        elif model_type == 'svm':
            self.model = SVR(kernel='rbf', C=1.0, epsilon=0.1)
    
    def train(self, X_train, y_train):
        self.model.fit(X_train, y_train)
    
    def predict(self, X_test):
        return self.model.predict(X_test)

# Merkmalsauswahl: Nur Temperatur und Sonneneinstrahlung
features = ['temp_max', 'temp_min', 'solar_rad']
target = 'ETo_FAO56'

5 Zukünftige Anwendungen

Die Forschung zeigt bedeutendes Potenzial für praktische Implementierung in mehreren Bereichen:

• Intelligente Bewässerungssysteme: Integration mit IoT-basierten Bewässerungssteuerungen für Echtzeit-Wassermanagement
• Klimawandelanpassung: Verbesserte Wasserressourcenplanung in dürregefährdeten Regionen
• Agrartechnologie: Entwicklung mobiler Anwendungen für Kleinbauern
• Wasserpolitik: Datenbasierte Entscheidungsunterstützung für Wasserzuteilung und Preisgestaltung

Zukünftige Forschungsrichtungen umfassen Transferlernen über verschiedene Klimazonen, Integration mit Satellitendaten und Entwicklung von Edge-Computing-Lösungen für abgelegene Gebiete.

6 Referenzen

1. Allen, R. G., Pereira, L. S., Raes, D., & Smith, M. (1998). Crop evapotranspiration: Guidelines for computing crop water requirements. FAO Irrigation and drainage paper 56.
2. Landeras, G., Ortiz-Barredo, A., & López, J. J. (2008). Comparison of artificial neural network models and empirical and semi-empirical equations for daily reference evapotranspiration estimation in the Basque Country. Agricultural Water Management, 95(5), 553-565.
3. Maestre-Valero, J. F., Martínez-Alvarez, V., & González-Real, M. M. (2013). Evaluation of SVM and ELM for daily reference evapotranspiration estimation in semi-arid regions. Computers and Electronics in Agriculture, 89, 100-106.
4. López-Urrea, R., Martín de Santa Olalla, F., Fabeiro, C., & Moratalla, A. (2006). Testing evapotranspiration equations using lysimeter observations in a semiarid climate. Agricultural Water Management, 85(1-2), 15-26.
5. Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., ... & Bengio, Y. (2014). Generative adversarial nets. Advances in neural information processing systems, 27.

7 Expertenanalyse