Машинное обучение для оценки эталонной эвапотранспирации при ограниченных метеорологических данных

Содержание

1 Введение

Оценка эталонной эвапотранспирации (ETo) имеет решающее значение для планирования орошения и управления водными ресурсами, особенно в засушливых регионах, таких как Марокко. Уравнение ФАО-56 Пенмана-Монтейта, хотя и точное, требует обширных метеорологических данных, включая температуру, влажность, солнечную радиацию и скорость ветра, что делает его непрактичным для регионов с ограниченной сенсорной инфраструктурой.

Традиционные эмпирические уравнения, такие как Харгривса-Самани, Романенко и Дженсена-Хайза, предлагают упрощенные подходы, но страдают от вариабельности производительности в различных климатических условиях. Данное исследование устраняет эти ограничения, исследуя модели машинного обучения, которые могут обеспечить точную оценку ETo при минимальном количестве входных параметров.

2 Методология

2.1 Сбор и предварительная обработка данных

Были собраны метеорологические данные с нескольких станций в регионе Мекнес, включая измерения температуры, влажности, солнечной радиации и скорости ветра. Предварительная обработка данных включала обработку пропущенных значений, нормализацию и временное согласование данных с разных станций.

2.2 Модели машинного обучения

Были реализованы и сравнены три модели машинного обучения:

• XGBoost: Фреймворк градиентного бустинга, известный высокой производительностью и эффективностью
• Support Vector Machine (SVM): Эффективна для задач регрессии с ограниченными данными
• Random Forest (RF): Ансамблевый метод, устойчивый к переобучению

2.3 Экспериментальная установка

Были реализованы два сценария валидации:

• Сценарий 1: Случайное разделение всех доступных данных
• Сценарий 2: Обучение на одной станции, валидация на другой (пространственная перекрестная проверка)

3 Результаты и обсуждение

3.1 Сравнение производительности

Все модели машинного обучения превзошли традиционные эмпирические уравнения в обоих сценариях валидации. XGBoost продемонстрировал наивысшую точность со значениями R² выше 0,92, за ним следуют Random Forest и SVM.

3.2 Анализ важности признаков

Температура и солнечная радиация оказались наиболее важными признаками для всех моделей. Анализ показал, что только с этими двумя параметрами модели машинного обучения могут достичь 85-90% производительности, полученной при использовании полных наборов параметров.

4 Техническая реализация

4.1 Математические формулировки

Стандартное уравнение ФАО-56 Пенмана-Монтейта служит эталоном:

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

Где $\Delta$ — наклон кривой давления пара, $R_n$ — чистая радиация, $G$ — поток тепла в почве, $\gamma$ — психрометрическая постоянная, $T$ — температура воздуха, $u_2$ — скорость ветра, $e_s$ — давление насыщенного пара, $e_a$ — фактическое давление пара.

4.2 Реализация кода

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)

# Выбор признаков: только температура и солнечная радиация
features = ['temp_max', 'temp_min', 'solar_rad']
target = 'ETo_FAO56'

5 Перспективы применения

Исследование демонстрирует значительный потенциал для практической реализации в нескольких областях:

• Системы умного орошения: Интеграция с контроллерами орошения на основе IoT для управления водными ресурсами в реальном времени
• Адаптация к изменению климата: Улучшенное планирование водных ресурсов в засушливых регионах
• Сельскохозяйственные технологии: Разработка мобильных приложений для мелких фермеров
• Водная политика: Поддержка принятия решений на основе данных для распределения и ценообразования воды

Будущие направления исследований включают трансферное обучение для различных климатических зон, интеграцию со спутниковыми данными и разработку решений для периферийных вычислений в удаленных районах.

6 Список литературы

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 Экспертный анализ