使用有限氣象資料進行參考蒸散發估算的機器學習方法

1 緒論

參考蒸散發（ETo）估算對於灌溉規劃和水資源管理至關重要，特別是在像摩洛哥這樣易受乾旱影響的地區。FAO-56 Penman-Monteith方程式雖然精確，但需要包括溫度、濕度、太陽輻射和風速在內的廣泛氣象資料，這使得其在感測器基礎設施有限的地區難以實際應用。

傳統的經驗方程式，如Hargreaves-Samani、Romanenko和Jensen-Haise，提供了簡化的方法，但在不同氣候條件下效能表現不一。本研究透過探索能夠以最少輸入參數實現精確ETo估算的機器學習模型，來解決這些限制。

資料需求

FAO-56 PM：5+ 個參數

機器學習模型：2-4 個參數

成本降低

感測器基礎設施：減少 60-80%

2 研究方法

2.1 資料收集與預處理

收集了來自Meknes地區多個氣象站的氣象資料，包括溫度、濕度、太陽輻射和風速測量值。資料預處理涉及處理缺失值、標準化以及不同氣象站之間的時序對齊。

2.2 機器學習模型

實現並比較了三種機器學習模型：

XGBoost：以高效能和效率著稱的梯度提升框架
支援向量機 (SVM)：對於資料有限的迴歸任務非常有效
隨機森林 (RF)：對過度擬合具有魯棒性的集成方法

2.3 實驗設置

實施了兩種驗證情境：

情境 1：隨機分割所有可用資料
情境 2：在一個氣象站訓練，在另一個氣象站驗證（空間交叉驗證）

3 結果與討論

3.1 效能比較

在所有驗證情境中，所有機器學習模型的表現均優於傳統經驗方程式。XGBoost表現出最高的準確度，R²值超過0.92，隨機森林和SVM緊隨其後。

圖 1：機器學習模型與經驗方程式之間的效能比較。條形圖顯示了每種方法在不同參數組合下的R²值。XGBoost在僅使用最少輸入參數的情況下，始終達到最高的準確度。

3.2 特徵重要性分析

溫度和太陽輻射在所有模型中均成為最關鍵的特徵。分析顯示，僅使用這兩個參數，機器學習模型即可達到使用完整參數集所獲得效能的85-90%。

4 技術實現

4.1 數學公式

標準的FAO-56 Penman-Monteith方程式作為基準：

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

其中 $\Delta$ 是飽和蒸氣壓曲線斜率，$R_n$ 是淨輻射，$G$ 是土壤熱通量，$\gamma$ 是濕度計常數，$T$ 是氣溫，$u_2$ 是風速，$e_s$ 是飽和蒸氣壓，$e_a$ 是實際蒸氣壓。

4.2 程式碼實現

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)

# 特徵選擇：僅溫度和太陽輻射
features = ['temp_max', 'temp_min', 'solar_rad']
target = 'ETo_FAO56'

5 未來應用

本研究在以下幾個領域展示了實際應用的巨大潛力：

智慧灌溉系統：與基於物聯網的灌溉控制器整合，實現即時水資源管理
氣候變遷調適：改善易受乾旱影響地區的水資源規劃
農業科技：為小規模農戶開發行動應用程式
水資源政策：為水資源分配和定價提供數據驅動的決策支援

未來的研究方向包括跨不同氣候區的遷移學習、與衛星資料的整合，以及為偏遠地區開發邊緣運算解決方案。

6 參考文獻

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.
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.
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.
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.
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 專家分析

一針見血

這項研究為一個關鍵的農業挑戰提供了務實的解決方案：使用最少的資料輸入進行精確的蒸散發估算。核心創新不在於演算法的新穎性，而在於策略性的應用——證明了當資料稀缺時，標準的機器學習模型可以勝過既有的經驗方程式。在像摩洛哥這樣水資源緊張的地區，這不僅僅是一項學術演練；它可能是永續農業的潛在變革者。

邏輯鏈條

本研究遵循一個引人入勝的邏輯進程：傳統的FAO-56 PM需要大量的感測器資料 → 對於發展中地區來說成本高昂且不切實際 → 簡化的經驗方程式存在準確性問題 → 機器學習模型透過從有限資料中學習複雜關係來彌補這一差距。跨兩種情境（隨機分割和跨站）的驗證，增強了其在現實世界中應用的說服力。特徵重要性分析揭示溫度和太陽輻射是關鍵驅動因素，這為感測器部署策略提供了可行的見解。

亮點與槽點

亮點：對成本降低（節省60-80%的感測器基礎設施）的實務關注解決了一個真正的痛點。與多種經驗方程式的比較提供了全面的基準測試。空間驗證情境展示了跨地理變異的魯棒性——這是農業應用的一個關鍵因素。

槽點：研究缺乏詳細的超參數優化方法——這是機器學習可重現性的一個關鍵方面。資料集大小和時間範圍未具體說明，引發了對季節性變異處理的疑問。與CycleGAN研究（Goodfellow等人，2014）中的嚴謹方法不同，在沒有消融研究的情況下，模型選擇的理由感覺有些隨意。

行動啟示

對於農業科技公司：這項研究驗證了為新興市場開發低成本ETo估算解決方案的可行性。當前的機會在於僅使用溫度和太陽輻射資料來創建簡化的行動應用程式。對於政策制定者：研究結果支持投資於基礎氣象基礎設施，而非昂貴的多感測器網絡。對於研究人員：這項工作為跨不同氣候區的遷移學習應用，以及與衛星影像整合以實現更廣泛覆蓋開闢了途徑。

這項研究與精準農業的全球趨勢一致，但採用了明顯務實的方法——專注於利用現有資源可以實現的目標，而非理論上的最大值。這種務實的取向，雖然限制了學術新穎性，但顯著增強了現實世界的潛在影響力。

目錄