基于Stacking集成模型的膜下滴灌谷子作物系数预测

摘要

为准确模拟膜下滴灌不同水肥处理谷子作物系数（crop coefficient,K_c），以水肥有关K_c的双因素方差分析为前提，采用随机森林（random forest,RF）、类别提升（CatBoost）、轻量级梯度提升机（LightGBM）、支持向量机回归（support vector regression,SVR）、深度学习（DL）作为次级机器学习模型，基于Stacking策略以多元线性回归构建集成元模型（linear stacking model,LSM）对不同水肥处理膜下滴灌谷子K_c进行预测，并进行模型间模拟结果精度比较。结果表明：不同水肥处理间K_c日际变化趋势基本相同，但灌水因素和氮肥施用量对K_c均有显著影响；在次级机器学习模型中，树类模型（RF、CatBoost与LightGBM）相对SVR和DL模型估测精度较好，而相比次级模型，LSM模型提高了谷子K_c的模拟精度；依赖日序数、太阳辐射强度、风速、日均水汽压和土壤含水率建立的LSM模型能够准确模拟膜下滴灌谷子K_c，决定系数（R2）和均方根误差(root mean squared error, E_RMS)分別为0.91和0.11，且当土壤含水率特征加入时模型误差明显降低。研究成果可为膜下滴灌田间水分精准管理提供技术支撑。

关键词

滴灌 / 谷子 / 作物系数 / 机器学习模型 / Stacking集成模型