在意大利东北部数据有限条件下的新位置中用于参考蒸散发估算的机器学习模型

参考蒸散发（ET0）是农业水文学应用中的一个关键变量，但由于直接测量的高成本和间接方法的广泛数据需求，其估算面临挑战。FAO-56 Penman-Monteith (FAO-56 PM) 参考方程的高输入要求通常限制了其适用性，使得在数据稀缺的情况下更简单的替代方法（如Hargreaves方程）更受推崇。机器学习（ML）模型提供了一条有希望的途径，以减少数据输入需求，同时提高准确性，并可能提供时空可转移性。本研究评估了线性（多元线性回归、Lasso、Ridge、Elastic Net）和非线性（回归树、随机森林、XGBoost、支持向量回归-SVR、和人工神经网络-ANN）机器学习模型在气候异质的意大利威尼托地区16个气象站的ET0估算。日常气象数据（1994-2022）包括空气温度（T）、太阳辐射（Rs）、降水量和相对湿度。模型性能与FAO-56 PM方程和区域校准的Hargreaves方程在完整和减少气象输入配置下进行了基准测试，并评估了对未见位置的空间泛化和对未见年份的时间转移性。在气候异质的测试中，SVR、XGBoost和ANN在使用的绝大多数指标上（即R²和NSE值接近0.96）始终优于所有其他模型。尽管时间转移性显示出适度的性能下降，但所有三个模型的相关性和一致性指标仍然较高。输入变量减少分析确定Rs和T是主要预测因素，相对湿度和降水量起次要作用。SVR、XGBoost和ANN在所有配置中（包括仅基于T和外太空辐射的最小输入）与校准的Hargreaves方程相匹配或优于它。总体而言，结果表明，在研究区域，SVR、XGBoost和ANN模型提供准确的空间和时间可转移的ET0估算，即使在数据有限的条件下，也代表了ET0估算的可靠替代方案。