| 摘 要: |
土壤温度预测的研究目前主要集中在土壤表层,然而关于深层土壤温度的预测较少,尤其是在相关气象数据不易获取的高寒地区。本研究采用传统的随机森林算法、粒子群优化和蚁群优化的随机森林算法,以及三种神经网络方法(径向基函数RBF、BP神经网络、极限学习机ELM),预测7个深度(0cm、10cm、20cm、30cm、40cm、50cm和60cm)的土壤温度,并比较不同机器学习算法在预测不同土壤深度温度时的性能。利用西藏那曲市2017-2019年土壤温度和气象要素数据集,将气温、湿度、太阳辐射、降水量和大气压作为模型的输入变量,并使用泰勒图进行模型的评估。结果表明:西藏那曲地区浅层土壤温度变化剧烈,直接受大气温度和太阳辐射的影响,而具有一定的热绝缘性的深层土壤温度变化较为平稳,且表现为明显的季节性波动特征;对比不同模型发现,在多个深度的土壤温度预测中,RBF(径向基函数)神经网络模型的预测精度、稳定性和泛化能力均表现出了更高的准确性,R2范围为0.9016~0.9904,MSE(均方误差)在0.2501~2.7725℃,在50cm深度处精度最高,R2达到了0.9904;其次为RF模型,R2在0.8861~0.9381。RBF神经网络模型能够更准确地捕捉土壤温度与各种影响因素之间的复杂关系,包括气象条件、土壤深度等。本研究提供了一种更为可靠和精确的工具来预测不同深度的土壤温度,为农业管理、环境保护和气候变化研究等领域提供了一定的科学依据。 |