分类梯度提升算法（CatBoost）与蝙蝠算法（Bat）耦合建模预测中国西北部地区水面蒸发量

作者：董力铭; 曾文治^*; 雷国庆

来源：节水灌溉, 2021, (02): 63-69.

• 水面蒸发
• 机器学习
• 蝙蝠算法
• 随机森林模型
• 分类梯度提升算法

为预测干旱、半干旱地区的水面蒸发量,以实测水面蒸发量为基准,利用我国西北部地区的45个气象站实测逐日最低气温、最高气温、相对湿度、风速及太阳辐射,建立基于蝙蝠算法的分类梯度提升算法模型(Bat-CB)并与原分类梯度提升算法模型(CatBoost)及随机森林模型(RF)进行对比。结果表明Bat-CB模型的预测能力与稳定性(RMSE为0.859～2.227 mm/d; MAE为0.540～1.328 mm/d; NSE为0.625～0.894; MAPE为0.162～0.328)最优,而CatBoost模型(RMSE为0.897～2.754 mm/d; MAE为0.531～1.77 mm/d; NSE为0.147～0.869;MAPE为0.161～0.421)对水面蒸发的预测能力略优于随机森林模型(RMSE为1.005～3.604 mm/d; MAE为0.644～2.479 mm/d; NSE为-1.242～0.894; MAPE为0.176～0.686)。此外,Bat-CB模型对于水面蒸发的季节及空间变异性具有较好的适应能力,而随机森林模型在夏季水面蒸发预测中表现最差。研究成果可用于干旱、半干旱地区水面蒸发量的预测。

• 单位
  水资源与水电工程科学国家重点实验室; 武汉大学