基于类别特征编码的参考作物蒸散量预报模型

作者：吴天傲; 李江^*; 张薇; 郭维华; 缴锡云

来源：应用基础与工程科学学报, 2022, 30(06): 1402-1419.

DOI：10.16058/j.issn.1005-0930.2022.06.007

• 参考作物蒸散量
• 天气预报
• 机器学习
• 数据预处理
• 类别特征编码

为提高基于天气预报的参考作物蒸散量(ETo)预报模型精度，通过引入序数(ORD),独热(O-H),目标(TAR)和CatBoost(CAT)4种编码方法对天气类型和风力等级进行数值化处理，结合Light Gradient Boosting Decision Machine(LGB)算法构建了基于天气预报类别特征的ETo预报模型.结果表明，同时引入编码处理的天气类型和风力等级数据可以有效提升LGB3模型精度(R2较LGB1提升-0.97%～9.36%),提升排名为O-H>CAT>TAR>ORD.单独引入天气类型数据的LGB4能够获得与LGB3模型相近的精度，而单独引入风力等级对LGB5模型精度贡献不显著，甚至可能会引入噪声而降低精度.因此采用O-H编码处理天气类型和风力等级数据扩展输入维度，可以提高模型精度，适用于缺少气象站或数据种类不全地区的ETo精准预测.

• 单位
  河海大学; 水文水资源与水利工程科学国家重点实验室