作者：沙坡头站
蒸散发(ET)在水循环和能量循环中起着至关重要的作用，是连接生态水文过程的纽带。蒸散发的准确估算对于探索土壤蒸发、植物蒸腾和区域水文平衡具有重要的理论和现实意义。现有的ET估算方法大多是基于多个气象变量，在实际应用中仍然受到部分气象观测变量难以获得而无法推广局限。
中科院沙坡头站研究团队提出了一种基于数据驱动的混合估算方法，该方法由数据预处理、参数优化和估算三个部分组成: 首先，分别采用离散小波变换(DWT)、集合经验模态分解(EEMD)和变分模态分解(VMD)对非平稳月蒸散量时间序列进行基本特征提取，根据信噪比(SNR)和均方根误差(RMSE)选择最佳的数据预处理技术，以弥补直接利用ET时间序列估算可能导致误差较大的缺点；其次，采用灰狼算法(GWO)对支持向量机(SVM)核函数的惩罚系数和核半径进行优化，以克服SVM参数选择敏感性的缺陷；最后，采用混合VMD-GWO-SVM、EEMD-GWO-SVM、DWT-GWO-SVM、VMD-SVM、EEMD-SVM、DWT-SVM、GWO-SVM模型和单个SVM模型对蒸散量分别进行估算，并采用Pearson相关系数(PCC)，平均绝对百分比误差(MAPE)，标准化均方误差(NMSE)平均绝对误差(MAE) 和均方根误差(RMSE) 对每个模型的计算精度进行评估，确定出最佳的估算模型（图1）。
图1：蒸散发估算模型流程图
作为模型的验证，研究团队基于腾格里沙漠东南缘的1991年-2018年月蒸散发时间序列，对2011年-2018年的月蒸散发进行模拟。数值结果表明，混合VMD-GWO-SVM模型的计算性能优于其他模型，Nash-Sutcliffe效率系数(NSCE)从0.8588上升到0.8754，平均绝对百分比误差(MAPE)从28.42%下降到23.22%。
本研究为缺乏气象监测的区域蒸散量的估算提供了一个新的思路和方法。研究成果以A novel integrated methodbased on a machine learning model for estimating evapotranspiration in dryland为题发表在水文学领域TOP期刊Journal of Hydrology上。博士研究生付桐林为论文第一作者，李新荣研究员为论文通讯作者，研究得到了国家重点研发计划(2018YFC0406603)和国家自然科学基金(41621001, 32061123006)等项目的共同资助。
全文链接：http://doi.org/10.1016/j.jhydrol.2021.126881