《表8 相同输入参数组合的学习机模型和经验模型的预测精度指标统计结果(赣县站)》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于GPR、CatBoost、XGBoost三种模型预测江西地区水面蒸发量》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文还对相同输入参数组合的学习机模型和经验模型预测江西地区水面蒸发量的性能进行了比较。同样以赣县站气象资料为例，结果见表8。由表8可看出，当Tmax、Tmin、Ra、Sw作为输入参数时，GPR 6、Cat Boost 6和XGBoost 6在率定期和验证期优于Griffith模型，其中XGBoost 6模型的表现最佳；当Tmax、Tmin、Rs作为输入参数时，GPR 8、Cat Boost 8和XGBoost 8模型在率定期和验证期优于SS和PT模型，同样以XGBoost 8模型表现最佳。虽然XG-Boost模型表现出轻微过拟合（MAE>0），但其R2最大且RMSE、MAE最小，因此，在相同输入参数的情况下，优先选用学习机模型作为江西地区水面蒸发量的估算方法。