Bayesian-optimized machine learning boosts actual evapotranspiration prediction in water-stressed agricultural regions of China
Notice bibliographique
Résumé
The accurate estimation of actual evapotranspiration (AET) is crucial for sustainable water resource management, especially in water-scarce and agriculturally intensive regions like Beijing and Tianjin, China. Traditional methods for AET estimation, whether empirical or physically based, often face limitations due to high data requirements, limited scalability, and sensitivity to input uncertainties. This creates a critical research gap in providing reliable AET predictions under data-limited conditions. To address this, we evaluated the efficacy of integrating four advanced machine learning (ML) models: Support Vector Machine (SVM), Gaussian Process Regression (GPR), Ensemble Tree, and Neural Network, with Bayesian hyperparameter optimization for AET modeling using the high-resolution TerraClimate dataset spanning 1958–2022. Key meteorological variables, including maximum and minimum temperature (Tmax and Tmin), solar radiation (SR), wind speed (WS), vapor pressure deficit (VPD), and precipitation (PPT), were selected through rigorous correlation and multicollinearity analyses. Model performance was assessed using the coefficient of determination (R2), mean squared error (MSE), root mean squared error (RMSE), and mean absolute error (MAE) on a 75:25 train-test split. Results demonstrate that the optimizable GPR model achieved the highest predictive accuracy (RMSE = 5.54, R2 = 0.98 on test data), outperforming other ML approaches and traditional empirical models. PPT, Tmin, and Tmax emerged as the most influential predictors for AET. Our findings reveal that ML models, particularly when optimized via Bayesian techniques, yield a robust, scalable, and data-efficient alternative for AET estimation in regions with limited meteorological records. This study establishes a new benchmark for AET modeling, with significant implications for irrigation scheduling, drought monitoring, and integrated water management in the North China Plain and comparable agro-ecological regions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».