Optimization of Sensor Combinations for Simplified Estimation of Reference Crop Evapotranspiration Using Machine Learning and SHAP Interpretation
Notice bibliographique
Résumé
Accurately estimating reference crop evapotranspiration (ET0) is essential for agricultural water-resource management, yet the traditional Penman–Monteith (PM) method requires multiple meteorological variables and is difficult to apply in data-sparse regions. To explore more data-efficient alternatives, this study systematically evaluates several machine-learning (ML) models capable of capturing nonlinear relationships, using daily observations from 698 meteorological stations across China. In addition, we incorporate SHapley Additive exPlanation (SHAP), a game-theory-based interpretability approach, to quantify the contribution of input variables at both national and regional scales. The results show that the Random Forest (RF) model performs best (coefficient of determination, R2 = 0.957; mean absolute percentage error, MAPE = 9.214%), significantly outperforming multiple linear regression and approaching the accuracy of the PM method. SHAP analysis indicates that maximum temperature, sunshine duration, and month are the most influential factors nationwide. Geographic variables contribute less overall but become important in specific regions, such as Southwest China. The study also reveals pronounced spatial heterogeneity in the drivers of ET0, highlighting the necessity of regionalized interpretations. Furthermore, sensor-reduction experiments demonstrate that reasonable estimation accuracy can be maintained even without radiation or wind-speed observations, offering guidance for low-cost monitoring scenarios. Overall, this study provides transparent model comparisons for ML-based ET0 estimation, uncovers regional differences in controlling factors, and offers practical insights for designing meteorological monitoring strategies in data-limited environments.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».