7月22日，农业水土工程学科博士研究生陈志君以第一作者身份在水文学领域国际著名期刊Journal of hydrology在线发表了题为：《Estimating Daily Reference Evapotranspiration Based on Limited Meteorological Data Using Deep Learning and Classical Machine Learning Methods》的研究论文。孙仕军教授为该论文通讯作者，研究生朱振闯和姜浩参与了该项研究。

近年来，随着人工智能理论和计算机存储、计算能力的迅速发展，机器学习模型研究及其应用在水科学领域受到越来越多的重视。准确估算参考作物腾发量对于制定作物灌溉制度、加强水资源管理和水文科学研究具有十分重要意义。该研究根据东北地区16个气象站点近50年的气象数据，使用TensorFlow和Pytorch深度学习框架建立了3个深度学习模型（DNN，LSTM和TCN）和2个经典机器学习算法（RF和SVM）对东北地区日参考作物腾发量进行估算。同时，结合K-means算法，探索了深度学习模型和经典机器学习模型在训练站点之外的适用性。研究发现，相比于经典机器学习模型和经验公式，融合了时间卷积和空洞卷积的TCN模型显著提高了参考作物腾发量的预测精度。该研究证明，训练好的深度学习模型和经典的机器学习模型能够适用于其他具有类似气候区参考作物腾发量的估算。该研究为气象资料缺乏地区准确计算参考作物腾发量提供了新思路和新途径。

该研究得到国家重点研发计划、辽宁省自然科学基金和辽宁省高校科研项目的资助。

论文链接：https://authors.elsevier.com/a/1bRlA52cuR1m4

撰稿人：黄东浩  审核人：范昊明