Tendencias futuras de evapotranspiración de referencia en la provincia de Shandong, China: basadas en SAO-CNN-BiGRU-Attention y CMIP6
Autores: Wang, Yudong; Pang, Guibin; Wang, Tianyu; Cong, Xin; Pan, Weiyan; Fu, Xin; Wang, Xin; Xu, Zhenghe
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Tendencias futuras de evapotranspiración de referencia en la provincia de Shandong, China: basadas en SAO-CNN-BiGRU-Attention y CMIP6
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Ciclo hidrológico
Evapotranspiración de referencia
Provincia de Shandong
Valores de ET
Modelo de aprendizaje profundo
Resultados de pronóstico
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 32
Citaciones: Sin citaciones
Uno de los factores principales en el ciclo hidrológico es la evapotranspiración de referencia (ET). La predicción de la ET es crucial para gestionar el agua de riego en la agricultura bajo el cambio climático; sin embargo, se ha realizado poca investigación sobre las tendencias de los cambios en la ET en la provincia de Shandong. En este estudio, para estimar la ET en toda la provincia de Shandong, se eligieron 245 sitios y se calcularon los valores mensuales de ET durante 1901-2020 utilizando la fórmula de Hargreaves-Samani. Se utilizó un modelo de aprendizaje profundo, denominado SAO-CNN-BiGRU-Attention, para predecir la ET mensual durante 2021-2100, y las predicciones se compararon con dos escenarios climáticos CMIP6, SSP2-4.5 y SSP5-8.5. Los resultados de agrupamiento jerárquico revelaron que la provincia de Shandong abarcaba tres regiones homogéneas. Los valores de ET de los Clústeres H1 y H2, que se encontraban en regiones del interior y principales áreas agrícolas, fueron los más altos. Los resultados de pronóstico de SAO-CNN-BiGRU-Attention y SSP5-8.5 mostraron en general una tendencia creciente de forma monótona durante el período de pronóstico en las tres regiones; sin embargo, el modelo SAO-CNN-BiGRU-Attention mostró una tendencia decreciente en algunos puntos. Según los resultados de SAO-CNN-BiGRU-Attention y SSP5-8.5, durante 2091-2100, H1, H2 y H3 alcanzarán sus picos; los resultados de SSP2-4.5 muestran que H1, H2 y H3 alcanzarán su pico en 2031-2040. Al final del período de pronóstico, para los Clústeres H1, H2 y H3, la tasa de predicción de SAO-CNN-BiGRU-Attention aumentó en 1,31%, 1,56% y 1,80%, respectivamente, mientras que la tasa de predicción de SSP2-4.5 aumentó en 0,31%, 0,95% y 1,57%, respectivamente, y la tasa de predicción de SSP5-8.5 aumentó en 10,88%, 10,76% y 10,69%, respectivamente. Los resultados de predicción de SAO-CNN-BiGRU-Attention fueron similares a los de SSP2-4.5 (R > 0,96). El modelo de aprendizaje profundo SAO-CNN-BiGRU-Attention puede ser utilizado para predecir la ET futura.
Descripción
Uno de los factores principales en el ciclo hidrológico es la evapotranspiración de referencia (ET). La predicción de la ET es crucial para gestionar el agua de riego en la agricultura bajo el cambio climático; sin embargo, se ha realizado poca investigación sobre las tendencias de los cambios en la ET en la provincia de Shandong. En este estudio, para estimar la ET en toda la provincia de Shandong, se eligieron 245 sitios y se calcularon los valores mensuales de ET durante 1901-2020 utilizando la fórmula de Hargreaves-Samani. Se utilizó un modelo de aprendizaje profundo, denominado SAO-CNN-BiGRU-Attention, para predecir la ET mensual durante 2021-2100, y las predicciones se compararon con dos escenarios climáticos CMIP6, SSP2-4.5 y SSP5-8.5. Los resultados de agrupamiento jerárquico revelaron que la provincia de Shandong abarcaba tres regiones homogéneas. Los valores de ET de los Clústeres H1 y H2, que se encontraban en regiones del interior y principales áreas agrícolas, fueron los más altos. Los resultados de pronóstico de SAO-CNN-BiGRU-Attention y SSP5-8.5 mostraron en general una tendencia creciente de forma monótona durante el período de pronóstico en las tres regiones; sin embargo, el modelo SAO-CNN-BiGRU-Attention mostró una tendencia decreciente en algunos puntos. Según los resultados de SAO-CNN-BiGRU-Attention y SSP5-8.5, durante 2091-2100, H1, H2 y H3 alcanzarán sus picos; los resultados de SSP2-4.5 muestran que H1, H2 y H3 alcanzarán su pico en 2031-2040. Al final del período de pronóstico, para los Clústeres H1, H2 y H3, la tasa de predicción de SAO-CNN-BiGRU-Attention aumentó en 1,31%, 1,56% y 1,80%, respectivamente, mientras que la tasa de predicción de SSP2-4.5 aumentó en 0,31%, 0,95% y 1,57%, respectivamente, y la tasa de predicción de SSP5-8.5 aumentó en 10,88%, 10,76% y 10,69%, respectivamente. Los resultados de predicción de SAO-CNN-BiGRU-Attention fueron similares a los de SSP2-4.5 (R > 0,96). El modelo de aprendizaje profundo SAO-CNN-BiGRU-Attention puede ser utilizado para predecir la ET futura.