IGSNRR OpenIR
基于机器学习的高精度高分辨率气象因子时空估计
方颖; 李连发
2019
Source Publication地球信息科学学报
ISSN1560-8999
Volume21Issue:6Pages:799
Abstract气象变量常作为重要的影响因子出现在环境污染、疾病健康和农业等领域,而高分辨率的气象资料可作为众多研究的基础数据,对推进相关研究的发展意义重大。本文以中国大陆为研究区域,利用2015年824个气象站点的气温、相对湿度和风速3套数据,结合不同的解释变量组合,分别构建了各自的GAM和残差自编码器神经网络(简称残差网络)模型,以10倍交叉验证判断模型是否过拟合。研究结果表明:① GAM和残差网络方法都不存在过拟合问题,同GAM相比,残差网络显著提高了模型预测的精度(3个气象因素的交叉验证CV R2平均提高了0.21,CV RMSE平均降低了37%),其中相对湿度模型的提升幅度最大(CV R2:0.85 vs. 0.52,CV RMSE:7.53% vs. 13.59%);②残差模型的结果较普通克里格插值结果和再分析资料更接近站点观测数据,表明残差网络可作为高分辨率气象数据研制的可靠方法。此外,研究还发现在相对湿度模型中加入臭氧浓度和气温、在风速模型中加入GLDAS风速再分析资料,可提升模型的性能。
Language英语
Document Type期刊论文
Identifierhttp://ir.igsnrr.ac.cn/handle/311030/122286
Collection中国科学院地理科学与资源研究所
Affiliation中国科学院地理科学与资源研究所
First Author Affilication中国科学院地理科学与资源研究所
Recommended Citation
GB/T 7714
方颖,李连发. 基于机器学习的高精度高分辨率气象因子时空估计[J]. 地球信息科学学报,2019,21(6):799.
APA 方颖,&李连发.(2019).基于机器学习的高精度高分辨率气象因子时空估计.地球信息科学学报,21(6),799.
MLA 方颖,et al."基于机器学习的高精度高分辨率气象因子时空估计".地球信息科学学报 21.6(2019):799.
Files in This Item:
There are no files associated with this item.
Related Services
Recommend this item
Bookmark
Usage statistics
Export to Endnote
Google Scholar
Similar articles in Google Scholar
[方颖]'s Articles
[李连发]'s Articles
Baidu academic
Similar articles in Baidu academic
[方颖]'s Articles
[李连发]'s Articles
Bing Scholar
Similar articles in Bing Scholar
[方颖]'s Articles
[李连发]'s Articles
Terms of Use
No data!
Social Bookmark/Share
All comments (0)
No comment.
 

Items in the repository are protected by copyright, with all rights reserved, unless otherwise indicated.