共被期刊论文引用了2次
您的检索式：您选中1篇文献正在查看引证文献汇总
|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 基于LightGBM的全球海洋次表层温盐遥感预测显示文摘随着卫星遥感技术的发展,越来越多的卫星观测数据被应用于预测海洋内部温盐结构信息,而如何有效提高海洋内部温盐信息的预测精度仍是一个挑战。本文应用LightGBM算法结合随机森林算法构建全球海洋次表层(0-1000 m)温度异常(STA)与盐度异常(SSA)的预测模型,模型使用海表卫星观测数据(海表高度异常(SSHA)、海表温度异常(SSTA)、海表盐度异常(SSSA)和海表风场异常水平和垂直分量(USSWA、VSSWA),结合经纬度信息(LON、LAT)作为预测变量,使用Argo次表层温盐数据作为模型训练与测试标记。本文使用五参数模型(SSTA、SSHA、SSSA、USSWA、VSSWA)、带纬度六参数模型(LAT、SSTA、SSHA、SSSA、USSWA、VSSWA)、带经度六参数模型(LON、SSTA、SSHA、SSSA、USSWA、VSSWA)与带经纬度七参数模型(LON、LAT、SSTA、SSHA、SSSA、USSWA、VSSWA)来着重分析LON与LAT在STA、SSA遥感预测中发挥的作用。结果表明LON与LAT在STA、SSA各自预测中发挥不同的作用。在单时相和时序预测STA中LON与LAT对模型的贡献随着深度的增加逐渐增大,而在单时相和时序预测SSA中LON与LAT对不同深度预测模型始终保持较大的贡献。在单时相预测STA与SSA中LON较LAT对模型贡献更大,而在时序预测STA与SSA中LAT较LON对模型贡献更大。经纬度信息是全球海洋次表层温盐机器学习预测的重要参数,可以提高模型的预测精度。同时,LightGBM较随机森林在预测海洋次表层温盐异常时精度更高鲁棒性更强。 | 张天一 苏华 杨欣 严晓海 | 2020 | 遥感学报2020，24，10： | 9 |
| 2 | 基于高斯混合聚类和LightGBM算法的印度洋次表层温度反演研究显示文摘海洋次表层的热力结构对于海洋环流和全球气候变化具有重要的意义。提出一种新的融合高斯混合模型(gaussion mixture model, GMM)和轻量级梯度提升机(light gradient boosting machine, LightGBM)算法的海洋次表层温度(ocean subsurface temperature, OST)反演模型,利用海表温度(sea surface temperature, SST)、海表盐度(sea surface salinity, SSS)、海表高度(sea surface height, SSH)、海表风场(sea surface wind, SSW)的水平分量(USSW)和垂直分量(VSSW)等多源海表参数对印度洋海域的次表层热力结构进行反演,并采用均方根误差和决定系数对模型进行验证。结果表明:所提出的模型可以准确反演印度洋海域的OST分布特征和季节变化规律。在此基础上,设计了不同海表参数输入组合的3种对比实验来定量分析不同海表参数对LightGBM模型的影响。结果表明:所有海表参数对模型都有积极作用,但5个输入参数(SST、SSS、SSH、USSW和VSSW)的LightGBM模型反演效果最好,3个输入参数(SST、SSS和SSH)和2个输入参数(SST和SSH)的LightGBM模型次之。另外,与已有的极限梯度增强(extreme gradient boosting, XGBoost)反演模型相比,5个输入参数的LightGBM模型具有更好的模拟能力。 | 汤贵艳 朱善良 周伟峰 杨树国 | 2023 | 青岛科技大学学报(自然科学版)2023，44，2： | 0 |
您所在的机构暂未开通此部分的功能，请联系管理员