典型文献
基于机器学习模型的关中地区GPM_IMERG降水数据订正方法
文献摘要：
针对GPM_ IMERG降水数据存在系统误差的问题,以关中地区为例,在筛选海陆位置、地形、植被指数(NDVI)变量的基础上,运用支持向量机(SVM)、随机森林(RF)、高斯过程回归(GPR)模型对IMERG月降水数据进行订正,并通过34个站点数据验证订正模型.结果 表明,关中地区IMERG数据具有良好的可替代性,其决定系数R2达0.76,平均绝对误差MMAE、均方根误差RRMSE分别为6.94、9.77 mm;经机器学习模型订正后星地数据之间的R2提升了2.05％～58.33％,RRMSE、MMAE分别降低了0.85％～71.23％、0.10％～73.47％;与GPR、RF模型相比,SVM模型的RRMSE、MMAE分别减小16.76％、9.76％和24.73％、14.11％,对IMERG数据订正具有更好的适用性.
文献关键词：
IMERG数据;订正;精度检验;机器学习
中图分类号：
作者姓名：
谢祥洲;刘军龙;霍斐斐;张相春
作者机构：
电子科技大学机械与电气工程学院,四川成都611731;重庆城市管理职业学院,重庆401331;遵义师范学院资源与环境学院,贵州遵义563006;遵义师范学院生物与农业科技学院(食品科技学院),贵州遵义563006
文献出处：
引用格式：
[1]谢祥洲;刘军龙;霍斐斐;张相春-.基于机器学习模型的关中地区GPM_IMERG降水数据订正方法)[J].水电能源科学,2022(02):6-9
A类：
B类：
基于机器学习,机器学习模型,关中地区,GPM,IMERG,降水数据,数据订正,订正方法,系统误差,海陆,植被指数,NDVI,RF,高斯过程回归,GPR,月降水,数据验证,可替代性,决定系数,平均绝对误差,MMAE,RRMSE,精度检验
AB值：
0.312846
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
