典型文献
基于机器学习的气温要素空间插值
文献摘要：
掌握近地表气温的空间分布对于科学理解生态环境变化和陆地-大气热力学相互作用机理等至关重要,然而气象观测站在地理空间上分布不均,为区域的气温插值带来了挑战.本文以全国711个气象站点的月平均气温为基础数据,分析了气温与经度、纬度和高程的相关性,利用随机森林、支持向量机、高斯过程回归三种机器学习方法,对中国陆地区域的气温进行了空间插值,并与反距离权重、普通克里金以及ANUSPLIN等传统的插值方法以及全球土地数据同化系统(Global Land Data Assimilation System,GLDAS)气温数据产品进行对比.结果表明:(1)在整个中国陆地区域,利用机器学习进行气温插值的精度明显高于传统的反距离权重和普通克里金插值,并且机器学习方法明显提高了夏季的气温插值精度(R2);(2)在三种机器学习方法中,高斯过程回归表现最好,支持向量机次之,然后是随机森林,ANUSPLIN具有较高的插值精度,但是整体低于高斯过程回归模型;(3)在气象站点稀少且分布不均匀的青藏高原地区,三种机器学习方法插值精度明显高于反距离权重和普通克里金方法,且整体优于ANUSPLIN的结果,尤其是在夏季,机器学习插值结果的精度明显提高;(4)与现有的气温数据产品GL-DAS进行对比发现利用机器学习算法得到的气温数据误差更小,精度更高.本文的研究结果证明了机器学习算法在气温插值中的有效性,对气温相关的各领域研究具有积极意义.
文献关键词：
青藏高原;机器学习;气温;空间插值
中图分类号：
作者姓名：
贺倩;汪明;刘凯
作者机构：
北京师范大学环境演变与自然灾害教育部重点实验室,北京 100875;北京师范大学地理科学学部,北京 100875;北京师范大学国家安全与应急管理学院,北京 100875
文献出处：
引用格式：
[1]贺倩;汪明;刘凯-.基于机器学习的气温要素空间插值)[J].高原气象,2022(03):733-748
A类：
B类：
基于机器学习,空间插值,近地表气温,科学理解,生态环境变化,气象观测站,地理空间,气温插值,气象站点,平均气温,经度,纬度,高斯过程回归,机器学习方法,中国陆地,陆地区,反距离权重,ANUSPLIN,插值方法,数据同化,Global,Land,Data,Assimilation,System,GLDAS,数据产品,行气,普通克里金插值,插值精度,稀少,分布不均匀,青藏高原地区,金方,机器学习算法,数据误差
AB值：
0.258179
相似文献
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。
