首站-论文投稿智能助手
典型文献
基于类别特征编码的参考作物蒸散量预报模型
文献摘要:
为提高基于天气预报的参考作物蒸散量(ETo)预报模型精度,通过引入序数(ORD),独热(O-H),目标(TAR)和CatBoost(CAT)4种编码方法对天气类型和风力等级进行数值化处理,结合Light Gradient Boosting Decision Machine(LGB)算法构建了基于天气预报类别特征的ETo预报模型.结果表明,同时引入编码处理的天气类型和风力等级数据可以有效提升LGB3模型精度(R2较LGB1提升-0.97%-9.36%),提升排名为O-H>CAT>TAR>ORD.单独引入天气类型数据的LGB4能够获得与LGB3模型相近的精度,而单独引入风力等级对LGB5模型精度贡献不显著,甚至可能会引入噪声而降低精度.因此采用0-H编码处理天气类型和风力等级数据扩展输入维度,可以提高模型精度,适用于缺少气象站或数据种类不全地区的ETo精准预测.
文献关键词:
参考作物蒸散量;天气预报;机器学习;数据预处理;类别特征编码
作者姓名:
吴天傲;李江;张薇;郭维华;缴锡云
作者机构:
河海大学水文水资源与水利工程科学国家重点实验室,江苏南京210098;河海大学农业科学与工程学院,江苏南京210098;水科学与水安全协同创新中心,江苏南京210098
引用格式:
[1]吴天傲;李江;张薇;郭维华;缴锡云-.基于类别特征编码的参考作物蒸散量预报模型)[J].应用基础与工程科学学报,2022(06):1402-1419
A类:
类别特征编码,LGB3,LGB1,LGB4,LGB5
B类:
参考作物蒸散量,预报模型,天气预报,ETo,模型精度,序数,ORD,TAR,CatBoost,CAT,编码方法,天气类型,风力,Light,Gradient,Boosting,Decision,Machine,入编,低精度,气象站,精准预测,数据预处理
AB值:
0.24227
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。