-
题名基于机器学习的青海省大气加权平均温度模型研究
- 1
-
-
作者
姜岚博
雷浩川
刘尊方
王泽佳
汪奕舟
-
机构
青海大学地质工程学院
-
出处
《青海大学学报》
2025年第5期107-114,共8页
-
基金
国家自然科学基金项目(U20A20115)
青海大学创新创业工坊项目(GF-20230005)。
-
文摘
为解决目前传统线性关系构建大气加权平均温度(T_(m))模型在实际复杂非线性的大气环境中适用性较差的问题,本文利用2014—2019年青海省西宁、格尔木、都兰和玉树四个探空站的探空数据,采用机器学习方法构建区域性大气加权平均温度模型(T_(m))。研究引入随机森林(random forest,RF)、极端梯度提升(extreme gradient boosting,XGBoost)和反向传播神经网络(backpropagation neural network,BPNN)三种机器学习算法,并采用贝叶斯优化进行模型参数调优。结果表明:与Bevis线性模型相比,随机森林(RF)模型在2019年验证集中将RMSE平均降低23%,同时显著降低MAE和MAPE,并将R^(2)整体提升至0.96~0.99。以都兰为例,RF的MAE与RMSE由2.545、3.056 K分别降至0.558、0.706 K(降幅分别为78%与77%),R^(2)由0.891升至0.994,显示出在精度与稳定性上的综合优势。随机森林模型的预测精度显著优于传统线性模型,为提升区域化全球卫星导航系统(GNSS)水汽反演精度提供有力支持。
-
关键词
大气加权平均温度模型
机器学习
随机森林
全球卫星导航系统
-
Keywords
atmospheric weighted mean temperature
machine learning
random forest
global navigation satellite system meteorology
nonlinear modelin
-
分类号
P228.4
[天文地球—大地测量学与测量工程]
-
