大屏礁区海表温度预测的机器学习算法比较
大气与海洋物理
2024-11-26 v1 机器学习
机器学习
摘要
预测大屏礁 (GBR) 区域的海表温度 (SST) 对有效管理其脆弱生态系统至关重要。本研究提供了对几种机器学习技术进行严格比较分析，以识别该地区 SST 预测最有效的方法。我们评估了岭回归、最小绝对收缩与选择算子 (LASSO)、随机森林和极端梯度提升 (XGBoost) 算法的性能。我们的结果显示，尽管 LASSO 和岭回归表现良好，但随机森林和 XGBoost 在预测准确性方面显著优于它们，证据包括较低的均方误差 (MSE)、均绝对误差 (MAE) 和根均方预测误差 (RMSPE)。此外，XGBoost 在最小化库克-李比尔散度 (KLD) 方面表现出色，表明其预测概率分布与实际观察值之间的对齐程度更高。这一发现凸显了使用集成方法，特别是 XGBoost，用于预测海表温度的有效性，使其成为气候学和环境建模中有价值的工具。
引用
@article{arxiv.2411.15202,
title = {A Comparison of Machine Learning Algorithms for Predicting Sea Surface Temperature in the Great Barrier Reef Region},
author = {Dennis Quayesam and Jacob Akubire and Oliveira Darkwah},
journal= {arXiv preprint arXiv:2411.15202},
year = {2024}
}