将参数化陆面模型与机器学习结合
机器学习
2020-05-12 v2 机器学习
摘要
提出并评估了一种混合机器学习与基于过程建模（PBM）的方法，在少数 AmeriFlux 站点模拟表层土壤湿度状态。此处采用的混合 PBM（HPBM）使用集成了高斯过程的 Noah 陆面模型。其设计仅在与训练数据相似的气候情形下修正模型，否则退回到 PBM。以此方式，我们的方法避免了在相似训练数据不可用的情景下做出错误预测，并纳入了对系统的物理理解。此处我们假设自回归模型，并在所选各站点使用一年留一交叉验证获得了样本外结果，RMSE 降低达 3 倍以上。概述了一条使用混合建模构建全球陆面模型的路径，其有潜力显著优于当前最先进水平。
引用
@article{arxiv.2002.06141,
title = {Combining Parametric Land Surface Models with Machine Learning},
author = {Craig Pelissier and Jonathan Frame and Grey Nearing},
journal= {arXiv preprint arXiv:2002.06141},
year = {2020}
}
备注
4 pages, 3 figures, 1 table, submitted to IGARSS 2020