基于树的集成算法在日尺度卫星与地面观测降水数据融合中的比较
机器学习
2023-03-06 v2 应用统计
统计计算
统计方法学
摘要
为获得同时覆盖大区域、高密度且比纯卫星降水产品更准确的降水数据集,常需融合卫星产品与地面观测。机器学习与统计学习回归算法在此工作中常被使用。同时,基于树的集成算法因高精度与低计算成本被广泛应用于各领域回归问题。然而,文献中缺乏关于在日尺度下为美国本土校正卫星降水产品应选择何种基于树的集成算法的信息。本研究通过对比三类相关算法——随机森林、梯度提升机(gbm)与极端梯度提升(XGBoost)——来填补这一方法学空白。我们使用来自 PERSIANN(基于人工神经网络的遥感信息降水估计)与 IMERG(全球降水测量综合多卫星反演)网格数据集的日数据,以及来自全球历史气候网络日值(GHCNd)数据库的地面观测降水数据。实验覆盖整个美国本土,并出于基准目的应用了线性回归算法。结果表明,XGBoost 是所比较算法中性能最佳的基于树的集成算法……
引用
@article{arxiv.2301.01214,
title = {Comparison of tree-based ensemble algorithms for merging satellite and earth-observed precipitation data at the daily time scale},
author = {Georgia Papacharalampous and Hristos Tyralis and Anastasios Doulamis and Nikolaos Doulamis},
journal= {arXiv preprint arXiv:2301.01214},
year = {2023}
}