基于量子回归的集成学习方法用于卫星降水产品不确定性估计
机器学习
2025-08-05 v3 统计方法学
摘要
以概率分布形式的预测对于有效决策至关重要。分位数回归可以在空间预测环境中实现此类预测，以创建改进的降水数据集，融合遥感数据和测站数据。然而，在降水数据集创建中应用量子回归算法的集成学习尚未得到探索，且在更广泛的机器学习研究领域中也发展不充分。本文引入了九种基于分位数的集成学习者，解决了上述问题，并首次将这些学习者应用于大规模降水数据集。我们采用了一种新颖的特征工程策略，通过距离加权的卫星降水数据在相关位置，结合海拔信息来减少预测变量的数量。我们的集成学习者包括六种基于堆叠思想的方法和三种简单方法（均值、中位数、最佳组合器）。其中每一种方法都组合了以下六种个体算法：分位数回归（QR）、分位数回归森林（QRF）、广义随机森林（GRF）、梯度提升机（GBM）、LightGBM 和分位数回归神经网络（QRNN）。这些算法既可作为基学习者，也可作为组合器，用于不同集成学习方法中。在使用分位数评分函数和大型数据集进行评估时，我们的模型表现优异。该数据集包含美国逾 15 年的月度测站测量降水与卫星降水数据，覆盖 CONUS 全境。
引用
@article{arxiv.2403.10567,
title = {Ensemble learning for uncertainty estimation with application to the correction of satellite precipitation products},
author = {Georgia Papacharalampous and Hristos Tyralis and Nikolaos Doulamis and Anastasios Doulamis},
journal= {arXiv preprint arXiv:2403.10567},
year = {2025}
}