气候原位数据重建的性能与效率：为何优化后的IDW优于克里金法和隐式神经表示
机器学习
2025-12-16 v1 人工智能
摘要
本研究评估了三种稀疏气候数据重建方法：简单的反距离加权（IDW）、统计基础的普通克里金法（OK）以及先进的隐式神经表示模型（MMGN架构）。所有方法均通过使用验证集分割进行超参数调优进行了优化。进行了大量实验，随后进行了全面的统计分析。结果表明，简单的IDW方法在重建准确性和计算效率方面均优于其他参考方法。IDW在来自ECA&D数据库的100个随机采样稀疏数据集上取得了最低的RMSE（3.00 ± 1.93）、MAE（1.32 ± 0.77）和ΔMAX（24.06 ± 17.15），以及最高的R²（0.68 ± 0.16）。RMSE、MAE和R²的差异具有统计显著性，并表现出中等至大的效应量。Dunn事后检验进一步证实了IDW在所有评估质量指标上的一致优越性[...]
引用
@article{arxiv.2512.11832,
title = {Performance and Efficiency of Climate In-Situ Data Reconstruction: Why Optimized IDW Outperforms kriging and Implicit Neural Representation},
author = {Jakub Walczak},
journal= {arXiv preprint arXiv:2512.11832},
year = {2025}
}