使用机器学习算法和最大信息系数技术,估计大吉湖亚山泥炭地的甲流量
Xue Li1, Jiwen Ge1, Ziwei Liu1
1School of Environmental Studies, China University of Geosciences, Wuhan 430074, China; Laboratory of Basin Hydrology and Wetland Eco-restoration, China University of Geosciences, Wuhan 430074, China; Hubei Key Laboratory of Wetland Evolution and Ecological Restoration, China University of Geosciences (Wuhan), Wuhan 430078, China; Institution of Ecology and Environmental Sciences, China University of Geosciences (Wuhan), Wuhan 430078, China.
The Science of the total environment
|January 26, 2024
概括
机器学习模型有效地填补了甲流量 (FCH4) 数据中的空白. 随机森林模型,使用土壤和空气温度,最好估计泥炭地中的FCH4.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 大气科学 大气科学
背景情况:
- 旋共变率 (EC) 技术对于连续的甲流 (FCH4) 监测至关重要.
- 由于仪器故障和质量问题,FCH4时间序列存在重大数据缺口 (20-90%).
研究的目的:
- 评估机器学习 (ML) 算法来填补缺少的 FCH4 数据.
- 确定影响FCH4.4的关键环境因素.
- 开发一个最佳的ML模型,用于在泥炭地中的FCH4估计.
主要方法:
- 测试了四种ML算法:随机森林 (RF),支持向量机 (SVM),反向传播 (BP) 和非线性多重回归 (MLR).
- 最大信息系数 (MIC) 确定了FCH4.4的环境驱动因素.
- 使用九个数据集优化了射频模型,考虑了各种驱动因素和季节性变化.
主要成果:
- 土壤温度 (Ts),土壤含水量 (SWC) 和空气温度 (Ta) 是FCH4.4的主要驱动因素.
- 与SVM,BP和MLR相比,射频模型显示出更高的准确性.
- 具有8个驱动因素的RF模型 (RF全年8) 有效地捕捉了季节性FCH4变化.
结论:
- 机器学习,特别是射频,为解决FCH4观测数据缺口提供了强大的解决方案.
- 推RFall-year8作为估计大吉湖亚山泥炭地FCH4的最佳模型.
