一种机器学习方法来填补树仪数据中的空白
Eileen Kuhl1, Emanuele Ziaco1, Jan Esper1,2
1Department of Geography, Johannes Gutenberg University, Johann-Joachim-Becher Weg 32, 55128 Mainz, Germany.
概括
极端梯度增强 (XGB) 有效地填补了单个树木树仪记录中的长时间数据空白. 这种机器学习方法不需要额外的树木或气候数据,为时间序列分析提供了强大的解决方案.
科学领域:
- 登德罗年代学和生态监测.
- 机器学习在环境科学中的应用.
背景情况:
- 树仪数据的时间序列分析经常受到设备故障造成的数据缺口的阻碍.
- 现有的填补差距方法有局限性,包括依赖较小的差距,外部树数据或气候参数.
研究的目的:
- 评估机器学习算法,以填补单个树木树仪数据中的空白.
- 找出最有效的算法来弥合数据缺口,而无需外部依赖.
主要方法:
- 测试八个机器学习算法在城市和非城市树木的树枝计数据上.
- 利用人工创建的空白来评估算法性能.
- 专注于填补单个树木的空白的能力.
主要成果:
- 极端梯度增强 (XGB) 在弥合人工数据差距方面表现出最高的技能.
- XGB模型成功填补了连续30天的空白,在生长季节的开始和结束时表现良好.
- 该方法证明独立于气候变量和邻近树木的数据.
结论:
- 机器学习,特别是XGB,提供了一种有效和有效的方法来填补单个树木树仪数据中的空白.
- 这种方法在树际数据相关性有限的场景中特别有价值,例如城市环境.
- 这些发现支持使用ML来提高树枝生态时间序列分析的稳定性.


