优化甲流量预测和基于新型混合机器学习模型的关键特征识别
Xinqin Gu1, Li Yao1,2, Xiang Xiao3
1College of Water Conservancy, Jiangxi University of Water Resources and Electric Power, Nanchang 330099, China.
iScience
|December 16, 2025
概括
准确的甲 (CH4) 流量预测至关重要. 机器学习模型,特别是混合XGBoost,使用土壤温度等关键特征改善了CH4排放预测.
科学领域:
- 环境科学 环境科学
- 大气化学 大气化学
- 计算科学 计算科学
背景情况:
- 自然景观甲 (CH4) 排放量占全球总排放量的50%.
- 由于高成本和生态系统的复杂性,量化这些排放具有挑战性.
研究的目的:
- 评估用于预测CH4流量的机器学习模型 (XGBoost,随机森林,SVM).
- 使用混合GWOPSO-XGBoost模型优化CH4流量预测.
主要方法:
- 在36个FLUXNET-CH4站点评估了XGBoost (XGB),随机森林 (RF) 和支持矢量机 (SVM).
- 应用灰狼优化器 - 粒子群优化 (GWOPSO) 来混合XGB用于功能和超参数优化.
主要成果:
- 集成模型 (XGB,RF) 在CH4流量预测方面表现优于SVM.
- 混合GWOPSO-XGBoost模型提高了预测准确度,大多数湿地类型只需要五个特征.
- 与所有功能XGB模型相比,根平均平方误差 (RMSE) 减少了1.1%-10.8%.
- 土壤温度成为最关键的预测变量.
结论:
- 该研究建议使用优化机器学习进行可靠的CH4预测方法.
- 这种方法为跨不同场地类型的CH4流量预测提供了有价值的参考.
