青岛科技大学主页平台管理系统朱善良--朱善良-- 基于高斯混合聚类和LightGBM算法的印度洋次表层温度反演研究

基于高斯混合聚类和LightGBM算法的印度洋次表层温度反演研究: 点击次数：; 关键字：高斯混合模型;轻量级梯度提升机;机器学习;海洋次表层温度; 摘要：海洋次表层的热力结构对于海洋环流和全球气候变化具有重要的意义。提出一种新的融合高斯混合模型(gaussion mixture model, GMM)和轻量级梯度提升机(light gradient boosting machine, LightGBM)算法的海洋次表层温度(ocean subsurface temperature, OST)反演模型，利用海表温度(sea surface temperature, SST)、海表盐度(sea surface salinity, SSS)、海表高度(sea surface height, SSH)、海表风场(sea surface wind, SSW)的水平分量(USSW)和垂直分量(VSSW)等多源海表参数对印度洋海域的次表层热力结构进行反演，并采用均方根误差和决定系数对模型进行验证。结果表明：所提出的模型可以准确反演印度洋海域的OST分布特征和季节变化规律。在此基础上，设计了不同海表参数输入组合的3种对比实验来定量分析不同海表参数对LightGBM模型的影响。结果表明：所有海表参数对模型都有积极作用，但5个输入参数(SST、SSS、SSH、USSW和VSSW)的LightGBM模型反演效果最好，3个输入参数(SST、SSS和SSH)和2个输入参数(SST和SSH)的LightGBM模型次之。另外，与已有的极限梯度增强(extreme gradient boosting, XGBoost)反演模型相比，5个输入参数的LightGBM模型具有更好的模拟能力。; 卷号：v.44;No.201; 期号：02; 是否译文：否

上一条： The reliable sampling interval for monitoring interannual variability of the Kuroshio transport at 18?N

下一条： Adaptive Controller Design for Switched Stochastic Nonlinear Systems Subject to Unknown Dead-zone Input via New Type of Network Approach