|
|||||
|
|
| 极限梯度提升和长短期记忆网络相融合的土壤温度预测 | |
| 作者姓名： | 李清亮 蔡凯旋 耿庆田 刘光洁 孙明玉 张嵛 于繁华 |
| 作者单位： | .长春师范大学 计算机科学技术学院, 吉林 长春 130032 |
| 基金项目： | 国家自然科学基金资助项目(61604019);吉林省省级科技创新项目资助(20190302026GX);吉林省发改委产业技术研究与开发项目资助(2020C019-3);吉林省发改委产业技术研究与开发项目资助(2019C054-8);吉林省科技发展计划资助项目(20180201086SF);吉林省高等教育学会高教科研项目资助(JGJX2018D10);辽宁省科技厅联合开放基金机器人学国家重点实验室开放基金资助项目(2020-KF-22-08);长春师范大学青年教师培育计划项目(长师大自科合字[2019]第006号) |
| 摘 要： | 土壤温度是地球科学多个领域的重要变量。其时空变化受多种环境因素影响,这对土壤温度的准确预测带来巨大挑战。以机器学习为核心的数据驱动方法,在土壤温度预测中是重要研究领域,为基于物理过程模型提供重要补充。然而目前针对土壤温度影响因素量性研究较少,因此本文提出XGBoost-LSTM的数据驱动方法。基于极限梯度提升算法（XGBoost）分析土壤温度影响因素的重要性,然后根据影响因素重要性依次组合,并输入至长短期记忆网络（LSTM）,得到最优预测模型并实现土壤温度预测。最后在长白山和海北两个气象站完成实验,本文方法的最优均方根误差为2.234、平均绝对误差为1.716、纳什效率系数为0.932、LMI系数为0.729和威尔莫特一致性指数为0.983。结果表明本文提出的XGBoost-LSTM预测模型与目前土壤温度中常用的数据驱动模型相比,均表现出更高的精确度。 |
| 关 键 词： | 土壤温度预测 长短期记忆网络 极限梯度提升 特征重要性 数据驱动方法 |
| 收稿时间： | 2020-03-16 |
| 修稿时间： | 2020-05-24 |
| 点击此处可从《光学精密工程》浏览原始摘要信息 | |
| 点击此处可从《光学精密工程》下载全文 | |