基于树模型机器学习方法的GNSS-R海面风速反演

发布时间：2024-02-28 04:50

　　GNSS-R是基于GNSS卫星反射信号的一种新技术.GNSS-R技术可以运用到海面风场反演中,传统的GNSS-R技术反演海面风场主要有波形匹配和经验函数两种方法,风速反演精度约为2m·s^-1.波形匹配方法耗时多,计算量大;经验函数方法通常只使用少量物理观测量,会造成信息浪费,损失一定的反演精度.为了提高海面风速的反演精度,引入机器学习领域常用的树模型算法决策树、随机森林、GBDT等对海面风速进行预测.利用GNSS-R与ECMWF数据构成训练集和验证集,训练集用于模型学习,验证集用于检验模型的反演效果.实验结果显示,决策树和随机森林预测误差约为0.6 m·s^-1,GBDT等算法的预测误差约为2 m·s^-1,满足风速反演要求.与GNSS-R传统反演方法相比,机器学习树模型算法效果更好,在验证集上表现稳定且误差较小.因此,可以将机器学习树模型算法运用到海面风速反演中.

【文章页数】：7 页

【部分图文】：

图６数据点全球分布??Ｆｉｇ．?６?Ｄａｔａ?ｐｏｉｎｔ?ｇｌｏｂａｌ?ｄｉｓｔｒｉｂｕｔｉｏｎ??１４０??１８０??反射点时间差ｉｉ个物理最，其中?

，．—４，??Ｓ．ｌＳｍ．ｓ－１．从图８？１２中可以直观看出，随机森林预??？则结果，＝尤更相关，不管是高风速还是低风速都??能很好地预测；决策树效果次之；ｔｏａｓｔｉｎｇ树效果略??差，这可能与样本分布不均衡有关，预测的结果大多??分布在３？．１０ｍ，ｓ．—１内．??（Ｕ??＇....

图１２随机森林结果散点??Ｆｉｇ．?１２?Ｓｃａｔｔｅｒ?ｐｌｏｔ?ｏｂｔａｉｎｅｄ?ｂｙ?Ｒａｎｄｏｍ??ｆｏｒｅｓｔ?ａｌｇｏｒｉｔｈｍ??表１各模型多次实验结果对比（单位ｍ＋ｓ－１）??Ｔａｂｌｅ?１?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｍｕｌｔｉｐｌｅ?ｅｘｐｅｒｉｍｅｎｔａｌ??ｒｅｓｕｌｔｓ?ｏｆ?ｅａｃｈ?ｍｏｄｅｌ?（Ｕｎｉｔ?ｍ?ｓ－１）??

２??１０１??图１０?ＧＢＤＴ结果散点??Ｆｉｇ．?１０?Ｓｃａｔｔｅｒ?ｐｌｏｔ?ｏｂｔａｉｎｅｄ?ｂｙ?ＧＢＤＴ?ａｌｇｏｒｉｔｈｍ??Ｓｃａｔｔｅｒ?ｐｌｏｔ??Ｄｅｃｉｓｉｏｎ?ｔｒｅｅ?ｒｅｓｕｌｔ?ｄｅｎｓｉｔｙ??１０?１５?２０?２５??ＥＣＭＷＦ?ｖａｌｕｅ／....

本文编号：3913496