期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
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
被引量：
2
1
作者
汤贵艳
朱善良
+1 位作者
周伟峰
杨树国
《青岛科技大学学报（自然科学版）》
CAS
2023年第2期116-126,共11页
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...
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。
展开更多
关键词
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
在线阅读
下载PDF
职称材料
题名
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
被引量：
2
1
作者
汤贵艳
朱善良
周伟峰
杨树国
机构
青岛科技大学数理学院
出处
《青岛科技大学学报（自然科学版）》
CAS
2023年第2期116-126,共11页
基金
中国科学院海洋环流与波动重点实验室开放基金项目(KLOCW2003)。
文摘
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。
关键词
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
Keywords
Gaussian mixture model
light gradient boosting machine
machine learning
o-cean subsurface thermal
分类号
P732 [天文地球—海洋科学]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
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
汤贵艳
朱善良
周伟峰
杨树国
《青岛科技大学学报（自然科学版）》
CAS
2023
2
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
