GNSS-R是基于GNSS衛(wèi)星反射信號的一種新技術.GNSS-R技術可以運用到海面風場反演中,傳統(tǒng)的GNSS-R技術反演海面風場主要有波形匹配和經(jīng)驗函數(shù)兩種方法,風速反演精度約為2m·s^-1.波形匹配方法耗時多,計算量大;經(jīng)驗函數(shù)方法通常只使用少量物理觀測量,會造成信息浪費,損失一定的反演精度.為了提高海面風速的反演精度,引入機器學習領域常用的樹模型算法決策樹、隨機森林、GBDT等對海面風速進行預測.利用GNSS-R與ECMWF數(shù)據(jù)構成訓練集和驗證集,訓練集用于模型學習,驗證集用于檢驗模型的反演效果.實驗結果顯示,決策樹和隨機森林預測誤差約為0.6 m·s^-1,GBDT等算法的預測誤差約為2 m·s^-1,滿足風速反演要求.與GNSS-R傳統(tǒng)反演方法相比,機器學習樹模型算法效果更好,在驗證集上表現(xiàn)穩(wěn)定且誤差較小.因此,可以將機器學習樹模型算法運用到海面風速反演中.

【文章頁數(shù)】：7 頁

【部分圖文】：

圖６數(shù)據(jù)點全球分布??Ｆｉｇ．?６?Ｄａｔａ?ｐｏｉｎｔ?ｇｌｏｂａｌ?ｄｉｓｔｒｉｂｕｔｉｏｎ??１４０??１８０??反射點時間差ｉｉ個物理最，其中?

，．—４，??Ｓ．ｌＳｍ．ｓ－１．從圖８？１２中可以直觀看出，隨機森林預??？則結果，＝尤更相關，不管是高風速還是低風速都??能很好地預測；決策樹效果次之；ｔｏａｓｔｉｎｇ樹效果略??差，這可能與樣本分布不均衡有關，預測的結果大多??分布在３？．１０ｍ，ｓ．—１內．??（Ｕ??＇....

圖１２隨機森林結果散點??Ｆｉｇ．?１２?Ｓｃａｔｔｅｒ?ｐｌｏｔ?ｏｂｔａｉｎｅｄ?ｂｙ?Ｒａｎｄｏｍ??ｆｏｒｅｓｔ?ａｌｇｏｒｉｔｈｍ??表１各模型多次實驗結果對比（單位ｍ＋ｓ－１）??Ｔａｂｌｅ?１?Ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｍｕｌｔｉｐｌｅ?ｅｘｐｅｒｉｍｅｎｔａｌ??ｒｅｓｕｌｔｓ?ｏｆ?ｅａｃｈ?ｍｏｄｅｌ?（Ｕｎｉｔ?ｍ?ｓ－１）??

２??１０１??圖１０?ＧＢＤＴ結果散點??Ｆｉｇ．?１０?Ｓｃａｔｔｅｒ?ｐｌｏｔ?ｏｂｔａｉｎｅｄ?ｂｙ?ＧＢＤＴ?ａｌｇｏｒｉｔｈｍ??Ｓｃａｔｔｅｒ?ｐｌｏｔ??Ｄｅｃｉｓｉｏｎ?ｔｒｅｅ?ｒｅｓｕｌｔ?ｄｅｎｓｉｔｙ??１０?１５?２０?２５??ＥＣＭＷＦ?ｖａｌｕｅ／....

本文編號：3913496