文献类型：期刊文章

作　　者：谢祥洲[1,2] 刘军龙[3] 霍斐斐[4] 张相春[4]

XIE Xiang-zhou;LIU Jun-long;HUO Fei-fei;ZHANG Xiang-chun(School of Mechanical and Electrical Engineering,University of Electronic Science and Technology of China,Chengdu 611731,China;Chongqing City Management College,Chongqing 401331,China;College of Resource and Environment,Zunyi Normal University,Zunyi 563006,China;College of Biology and Griculture(College of Food Science and Technology),Zunyi Normal University,Zunyi 563006,China)

机构地区：[1]电子科技大学机械与电气工程学院,四川成都611731 [2]重庆城市管理职业学院,重庆401331 [3]遵义师范学院资源与环境学院,贵州遵义563006 [4]遵义师范学院生物与农业科技学院(食品科技学院),贵州遵义563006

出　　处：《水电能源科学》

基　　金：重庆城市管理职业学院科研创新团队资助项目(KYTD202002)。

年　　份：2022

卷　　号：40

期　　号：2

起止页码：6-9

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、RCCSE、ZGKJHX、核心刊

摘　　要：针对GPM_IMERG降水数据存在系统误差的问题,以关中地区为例,在筛选海陆位置、地形、植被指数(NDVI)变量的基础上,运用支持向量机(SVM)、随机森林(RF)、高斯过程回归(GPR)模型对IMERG月降水数据进行订正,并通过34个站点数据验证订正模型。结果表明,关中地区IMERG数据具有良好的可替代性,其决定系数R^(2)达0.76,平均绝对误差M_(MAE)、均方根误差R_(RMSE)分别为6.94、9.77 mm;经机器学习模型订正后星地数据之间的R_(RMSE)提升了2.05%~58.33%,R^(2)、M_(MAE)分别降低了0.85%~71.23%、0.10%~73.47%;与GPR、RF模型相比,SVM模型的R_(RMSE)、M_(MAE)分别减小16.76%、9.76%和24.73%、14.11%,对IMERG数据订正具有更好的适用性。

关 键 词：IMERG数据  订正 精度检验  机器学习  

分 类 号：TV125]