基于机器学习算法提升降水区反演效果研究
摘要 | 第5-6页 |
Abstract | 第6页 |
第一章 绪论 | 第7-13页 |
1.1 研究目的及意义 | 第7页 |
1.2 研究历史与现状 | 第7-10页 |
1.3 问题和思路 | 第10-13页 |
第二章 资料和方法 | 第13-21页 |
2.1 资料 | 第13-14页 |
2.2 卫星和雨量计资料预处理 | 第14页 |
2.3 随机森林方法 | 第14-17页 |
2.3.1 弱分类器:CART | 第15-16页 |
2.3.2 RF的流程框架 | 第16-17页 |
2.3.3 RF的优缺点 | 第17页 |
2.4 梯度提升决策树方法 | 第17-21页 |
2.4.1 弱分类器:回归决策树 | 第18-19页 |
2.4.2 GBDT流程框架 | 第19-20页 |
2.4.3 GBDT优缺点 | 第20-21页 |
第三章 模型物理变量的选择 | 第21-26页 |
第四章 基于GBDT算法的降水区估计模型 | 第26-35页 |
4.1 模型总体方法 | 第26-27页 |
4.2 模型参数调优及训练 | 第27-29页 |
4.3 模型检验及使用的评价指标 | 第29-34页 |
4.4 本章小结 | 第34-35页 |
第五章 基于RF算法的降水区估计模型 | 第35-40页 |
5.1 模型总体方法 | 第35页 |
5.2 模型参数调优及训练 | 第35-38页 |
5.3 模型检验 | 第38-39页 |
5.4 本章小结 | 第39-40页 |
第六章 模型比较 | 第40-45页 |
6.1 基于概率矩阵的模型方法及数据订正 | 第40-41页 |
6.2 两类方法比较 | 第41-43页 |
6.3 示例对比分析 | 第43-44页 |
6.4 本章小结 | 第44-45页 |
第七章 总结与讨论 | 第45-47页 |
7.1 总结及主要结论 | 第45页 |
7.2 本文的创新之处及存在的问题、不足 | 第45-47页 |
参考文献 | 第47-54页 |
作者简介 | 第54-56页 |
致谢 | 第56页 |