| 基于机器学习的土壤温度预估研究综述 |
| |
| 引用本文： | 谭晓晴,罗斯琼,舒乐乐,李晓旭,王景元,曾礼,董晴雪,陈自航.基于机器学习的土壤温度预估研究综述[J].高原气象,2022,41(2):268-281. |
| |
| 作者姓名： | 谭晓晴 罗斯琼 舒乐乐 李晓旭 王景元 曾礼 董晴雪 陈自航 |
| |
| 作者单位： | 中国科学院西北生态环境资源研究院寒旱区陆面过程与气候变化重点实验室,甘肃兰州 730000;中国科学院大学,北京 100049,中国科学院西北生态环境资源研究院寒旱区陆面过程与气候变化重点实验室,甘肃兰州 730000,兰州理工大学计算机与通信学院,甘肃兰州 730050,成都信息工程大学大气科学学院高原大气与环境四川省重点实验室,四川成都 610225 |
| |
| 基金项目： | 国家自然科学基金项目（U20A2081,41975096）；;中国科学院“西部之光”交叉团队项目（xbzg-zdsys-202102）； |
| |
| 摘 要： | 土壤温度是地球科学研究中的重要物理量。在陆-气相互作用研究中，土壤温度不仅影响土壤内部的物理、生物、化学过程，而且对陆-气之间能量和物质交换起重要作用。随着可获取的相关数据越来越丰富，机器学习方法已经被越来越多的研究人员引入到土壤温度预估中，在很多任务中已经超过了统计模型、物理模型的性能。本文对比了统计模型、物理模型和机器学习方法这三种土壤温度常用计算方法的异同，简要介绍了应用于土壤温度研究的各类机器学习模型的原理和特点，综合国内外文献归纳了传统机器学习和深度学习在土壤温度空间分布、时间变化和时空变化三方面的研究进展。在土壤温度空间分布研究中，传统机器学习方法能够通过影响因子的空间异质性学习空间特征，并利用站点观测数据计算土壤深处的温度，但随土壤深度增加模型效果减弱，而深度学习模型有能够提取空间特征的结构，但对数据量要求高，当前研究中仅用于地表温度的遥感反演；在土壤温度时间序列研究中，加入了周期性信息的传统机器学习方法具有更好的模型效果，深度学习中的序列学习模型能自动捕捉土壤温度变化规律，结合了非平稳序列分析方法的混合模型能充分考虑土壤温度变化的连续性和周期性；由于陆面过程复杂性，土壤...
|
| 关 键 词： | 土壤温度 机器学习 时间序列 |
A Review of Soil Temperature Estimation Research Based on Machine Learning |
| |
| TAN Xiaoqing,LUO Siqiong,SHU Lele,LI Xiaoxu,WANG Jingyuan,ZENG Li,DONG Qingxue,CHEN Zihang.A Review of Soil Temperature Estimation Research Based on Machine Learning[J].Plateau Meteorology,2022,41(2):268-281. |
| |
| Authors: | TAN Xiaoqing LUO Siqiong SHU Lele LI Xiaoxu WANG Jingyuan ZENG Li DONG Qingxue CHEN Zihang |
| |
| Abstract: | |
| |
| Keywords: | |
| 本文献已被 万方数据 等数据库收录！ |
|
