【摘要】：大气透过率的计算是红外辐射传输计算的核心,RTTOV(Radiative Transfer for TOVS)通过建立大气廓线中温度、水汽、臭氧和其他气体浓度等参数与卫星通道透过率的统计关系,可实现卫星通道透过率和大气顶辐射率的快速准确计算。但在一些复杂吸收波段,如水汽波段,RTTOV的计算误差较大。为提高RTTOV在水汽敏感波段的计算精度,利用机器学习中的梯度提升树(Gradient Boosting Tree,GBT)方法,选取从ECMWF(European Centre for Medium-Range Weather Forecasts)的IFS-137(The Integrated Forecast System,137-level-profile)廓线集中挑选的1406条廓线和由此计算的透过率真值作为样本,选取风云三号气象卫星上搭载的红外分光计(Infra Red Atmospheric Sounder,IRAS)通道12(7.33μm)进行个例研究,分别建立陆地和海洋晴空大气等压面至大气层顶透过率的快速计算模型(GBT模型)。通过和透过率、亮温真值的比较,验证了GBT模型。比较结果显示,GBT模型预测的透过率平均绝对误差(Mean Absolute Error, MAE)为:陆地0.0012,海洋0.0009;均方对数误差(Mean Squared Logarithmic Error,MSLE)为:陆地0.0215,海洋0.0095,均小于RTTOV直接计算的透过率的误差(陆地、海洋的MAE分别比RTTOV小0.0008和0.0010,MSLE分别比RTTOV小0.0135和0.0227);由GBT模型计算的亮温MAE分别为:陆地0.0949 K,海洋0.0634 K,均方根误差(Root Mean Square Error,RMSE)分别为:陆地0.1352 K,海洋0.0831 K,也都小于RTTOV直接模拟的晴空亮温误差(陆地、海洋的MAE分别比RTTOV小0.1685 K和0.1466 K,RMSE分别比RTTOV小0.1794 K和0.1685 K)。本研究的结果表明,在IRAS红外水汽波段,GBT预测的透过率和亮温误差比RTTOV小。机器学习有提高水汽波段正演精度的潜力,或可为辐射传输的快速计算提供可行的替代方法。
到此这篇梯度提升树算法 流程图（梯度提升树算法流程图）的文章就介绍到这了,更多相关内容请继续浏览下面的相关 推荐文章，希望大家都能在编程的领域有一番成就！版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/jszy-jnts/11614.html