Feb, 2024

机器学习和统计方法在数字高程模型（DEM）校正中的比较：中期结果

PDF
TL;DR研究探讨了使用机器学习方法纠正数字高程模型中的高程偏差。通过对三种机器学习方法和多元线性回归方法在提高 Cape Town 地区 Copernicus 和 AW3D 全球 DEM 的垂直精度方面的比较，结果显示梯度提升决策树方法在 DEM 修正中具有潜力。
发现论文，激发创造
  • 利用极端梯度提升、土地覆盖和地形参数进行城市区域数字高程模型修正

    通过使用极值梯度提升（XGBoost）集成算法提高数字高程模型（DEMs）的准确性，用于改善城市地貌的水文模拟。

    Aug, 2023

  • 机器学习方法在统计降尺度中的比较：以日降水和极端降水为例

    本文针对机器学习在全球气候模型统计降尺度中的应用进行研究，将 Bias Correction Spatial Disaggregation, Ordinary Least Squares, Elastic-Net, Support Vector Machine 等方法与 Multi-task Sparse Structure Learning, BCSD 和 Convolutional Neural Networks 等先进机器学习方法进行对比分析，结果表明直接应用最新的机器学习方法不能优于较简单的传统方法，文中特别关注了美国东北部地区的每日降水量，结果对每种方法的能力进行了评估。

    Feb, 2017

  • 运用机器学习技术纠正数据同化和预测应用中的模型误差

    本研究将机器学习和数据同化相结合，提出了一种迭代方法来纠正现有知识型模型的误差，为地球科学建立了一个混合替代模型，该模型在短期到中期范围内有更好的预测表现

    Oct, 2020

  • 融合格网卫星和气象站降水数据的 Ensemble 学习

    本文提出了 11 个集成学习器并将它们与 PERSIANN 和 IMERG 数据集以及 GHCNm 数据进行比较，证明了这些集成学习器对卫星降水产品的预测精度有所提高。

    Jul, 2023

  • 数据驱动的环境研究与实践中的地理空间建模挑战

    电子数据和机器学习的地理空间建模已成为环境研究中广受欢迎的趋势，通过准确的地理空间预测有助于生态监测、质量评估、政策制定和行动计划等方面的有效资源管理。然而，对于进一步的研究和实践，需要解决许多问题，以获得精确可复现的结果。研究综述了地理空间建模中常见的问题和挑战，并提供了克服这些挑战的技术和流行编程工具，还讨论了地理空间人工智能在环境应用中的前景。

    Nov, 2023

  • 双机器学习估计因果效应 -- 方法评估

    通过对模拟数据和真实世界数据的性能比较，本文评估了一种名为 “双重 / 无偏机器学习”（DML）的方法，在估算因果效应时，使用机器学习放宽了传统假设的限制。我们发现，将灵活的机器学习算法应用于 DML 可以提高对各种非线性混淆关系的调整，从而避免了传统因果效应估计中通常需要的功能形式假设。然而，我们证明这种方法仍然严重依赖于因果结构和识别的标准假设。在我们的应用中，估计空气污染对房价的影响时，我们发现 DML 估计结果一直比不太灵活的方法估计结果要大。基于我们的整体结果，我们为研究人员在实际应用 DML 时提供了可行的建议。

    Mar, 2024

  • 深度学习与梯度提升：信用评分领域最先进机器学习算法的基准测试

    这篇文章针对金融服务公司中的信用风险管理问题，对比了深度学习和梯度增强机在不同特征数据集上的表现，结果发现梯度增强机更为强大、运算速度更快，在大多数情况下是信用评分的最佳解决方案。

    May, 2022

  • 遥感数据的去偏学习

    我们提出了一种针对遥感数据的高效半监督学习方法，通过适应 FixMatch 框架以及消除训练数据中的偏差，使用已标记数据的 30% 在遥感数据集上相较于基准监督学习方法提供了 7.1% 的准确度提升，以及相较于监督学习的最新方法 CDS 提供了 2.1% 的准确度提升。

    Dec, 2023

  • CroCo: 跨模态对比学习用于地球观测数据定位

    本研究提出了一种对地基 LiDAR 点云进行本地化的方法，可以将由航空 LiDAR 点云生成的数字高程模型（DEM）映射到航拍图像上。该方法基于对比学习，使用 DEM 和高分辨率光学图像进行训练，并通过不同的数据采样策略和超参数进行实验。在最佳情况下，Top-1 得分为 0.71，Top-5 得分为 0.81。该方法具有从 RGB 和 DEM 中进行特征学习以便进行本地化的潜力，并可能适用于其他数据源。

    Apr, 2022

  • 水位深度估计的关键评估：机器学习中的挑战与机遇

    通过使用机器学习算法（XGBoost）和大量实际和代理的水位深度观测数据，本研究构建了三个 500 米分辨率的水位深度模拟模型，并与物理模型进行对比。结果表明，相比三个物理模型，机器学习模型更准确地预测北美大部分生态区未见的实际和代理观测值，但仍存在数据偏差和不可靠观测数据、物理模型方程错误以及机器学习模型过于灵活等问题。针对这些问题，本研究深入探讨了未来的研究方向，特别关注了机器学习在水位深度估计中的应用。

    Apr, 2024