本篇论文针对高维回归或分类框架中预测变量高度相关的情况下的变量选择问题，研究使用随机森林算法的变量选择。论文提供了一种理论研究和模拟实验的方式，证明了使用递归特征排除算法作为排名标准对变量进行选择的高效性，并进行了陆地卫星数据集的测试。

Oct, 2013

本文介绍了基于 Gram-Schmidt 去相关方法的特征重要性新概念，并提出了用于使用随机森林回归确定数据趋势的绝对和相对横向速率两种估计器。然后，在各种合成和实际数据集上，将我们的估计器的性质与那些知名估计器进行了实证比较。

Mar, 2023

通过两种预测方法（储水层计算和向量自回归模型）研究了远程地点的气候要素的低成本和准确预测，发现预测精度随观测地点与目标地点之间的距离降低而下降，机器学习方法可以更有效地预测远程地点的气候要素。

Jun, 2024

该研究提出了一种评估天气条件对旧金山湾区自行车共享系统自行车站点数量预测的影响的方法，利用随机森林技术和指导向前逐步回归方法开发了回归模型，并利用贝叶斯信息准则进行了模型比较和开发。研究结果表明，日间时间、温度和湿度是重要的计数预测因子，并且天气变量是地理位置依赖的，因此应该在建模之前进行量化。在车站 i 处提供的自行车数量和日间时间是估算站点 i 自行车数量的最重要的变量。

Jun, 2020

野火对全球植被、野生动物和人类有重要影响，破坏植物群落和野生动物栖息地，并导致二氧化碳、氮氧化物、甲烷和其他污染物的排放增加。本技术综述描述了野火预测所依赖的独立变量的选择、数据处理技术、模型、独立变量的共线性和重要性估计方法以及模型性能评估指标。文章强调了对更有效的深度学习时间序列预测算法、三维数据（包括地面和树干燃料）的利用、提取更准确的历史火灾点数据和改进模型评估指标的需求。

May, 2024

本文证明了在生态数据的空间预测中，除了空间验证之外，空间变量选择也必须考虑，以产生可靠的预测结果。使用 “随机森林” 机器学习算法，作者通过两个案例研究了非空间和空间交叉验证策略，并发现高度自相关的预测变量可能导致过拟合，从而产生错误的空间预测模式。

Aug, 2019

本文提出使用极轨气象卫星的多分辨率气候数据来估计地球表面温度变化趋势的方法。通过开发两种专为密集网格观测设计的计算算法，我们评估了这些方法的性能，并计划跟踪云反射温度变化趋势。

May, 2018

变量重要性在可解释机器学习中起着关键作用，它有助于衡量因素对预测模型输出的影响。我们的研究重点是评估和评估旨在解决变量重要性评估中特征相关性问题的方法，如条件预测影响（CPI）等，我们首先进行综合模拟研究，调查特征相关性对变量重要性评估的影响，然后通过 knockoff 构造从理论上证明高相关特征对 CPI 的限制。我们的发现强调了处理高特征相关性时的困难和方法在变量重要性评估中的实用性和局限性的必要性。

Feb, 2024

通过实时实验，本文量化了计算成本与预测误差之间的关系，使用气象业务为例，使用多个流行的回归技术对多个地点的温度、风速和云量进行了多个时段的短期预测，结果显示使用方差地平面方法能够降低计算使用量约 50%，同时导致 0-15% 的增加，而基于性能的重训练方法不仅能够降低计算使用量高达 90%，还提高了预测误差高达 10%，两者的组合在根据计算使用量归一化的误差方面优于其他模型配置达到 99.7%。

Sep, 2023

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