دانلود مقاله انگلیسی رایگان:برآورد شار رسوب ماهانه گوگرد مرطوب (S) بر روی چین با استفاده از مدل گروهی از یادگیری ماشین پیشرفته و روش زمین آماری - 2019
بلافاصله پس از پرداخت دانلود کنید
دانلود مقاله انگلیسی یادگیری ماشین رایگان
  • Estimating monthly wet sulfur (S) deposition flux over China using an ensemble model of improved machine learning and geostatistical approach Estimating monthly wet sulfur (S) deposition flux over China using an ensemble model of improved machine learning and geostatistical approach
    Estimating monthly wet sulfur (S) deposition flux over China using an ensemble model of improved machine learning and geostatistical approach

    سال انتشار:

    2019


    عنوان انگلیسی مقاله:

    Estimating monthly wet sulfur (S) deposition flux over China using an ensemble model of improved machine learning and geostatistical approach


    ترجمه فارسی عنوان مقاله:

    برآورد شار رسوب ماهانه گوگرد مرطوب (S) بر روی چین با استفاده از مدل گروهی از یادگیری ماشین پیشرفته و روش زمین آماری


    منبع:

    Sciencedirect - Elsevier - Atmospheric Environment, 214 (2019) 116884: doi:10:1016/j:atmosenv:2019:116884


    نویسنده:

    Rui Lia, Lulu Cuia, Yilong Zhaoa, Ya Menga, Wang Kongd, Hongbo Fua,b,c,*


    چکیده انگلیسی:

    The wet S deposition was treated as a key issue because it played the negative on the soil acidification, biodiversity loss, and global climate change. However, the limited ground-level monitoring sites make it difficult to fully clarify the spatiotemporal variations of wet S deposition over China. Therefore, an ensemble model of improved machine learning and geostatistical method named fruit fly optimization algorithm-random forestspatiotemporal Kriging (FOA-RF-STK) model was developed to estimate the nationwide S deposition based on the emission inventory, meteorological factors, and other geographical covariates. The ensemble model can capture the relationship between predictors and S deposition flux with the better performance (R2=0.68, root mean square error (RMSE)=7.51 kg ha−1 yr−1) compared with the original RF model (R2=0.52, RMSE=8.99 kg ha−1 yr−1). Based on the improved model, it predicted that the highest and lowest S deposition flux were mainly concentrated on the Southeast China (69.57 kg S ha−1 yr−1) and Inner Mongolia (42.37 kg S ha−1 yr−1), respectively. The estimated wet S deposition flux displayed the remarkably seasonal variation with the highest value in summer (22.22 kg S ha−1 sea−1), follwed by ones in autumn (18.30 kg S ha−1 sea−1), spring (16.27 kg S ha−1 sea−1), and the lowest one in winter (14.71 kg S ha−1 sea−1), which was closely associated with the rainfall amounts. The study provides a novel approach for the S deposition estimation at a national scale.
    Keywords: Wet S deposition | Machine learning | Geostatistical approach | China


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 9
    حجم فایل: 1762 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی