14、机器学习在环境数据建模与空间分析中的应用

机器学习在环境数据建模与空间分析中的应用

1. 多层感知器（MLP）降水建模

在降水建模中，MLP是一种有效的工具。首先进行了2输入MLP的降水建模，在调整超参数后，使用20个隐藏神经元得到了最佳结果，验证均方根误差（RMSE）为36.95mm。相关结果如图所示，图展示了使用2个输入（空间坐标）的MLP降水预测映射以及验证数据集的测量值与估计值对比。

随后，将高程信息作为输入引入神经网络。虽然高程与降水之间的全局相关性不强，但通过移动窗口统计分析可以发现局部相关性，MLP能够捕捉到这些信息。使用3输入神经网络的结果显示，在调整超参数后，MLP 3 - 5 - 1在输入数据缩放范围为0.3到0.7时，取得了最佳RMSE为26.87mm。对比2输入和3输入的预测模型，可以明显看到高程在第二次预测中的影响。

表1：2输入与3输入MLP降水建模结果对比
| 输入情况 | 最佳隐藏神经元数量 | 验证RMSE（mm） |
| ---- | ---- | ---- |
| 2输入 | 20 | 36.95 |
| 3输入 | - | 26.87 |

2. MLP建模日降水量

选择了一个短期极端降水情况作为更复杂的案例研究。2006年10月2日至3日，瑞士受到强烈冷锋影响，降水分布在空间上不连续且依赖地形特征，南阿尔卑斯地区受影响最大。

2.1 数据描述

以下是这两天累积降水量的汇总统计信息：
表2：2006年10月2日和3日降水量汇总统计
| 统计指标 | 数值 |
| ---- | ---- |
| 站点数量 | 413（3