机构名称：
¥ 2.0
摘要。冰川撤退提出了重要的环境和社会挑战。了解旋转驱动器对冰川进化的局部影响至关重要，大规模平衡是一个核心概念。这项研究介绍了最小的机器学习模型Miniml-MB，该模型旨在针对非常小的数据集实现年度点表面质量平衡（PMB）。基于极端的梯度提升（XGBoost）体系结构，将最小MB应用于瑞士阿尔卑斯山中各个地点的PMB建模，强调需要适当的训练框架和降低降低技术。最小值MB的实质性附加值是其数据驱动的局部质量平衡关键驱动因素的识别。使用两个预测指标实现了最佳的PMB预测性能：平均空气温度（5月至8月）和总降水量（10月至2月）。最小MB模型PMB准确，平均绝对误差（MAE）为0.417 m W.E.在所有站点上。值得注意的是，Miniml-MB证明了相似的，并且在大多数情况下，具有出色的预测能力（PDD）模型（MAE为0.541 M W.E.）。与PDD模型相比，最小值MB在重现极端质量平衡阀方面的有效性较小（例如，2022）属于其训练范围。因此，只要缺少一年的气候条件在训练范围内，最小值MB作为一个不完整的PMB测量站点的空隙填充工具显示出希望。这个
最小的机器学习冰川质量平衡模型
主要关键词
相关文件推荐
