Nature Scientific Data: Долгосрочная реконструкция суммарного испарения земель с использованием координатной сетки с помощью Deep Forest с высокой степенью обобщения
Предыдущие наборы данных имеют ограничения в обобщении эвапотранспирации (ЭТ) по различным типам земного покрова из-за нехватки и пространственной неоднородности наблюдений, а также неполного понимания основных физических механизмов как более глубокого способствующего фактора. Чтобы заполнить эти пробелы, авторы разработали глобальный набор данных ЭТ Highly Generalized Land (HG-Land) с пространственным разрешением 0,5° и ежемесячными значениями, охватывающими эпоху спутников (1982–2018 гг.). Этот подход использует возможности алгоритма машинного обучения Deep Forest, обеспечивающий хорошую обобщаемость и уменьшающий переобучение за счёт минимизации гиперпараметризации. Пояснения дополнительно предоставляются для повышения прозрачности модели и получения нового понимания процесса ЭТ. Проверка, проведённая как в масштабе участка, так и в масштабе бассейна, свидетельствует об удовлетворительной точности набора данных с выраженным акцентом на северное полушарие. Более того, обнаружено, что основная движущая сила прогнозов различается в разных климатических регионах. В целом, HG-Land, основанный на интерпретируемости модели машинного обучения, представляет собой проверенный и обобщённый ресурс, предназначенный для научных исследований и различных приложений.