《表4 不同降尺度模型在不同子研究区交叉检验误差统计结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于随机森林算法的地表温度鲁棒降尺度方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了更直观地反映3种模型对训练数据和预测数据的过拟合问题，降尺度模型用于自身训练区以及其他区域的RMSE误差对比，如图7所示。由该图可见，无论是子研究区A训练的降尺度模型用于子研究区B，还是子研究区B训练的降尺度模型用于子研究区A，3种模型的RMSE均有所增大，尤其是TsHARP模型的RMSE增大较为明显。这说明考虑的降尺度因子较为单一的时候，容易存在过拟合的现象，这就导致了传统的TsHARP或者Basic-RF地表温度降尺度模型并不能很好地应用至其他区域。研究结果表明，模型的泛化能力与能否有效表征地表状态密切相关。当所采用的尺度因子能够充分表示某一区域不同地表状况时，降尺度模型的泛化能力也将得以提升。考虑到对于子研究区A和B，RRF模型地表温度降尺度结果的RMSE相差很小（低于0.2 K），明显低于TsHARP和Basic-RF这2种降尺度模型，由此可见RRF模型的鲁棒性比较理想。