.png){kind=icon}
返回
A novel feature selection-driven framework for sustainable and efficient rainfall classification using machine learning models
.png){kind=icon}
OA
AI
DOI：10.1016/j.uncres.2025.100286.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确降雨预测对于管理水资源、减轻灾害以及应对日益增长的气候变异性下的可持续农业至关重要。然而，气象数据的高维性和异质性常常阻碍传统模型的效率和可解释性。本研究介绍了一种基于特征选择的机器学习框架，利用澳大利亚的综合气象数据集，提高了降雨分类的准确性和计算可持续性。在应用特征选择前后，对逻辑回归、随机森林和多层感知器（MLP）神经网络三种分类器进行了评估。所提出的框架表明，降维显著提高了效率，同时保持或增强了预测能力。实验结果显示，训练时间最多减少了96%，随机森林和神经网络模型的ROC-AUC分数均为完美值（1.00），假阴性减少了30-68%，从而提高了降雨事件的检测可靠性。本研究的新颖之处在于系统量化了特征选择对降雨预测模型鲁棒性和效率的影响，这是一个在以往研究中较少关注的课题。这些发现为实时降雨预报提供了一种可持续且可推广的方法，并可扩展到其他需要高效模型部署的计算受限气候预测任务。
Keyword:
Rainfall prediction
Feature selection
Machine learning models and water
sustainability
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.6
论文数:
109
被引数:
391
机构
暂无机构信息
引用论文
A review of the application of hybrid machine learning models to improve rainfall prediction混合机器学习模型在改善降雨预测中的应用综述
PREAI
分享收藏A Comparative Study of Machine Learning Models for Daily and Weekly Rainfall Forecasting日降雨量和周降雨量预报机器学习模型的比较研究
OAAI
OAAI分享收藏Application of Machine Learning Algorithms in Predicting Extreme Rainfall Events in Rwanda机器学习算法在预测卢旺达极端降雨事件中的应用.png)
AtmosphereOAAI
AtmosphereIF0
OAAI分享收藏分享收藏The perceptron: A probabilistic model for information storage and organization in the brain.感知器: 大脑中信息存储和组织的概率模型。
PREAI
分享收藏
查看更多内容