.png){kind=icon}
返回
Iceberg Draft Prediction Using Several Tree-Based Machine Learning Models
.png){kind=icon}
PRE
AI
DOI：10.1007/s11802-025-5937-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
由于气候变化，北极地区正经历加速的海冰融化以及冰川 iceberg 分离频率的增加。这些漂流的 iceberg 对穿越浅水域的 subsea installations 构成风险和工程挑战，因为 iceberg keels 可能触及海底，进而可能损坏 subsea structures。因此，为保护 subsea 和 offshore infrastructure，会采取诸如拖曳和改道等昂贵且耗时较长的 iceberg management operations。本研究因此探讨将 extra tree regression (ETR) 应用于估算 iceberg draft 的可行性，特别是在 iceberg management projects 的初步决策阶段。研究开发了九个基于影响 iceberg draft 参数的 ETR models。随后的分析识别出最有效的 models 和显著的 input variables。不确定性分析表明，性能最优的 ETR model 倾向于高估 iceberg drafts；然而，它在估算精度、相关性及简易性方面达到了最高水平。与 decision tree regression、random forest regression 和 empirical methods 的比较证实了 ETR 在预测 iceberg drafts 方面的优越性能。
Keyword:
sea-bottom founded structures
iceberg draft
extra tree regression
decision tree regression
random forest regression
期刊
J
IF:
1.2
论文数:
123
被引数:
0
机构
引用论文
Generalized structure of the group method of data handling for modeling iceberg drafts.png)
OCEAN MODELLING
OCEAN MODELLINGIF2.9
PREAI
分享收藏Geophysical evidence of deep-keeled icebergs on the Rockall Bank, Northeast Atlantic Ocean东北大西洋罗卡尔河岸深冰山的地球物理证据GEOMORPHOLOGY
GEOMORPHOLOGYIF3.3
PREAI
分享收藏
查看更多内容