.png){kind=icon}
返回
Machine Learning Approaches for Imputing Missing Meteorological Data in Senegal
.png){kind=icon}
PRE
AI
DOI：10.1016/j.acags.2025.100281.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究在西非首次对四种插补方法——决策树（DT）、随机森林（RF）、极端梯度提升（XGB）和普通克里金（OK）——进行了全面评估，这些方法应用于塞内加尔十年（2015–2024）期间六个核心气象变量的数据。通过模拟基于现场条件（如停电、观测员缺席、传感器故障）的真实缺失数据场景，本研究为资源受限环境下的气候数据重建建立了机器学习应用的可靠基准。
Keyword:
Missing data
Machine learning
Imputation
Random Forest
XGBoost
Climate data quality
West Africa
Senegal
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:
3.2
论文数:
191
被引数:
375
机构
引用论文
Multiple imputation using chained equations: Issues and guidance for practice使用链式方程进行多重插补: 问题和实践指导
.png){kind=icon}
PREAI
分享收藏Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance在评估平均模型性能时，平均绝对误差 (MAE) 相对于均方根误差 (RMSE) 的优势
OAAI
OAAI分享收藏分享收藏Comparison of Random Forest and Parametric Imputation Models for Imputing Missing Data Using MICE: A CALIBER Study随机森林和参数填补模型在小鼠缺失数据填补中的比较: 一项口径研究OAAI
OAAI分享收藏
查看更多内容