估算希腊山区气温的统计模型
斯特则称1＊科斯塔斯·克罗诺普洛斯2
， Aristidis Matsoukis1以及阿塔那修斯·卡穆蒂斯1
1雅典农业大学作物科学系，雅典，11855
2雅典农业大学Iera Odos 75生物技术系，雅典，11855希腊
http://dx.doi.org/10.12944/CWE.12.3.07
目前的工作重点是利用两种著名的统计模型，简单线性回归(SLR)和多层感知器(MLP)(最常用的人工神经网络之一)，估计希腊塞弗罗尼亚岛埃诺斯山(Mt)两个不同方向(东南和西北)的高海拔(1580 m)站点(T)的气温(T)条件。具体地说，高海拔站点的平均、最大和最小T的估算是基于两个低海拔站点(1100 m)的T数据，一个是东南方向，另一个是西北方向，每个方向分别进行。用决定系数(R2)和平均绝对误差(MAE)对SLR和MLP模型的性能进行评价。结果表明，所检验的模型(SLR和MLP)对东南方向的平均、最大和最小T的估计结果非常满意(R2范围为0.96 ~ 0.98)，平均T估计相对较好，最低MAE(0.83)证实了这一点。与东南方向的T估计相比，西北方向的T估计精度较低(R2较低，MAE较高)，但结果被认为是足够的(R2和MAE分别在0.88 ~ 0.92和1.00 ~ 1.40之间)。总体而言，平均T值的估计优于极值T值(最小T值和最大T值)的估计。此外，无论采用何种方法，基于环境相似区域的站点的T数据进行T值估计，如东南方向的植被茂密和高大的站点，通常可以获得较好的结果(R2较高，MAE较低)。
Aenos山;空气温度;人工神经网络模型;巨头症岛;估计;希腊;线性回归
复制下面引用这篇文章:
马尼提斯S, Chronopoulos K, Matsoukis A, Kamoutsis A.希腊山区气温估算的统计模型。当代世界环境，2017;12(3)。DOI:http://dx.doi.org/10.12944/CWE.12.3.07
复制以下内容引用此URL:
马尼提斯S, Chronopoulos K, Matsoukis A, Kamoutsis A.希腊山区气温估算的统计模型。当代世界环境，2017;12(3)。可以从://www.a-i-l-s-a.com/?p=1062
(HTML全文］
