15I本文件按照GB/T1.1—2020《標(biāo)準(zhǔn)化工作導(dǎo)則第1部分：標(biāo)準(zhǔn)化文件的結(jié)構(gòu)和起草規(guī)則》的規(guī)定本文件由內(nèi)蒙古自治區(qū)氣象標(biāo)準(zhǔn)化技術(shù)委員會(huì)（SAM/TC23）提本文件起草單位：內(nèi)蒙古自治區(qū)生態(tài)與農(nóng)業(yè)氣象中心、內(nèi)1降水影響土壤水分增量的計(jì)算方法農(nóng)區(qū)本文件規(guī)定了農(nóng)區(qū)土壤解凍條件下一候內(nèi)累積降水影響1本文件適用于基于降水與土壤水分增量關(guān)系開展農(nóng)區(qū)土壤3GB/T33705、GB/T35228、DB15/T513.13.23.23.33.33.42原始特征采用相同維度的數(shù)據(jù)結(jié)構(gòu)，如序列結(jié)構(gòu)、面板結(jié)構(gòu)本研究以數(shù)據(jù)為驅(qū)動(dòng)，建立了以累積降水量、土壤相對(duì)濕度初始值、月份值、降水累積持續(xù)時(shí)長(zhǎng)4個(gè)要素作為自變量，土壤相對(duì)濕度增量為因變量的農(nóng)區(qū)各個(gè)代表性監(jiān)測(cè)站點(diǎn)的深度森林回歸模型。數(shù)量是訓(xùn)練過程中自動(dòng)確定的。深度森林回歸2每個(gè)級(jí)聯(lián)層中的估計(jì)器數(shù)量。每個(gè)估計(jì)器缺省RandomForestRegressor和一個(gè)ExtraTreesRegrNoneNone如果值是int，則random_state是隨機(jī)數(shù)如果值是None，則隨機(jī)數(shù)生成器是np.大興安嶺東南麓、陰山南麓、河套平原代表性監(jiān)測(cè)站點(diǎn)的深度森林回歸模型的評(píng)估結(jié)3模型，預(yù)測(cè)一候內(nèi)土壤水分增量，計(jì)算流程見圖1，詳細(xì)的計(jì)算流開始開始①數(shù)據(jù)獲?、贁?shù)據(jù)描述性統(tǒng)計(jì)①數(shù)據(jù)描述性統(tǒng)計(jì)②缺失值處理②數(shù)據(jù)預(yù)處理②缺失值處理①相關(guān)性分析③探索性數(shù)據(jù)分析②數(shù)據(jù)的圖像化分析①模型構(gòu)建與優(yōu)化④構(gòu)建深度森林①模型構(gòu)建與優(yōu)化④構(gòu)建深度森林回歸模型②評(píng)估與篩選模型⑤模型預(yù)測(cè)真實(shí)值與預(yù)測(cè)值對(duì)比圖結(jié)束結(jié)束4深度土壤相對(duì)濕度增量為因變量的多元深度森林回歸模型。3個(gè)評(píng)估指標(biāo)在估計(jì)集上的表現(xiàn)如表A.1所示，且Corr值全部都通過了P＜0.01的顯MAE5數(shù)據(jù)描述性統(tǒng)計(jì)，示例代碼：data_df.descr處理缺失值，示例代碼：data_filled=data_df.fillna(medata_scaled=StandardScaler().fit_transform(data_filled.tocorrelation_matrix_spearman=data_scaled.corr(method=X_growing,X_estimating,y_growing,y_estimating=train_test_split(X,y,train_size實(shí)例化一個(gè)深度森林回歸模型，模型的超參數(shù)大部分采用模型的默認(rèn)設(shè)置值model=CascadeForestRegressor(criterion=,mae,,random_state=1)。示例代碼：results=model.fit(X_growing,y_g對(duì)估計(jì)集進(jìn)行預(yù)測(cè)，示例代碼：y_estimating_pred=results.predict(X_estimatimae=mean_absolute_error(y_estimating,y_estimating_predr2=r2_score(