Spatiotemporal continuous estimates of PM2.5 concentrations in China, 2000–2016: A machine learning ...

写在前面

首先，看完查了一下这个期刊 Environment International，是1区的文章，影响因子7.297！不愧是优秀的期刊，文章质量很高，内容很丰富。

内容

主要是PM25反演，利用AOD,NO2,NDVI,夜光，化学传输模型，为基础数据，提出高维扩展相关参数，利用弹性回归模型（普通损失函数后面加了L1L2正则项）elastic-net，进行拟合。

拟合两个模型，一个有AOD,一个没有，两个结果再用广义加性模型结合补充缺失值提高精度。

最后对结果长时序进行分析，也占了半个文章。

附文章成果网站：http://www.meicmodel.org/dataset-phd.html

补充学习：

首先是参考：https://blog.csdn.net/previous_moon/article/details/71376726

岭回归模型就是用了L2正则的损失函数拟合

Lasso回归模型用的是L1正则的损失函数

弹性回归模型 elastic-net 是上面两者的结合，损失函数同时考虑了L1 L2正则

 

转载于:https://www.cnblogs.com/tccbj/p/11059966.html