利用分层高斯过程和神经网络回归模型建模加利福尼亚中央谷地的地下水位
原文中文，约300字，阅读约需1分钟。发表于：。使用机器学习方法，从中央谷地 (CV) 含水层的三维岩性纹理模型中学习，建立了一个新颖的地下水位模型。通过结合高斯过程 (GP) 和深度神经网络 (DNN) 进行多变量回归，该模型显示了在低质量的、时间和空间采样稀疏且带有噪音的井数据中，GP-DNN 回归方法在不稳定特征建模中具有快速和可靠的不确定性量化能力。根据结果，2017 年和 2019 年的湿年并未有效补充先前干旱年份造成的地下水损失。
该研究使用机器学习方法建立了一个新颖的地下水位模型，具有快速和可靠的不确定性量化能力。研究结果表明，2017年和2019年的湿年并未有效补充先前干旱年份造成的地下水损失。
