摘要
森林监测站点的土壤温度记录中经常存在缺失数据。传感器和数据记录器可能会出现故障，这些缺失的数据需要被填补。我们对比了三种填补缺失数据的方法：气候学方法、线性回归和随机森林模型。这些数据来自英格兰南部国际森林污染评估与监测合作项目（ICP Forests）两个监测点的0.3米深度土壤每小时温度记录，涵盖了2022年和2023年的数据，其中可用数据小时数分别为12,848小时和17,136小时。我们分别移除了持续1天、1周和30天（约1个月）的虚假缺失数据。这些方法也在每个数据记录的最后20%部分进行了测试。对于持续1天的缺失数据，随机森林模型的平均绝对误差（MAE）最低，为0.42°C；对于持续1周的缺失数据，两种回归方法的性能相当；对于持续1个月的缺失数据，线性回归在两个监测点的预测精度更高（MAE分别为0.57°C和0.78°C），并且在数据记录的最后部分表现最佳。我们还尝试使用另一个相距244公里的监测点的土壤温度记录来预测该点的温度，平均绝对误差为0.58°C。该模型是在两个监测点同时有数据记录的情况下进行校准的；反向预测的误差为0.56°C。这个线性模型填补了一个因数据记录器故障导致的近五个月的实际数据缺失。其预测区间是基于2023年同一季节的一次人为数据中断情况得出的。移动平均温度方法显著降低了两种模型的预测误差。因此，这些简单且免费的方法可以用于填补这两个研究站点中的数据缺失问题。
