Método de diagnóstico inteligente para la salud de ecosistemas de ríos y lagos basado en SVR optimizado con el...

Área de la Ciencia:

• Ciencias Ambientales
• Ecología
• Ciencia de Datos

Sus antecedentes:

• Las complejas relaciones no lineales y los cambios dinámicos en los parámetros de calidad del agua desafían los métodos estadísticos tradicionales para el diagnóstico de ecosistemas.
• Las limitaciones en la precisión, puntualidad y aplicabilidad de los métodos existentes dificultan la evaluación precisa y los sistemas de alerta temprana.

Objetivo del estudio:

• Desarrollar un modelo de diagnóstico inteligente para ecosistemas de ríos y lagos que supere las limitaciones del análisis estadístico tradicional.
• Mejorar la precisión, puntualidad y aplicabilidad de la predicción de la calidad del agua y el diagnóstico de la salud del ecosistema.

Principales métodos:

• Se desarrolló un modelo de regresión de soporte vectorial optimizado con un algoritmo de moho limoso mejorado, que presenta una estrategia de peso dinámico y mecanismos de búsqueda adaptativa.
• Se integró la selección de características de LightGBM para construir un modelo combinado, abordando la modelización de datos de alta dimensionalidad y la adaptabilidad dinámica.
• El rendimiento del modelo se evaluó utilizando métricas como el Error Cuadrático Medio (RMSE), el Error Absoluto Medio (MAE) y el R-cuadrado (R2).

Principales resultados:

• El modelo optimizado demostró mejoras significativas sobre los modelos comparativos, con RMSE de 0.031, MAE de 0.021 y R2 de 0.942.
• El modelo combinado final logró una precisión de predicción superior con RMSE de 0.022, MAE de 0.016 y R2 de 0.976.
• El modelo mostró buenos efectos de predicción para parámetros clave de calidad del agua, incluyendo pH, oxígeno disuelto y demanda química de oxígeno, con baja sensibilidad a valores atípicos.

Conclusiones:

• El modelo de diagnóstico inteligente propuesto ofrece métodos eficientes y precisos para la predicción de la calidad del agua y el diagnóstico de la salud de los ecosistemas de ríos y lagos.
• Los hallazgos del estudio respaldan la transformación digital de la gestión del medio ambiente acuático al mejorar las capacidades de prevención y control de riesgos ecológicos.
• El modelo desarrollado exhibe un rendimiento superior y una efectividad de predicción práctica para diagnosticar ecosistemas de ríos y lagos.