通过光谱分析和机器学习改善藻类繁殖检测:在韩国一个大型人工水库的案例研究,韩国
Quang Viet Ly1, Ngoc Anh Tong2, Bo-Mi Lee3
1Department of Environmental Engineering, Seoul National University of Science and Technology, Seoul 01811, South Korea.
The Science of the total environment
|August 23, 2023
概括
光学测量和机器学习模型提供了一种具有成本效益的方法来预测藻类繁殖. 光指数提高了预测准确度,成功取代了传统的水质指标.
科学领域:
- 环境科学 环境科学
- 水质监测 水质监测
- 遥感 遥感 遥感 遥感
背景情况:
- 对于藻类繁殖的传统水质监测是昂贵和耗时的.
- 光学测量为及时预测藻类繁殖提供了一个可行的替代方案.
- 机器学习 (ML) 有助于提高预测准确性和减少工作量.
研究的目的:
- 探索光学措施,以提高藻类繁殖预测的准确性.
- 为了减少与传统监控方法相关的工作量.
- 评估光指数和ML模型在预测藻类繁殖中的有效性.
主要方法:
- 利用机器学习模型来分析用于藻类繁殖预测的光学测量.
- 将光指数 (FI,HIX,BIX) 的性能与吸收衍生参数进行比较.
- 评估了用光学指数取代传统指标 (BOD,DOC,营养) 的情况.
主要成果:
- 与吸收衍生参数相比,光指数显著提高了预测准确性.
- 选择的光指数有效地取代了BOD,DOC和具有可比性能的营养素 (R2 ≈ 0.85/0.74).
- 集体学习模型 (堆叠,XGBoost) 的表现优于传统模型和ANN,尽管计算效率的权衡.
结论:
- 光谱测量,特别是光指数,显示出精准和高效的藻类繁殖预测的巨大潜力.
- 机器学习模型,特别是组合方法,可以增强预测能力.
- 建议在各种水体进行进一步的验证,以确认这些发现的概括性.
