时空感知机器学习方法用于沿海水域溶解氧气预测
Wenzhao Liang1, Tongcun Liu2, Yuntao Wang3
1Department of Ocean Science and Center for Ocean Research in Hong Kong and Macau, The Hong Kong University of Science and Technology, Hong Kong, China; Department of Earth Sciences, The University of Hong Kong, Hong Kong, China.
这项研究开发了一种机器学习模型来预测沿海缺氧,通过考虑时空因素来改善溶解氧 (DO) 预测. 水力动力学和酸盐水平是关键驱动因素,人类活动可能会加剧缺氧.
科学领域:
- 环境科学 环境科学
- 海洋生物学 海洋生物学
- 数据科学数据科学数据科学
背景情况:
- 沿海缺氧对海洋生态系统和渔业构成重大威胁.
- 精确监测和预测缺氧对于有效管理至关重要.
研究的目的:
- 开发和评估用于沿海水域低氧监测的机器学习模型.
- 调查时空因素对溶解氧 (DO) 预测的影响.
- 解释模型预测使用夏普利添加式扩展 (SHAP) 来理解缺氧驱动因素.
主要方法:
- 利用了来自香港托洛港和米尔斯湾的长期气候和海洋监测数据集.
- 对比了四种基于树的机器学习模型,包括LightBoost,用于DO度预测.
- 整合了时空效应,并应用了SHAP来实现模型的可解释性.
主要成果:
- 在预测DO度方面,LightBoost模型表现出了最高的有效性.
- 考虑时空效应显著提高了预测准确性 (R2在第1区增加了0.30,第2区增加了0.68).
- 水力动力学被确定为缺氧的主要驱动因素,人为活动和酸盐水平 (可能来自地下水排放) 也起着重要作用.
结论:
- 机器学习,特别是与时空考虑,为缺氧预测提供了一个强大的方法.
- 了解水力动力学,人为影响和酸盐等营养来源的相互作用是管理沿海缺氧的关键.
- 这项研究为近期低氧事件的预测工具奠定了基础.
更多相关视频
07:13Early Detection of Cyanobacterial Blooms and Associated Cyanotoxins using Fast Detection Strategy
Published on: February 25, 2021
07:59A Strain Gauge Monitor SGM for Continuous Valve Gape Measurements in Bivalve Molluscs in Response to Laboratory Induced Diel-cycling Hypoxia and pH
Published on: August 1, 2018
相关概念视频
Special considerations while measuring oxygen saturation
Ensuring accuracy in vital sign recordings while prioritizing patient comfort and minimizing anxiety is...
Testing Water Quality
