集成机器学习的梯度提升 (XGBoost,LightGBM,CatBoost) 和基于注意力的CNN-LSTM,用于预测有害的藻类繁殖
Jung Min Ahn1, Jungwook Kim1, Kyunghyun Kim1
1Water Quality Assessment Research Division, Water Environment Research Department, National Institute of Environmental Research, Incheon 22689, Republic of Korea.
Toxins
|October 27, 2023
概括
机器学习模型,包括渐变增强和CNN-LSTM,显示出预测有害藻类繁殖 (HAB) 的前景. 组合技术通过组合模型来提高准确性,有助于HAB管理和缓解努力.
科学领域:
- 环境科学 环境科学
- 计算科学 计算科学
背景情况:
- 有害藻类繁殖 (HAB) 对生态系统和人类健康构成重大风险.
- 准确的HAB预测对于有效的管理和准备至关重要.
- 传统的数值建模 (例如,EFDC) 在捕捉复杂的动态方面存在局限性.
研究的目的:
- 开发和评估用于预测HAB的机器学习模型.
- 为了比较梯度增强和基于注意力的CNN-LSTM模型的性能.
- 评估组合技术对HAB预测的好处.
主要方法:
- 开发了梯度提升 (XGBoost,LightGBM,CatBoost) 和CNN-LSTM模型.
- 在超参数调整中使用贝叶斯优化.
- 使用袋装和堆叠组合方法进行最终预测.
主要成果:
- 组合技术提高了HAB的整体预测性能.
- 组合模型可以减轻单个模型错误和过度装配.
- 机器学习模型显示出HAB预测的巨大潜力.
结论:
- 机器学习为HAB预测提供了一种强大的数据驱动方法.
- 集成方法有效地提高了HAB预测的准确性和稳定性.
- 整合像ML这样的先进技术对于推进HAB的监控和管理至关重要.
