通过对环境因素的综合数据驱动分析,预测沿海有害藻类的繁殖
Zhengxiao Yan1, Sara Kamanmalek1, Nasrin Alamdari1
1Department of Civil and Environmental Engineering, FAMU-FSU College of Engineering, Florida State University, Tallahassee, FL 32310, USA.
The Science of the total environment
|December 15, 2023
概括
预测有害藻类繁殖 (HAB) 对沿海城市至关重要. 这项研究开发了使用多个数据源和机器学习的先进模型,识别了准确甲基 (Chl-a) 预测的关键环境因素.
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:
- 沿海有害藻类繁殖 (HABs) 在城市化的沿海地区带来了重大环境挑战.
- 现有的HAB预测方法通常依赖于有限的数据源,忽视上游土地使用影响,并使用单一算法.
- 气候变化和人类活动引入了多种压力因素,加剧了HAB的发生.
研究的目的:
- 通过整合多源数据和机器学习,开发强大的甲基 (Chl-a) 预测模型,这是一个关键的HAB指标.
- 在不同的时间滞后预测场景下,建立 Chl-a 与各种环境压力因素之间的关系.
- 确定影响HAB开发的关键环境特征,以改善预测和缓解策略.
主要方法:
- 在Chl-a数据上利用部分自相关函数 (PACF) 来确定最佳预测时间框架 (当前月份和1个月领先).
- 集成的多源环境数据与各种机器学习算法,包括额外树回归器 (ETR) 和随机森林回归器 (RFR).
- 采用夏普利添加式解释 (SHAP) 来解释模型输出并确定关键预测特征.
主要成果:
- 在Chl-a度中确定了一个显著的1个月自行回归模式.
- 对于1个月的领先预测,ETR模型获得了高准确度 (R2 = 0.92),而RFR在当月的预测中表现最好 (R2 = 0.69).
- HAB的主要预测因素包括当前的Chl-a水平,开发的土地利用,总和氧化 (NOx).
结论:
- 开发了一个适用于全球沿海地区的HAB多功能预测框架.
- 该研究为决策者提供了先进的工具,以便在主要沿海城市主动管理和缓解HAB.
- 整合多样化的数据源和先进的机器学习可以提高HAB预测的准确性和可靠性.
