基于机器学习的早期预警水平预测,使用环境变量选择和数据重新采样来预测蓝藻细菌的繁殖.
Jin Hwi Kim1, Hankyu Lee1, Seohyun Byeon1
1School of Civil and Environmental Engineering, Konkuk University, Gwangjin-gu, Seoul 05029, Republic of Korea.
Toxics
|December 22, 2023
概括
这项研究通过使用数据重新抽样技术来解决不平衡的数据,改善了有害藻类繁殖 (HAB) 预测,提高了机器学习模型的准确性,用于早期发现繁殖.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 生态生态学 生态生态学
背景情况:
- 有害藻类繁殖 (HABs) 对全球水资源管理构成重大挑战.
- 由于机器学习模型中不经常发生和数据不平衡问题,因此很难预测HAB.
- 为HAB预测模型选择合适的输入变量是复杂的.
研究的目的:
- 为了提高有害藻类繁殖 (HAB) 模型的预测性能.
- 用特征选择和数据重新抽样来解决HAB预测中的数据不平衡挑战.
- 为了提高藻类警报水平预测的准确性.
主要方法:
- 利用数据重新采样技术,包括合成少数群体过量采样技术-编辑最近邻居 (SMOTE-ENN),以平衡不平衡的数据集.
- 开发并比较了两种机器学习模型 (人工神经网络和随机森林) 来预测藻类警报水平.
- 采用了10年的气象,水力动力学和水质数据来构建和验证模型.
主要成果:
- 数据重新采样方法在模型准确度上显示出比特征选择方法更显著的改进.
- 与使用原始数据的模型相比,结合合成数据的模型在警告 (L-1) 和警告 (L-2) 警报级别方面表现出更好的预测性能.
- 使用SMOTE-ENN的最佳随机森林模型实现了L0的85.0%,L1的85.7%,L2的100%的准确性,显著超过了原始数据的模型.
结论:
- 应用合成数据生成有效地解决了HAB预测中的数据不平衡.
- 改进的机器学习模型提高了藻类开花早期阶段的检测性能.
- 可靠的HAB预测支持积极的水资源保护管理策略.


