基于机器学习的水质预测,使用八年一次的现场Daphnia magna生物预警系统数据
Heewon Jeong1, Sanghyun Park2, Byeongwook Choi3
1Department of Urban and Environmental Engineering, Ulsan National Institute of Science and Technology (UNIST), UNIST-gil 50, Ulsan 44919, Republic of Korea.
Journal of hazardous materials
|December 23, 2023
概括
机器学习模型显著改善了用于水质监测的生物预警系统 (BEWS). 这些模型使用大夫尼大的行为提高了警报预测的准确性,提供了更可靠的实时水质评估.
科学领域:
- 环境科学 环境科学
- 生态毒理学 生态毒理学
- 计算生物学 计算生物学
背景情况:
- 生物早期预警系统 (BEWS) 对于全球地表水质监测至关重要.
- 传统的BEWS在生物解释和警报可重复性方面面临挑战.
研究的目的:
- 通过应用机器学习 (ML) 模型来增强BEWS,以使用大夫尼玛格纳的行为数据预测污染警报.
- 提高水质监测系统的准确性和可靠性.
主要方法:
- 利用了八年的Daphnia magna.的现场BEWS数据.
- 应用和比较六个机器学习模型,从行为参数预测警报.
- 确定了关键的行为指标 (速度分布指数,游泳速度) 和它们与水质参数的关系.
主要成果:
- 光梯度增强机器模型在报警预测中显示了最显著的改进.
- 与传统的BEWS报警指数相比,ML模型的精度提高了29.50%,回忆率提高了43.41%.
- 确定了达芬尼亚的行为和水的物理化学参数之间的非线性关系.
结论:
- 机器学习模型提供了一个强大的框架,以推进BEWS的预测能力,以实时评估水质.
- 这种方法为更积极,更有效的水质管理提供了一个有希望的途径.
- 机器学习集成可以克服传统BEWS的局限性,从而实现更准确和可重复的监控.
