使用机器学习和深度学习预测Aureococcus anophageffens.

科学领域:

• 海洋生态和有害的藻类繁殖

背景情况:

• 州海域面临着由于经常出现的色潮而造成的生态退化和经济损失.
• 杆菌 (Aureococcus anophagefferens) 是这些有害藻类繁殖的致病原体.

研究的目的:

• 为了预测A. anophagefferens的人口密度,使用机器学习和深度学习.
• 了解棕色潮事件的发生机制和影响因素.

主要方法:

• 随机森林 (RF) 算法用于归因缺失的水质数据.
• 机器学习模型:射频,支持向量回归 (SVR),多层感知器 (MLP).
• 深度学习模型:用于藻类种群预测的卷积神经网络 (CNN).

主要成果:

• 所有测试的模型 (RF,SVR,MLP,CNN) 实现了高预测准确度 (R2>0.75).
• 射频显示出极好的预测性能 (R2>0.8).
• 确定了影响A. anophagefferens密度的关键因素:氨,pH,总,温度和酸盐.

结论:

• 机器和深度学习模型对于预测A. anophagefferens的开花是有效的.
• 像氨,pH,总,温度和酸盐这样的水质参数是棕潮发生的关键驱动因素.