提高对波动性缺失数据场景的水质预测:基于贝叶斯网络的动态处理系统来监测蓝藻细菌的扩散
M Pazo1, S Gerassis1, M Araújo1
1CINTECX, Universidade de Vigo, Grupo de Xestión Segura e Sostible de Recursos Minerais, Dpto. De Enxeñaría dos Recursos Naturais e Medio Ambiente, 36310 Vigo, Spain.
The Science of the total environment
|April 12, 2024
概括
解决水质研究中缺少的数据对于公共卫生至关重要. 这项研究使用贝叶斯式机器学习准确预测蓝藻细菌的扩散,提高水资源管理的可靠性.
科学领域:
- 环境科学 环境科学
- 水资源管理 水资源管理
- 公共卫生 公共卫生
背景情况:
- 缺少的数据严重影响了水质研究和公共卫生决策的可靠性.
- 蓝藻细菌的扩散是地表水管理的一个关键问题,通常由数据缺口加剧.
研究的目的:
- 在显著的缺失数据条件下识别蓝藻细菌繁殖的根本原因.
- 开发和验证用于地表水质量预测的动态缺失数据管理方法.
主要方法:
- 使用贝叶斯式机器学习提出了一个动态缺失数据管理方法.
- 采用了数据预处理,动态贝叶斯缺失值预测系统和对蓝藻细菌模式的监督分析.
- 代结构期望最大化 (SEM) 算法与动态赋值 (DI) 和基于的动态赋值 (EBDI) 方法进行了测试.
主要成果:
- 该研究分析了超过210万个数据点,其中9.69%被认为是缺失的.
- 代结构期望最大化 (SEM) 的表现优于DI和EBDI,在R2,RMSE,NRMSE和对数损失中提高了高达50%的归算精度.
- 这证明了SEM在处理缺少的数据以预测水质方面的有效性.
结论:
- 提出的贝叶斯式机器学习方法显著提高了在缺少数据的情况下对水质预测的准确性.
- 通过像SEM这样的方法来改进数据处理,可以实现更可靠的水资源管理策略.
- 这些进展支持对水质进行更为明智的公共卫生决策.
相关概念视频
00:46Bioremediation
Bioremediation is the use of prokaryotes, fungi, or plants to remove pollutants from the environment. This process has been used to remove harmful toxins in groundwater as a byproduct of agricultural run-off and also to clean up oil spills.
01:30Microbial Wastewater Treatment
Microbial communities in aquatic ecosystems play a key role in the natural breakdown of contaminants introduced through domestic and industrial effluents. Acting as biological catalysts, these microbes change and mineralize a wide range of organic and inorganic pollutants under different redox conditions.In oxygen-rich surface waters, aerobic heterotrophs lead organic matter breakdown, using oxygen as the terminal electron acceptor to efficiently oxidize substrates to carbon dioxide and water.