使用深度学习模型从水和空气质量数据预测鱼类死亡率
相关实验视频
Updated: Jun 25, 2025
07:57
Necropsy-based Wild Fish Health Assessment
Published on: September 11, 2018
17.2K
Chia-Ching Ting1, Ying-Chu Chen2
1Department of Civil Engineering, National Taiwan University, Taipei City, Taiwan.
Journal of environmental quality
|May 29, 2024
概括
准确的鱼类死亡率预测至关重要. 这项研究使用了环境数据的深度学习,达到93.4%的准确性,确定溶解氧是防止水生动物死亡的关键.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 水生生态学 水生生态学
背景情况:
- 全球鱼类死亡率高,需要改进预测方法.
- 水质恶化是水生生态系统的一个重要因素.
- 准确的预测模型对于可持续的水资源管理至关重要.
研究的目的:
- 开发和评估深度学习模型,用于预测意外鱼类死亡率.
- 确定影响鱼类死亡事件的关键环境因素.
- 为减轻水生物死亡率提供数据驱动的见解.
主要方法:
- 综合空气和水质数据与气象信息.
- 使用深度学习模型:多层感知器 (MLP) 和长短期记忆 (LSTM).
- 将MLP和LSTM模型的性能与一个纯粹的贝叶斯分类器进行比较.
主要成果:
- 在预测鱼类死亡率方面,MLP模型实现了93.4%的准确性.
- 前5天的环境数据对模型培训的影响最大.
- 溶解氧度低于2mg/L和高河流污染指数显著增加了死亡风险.
结论:
- 深度学习模型,特别是MLP,可以使用集成的环境数据准确预测鱼类死亡率.
- 溶解氧气,河流污染指数和气象数据是影响鱼类死亡的关键因素.
- 这些发现支持通过改善水资源管理和利能力来实现可持续发展目标.
