整合时间分解和数据驱动的方法来预测沿海有害藻类的繁殖
Zhengxiao Yan1, Nasrin Alamdari1
1Department of Civil and Environmental Engineering, FAMU-FSU College of Engineering, Florida State University, Tallahassee, FL, 32310, USA.
Journal of environmental management
|June 15, 2024
概括
结合时间分解和机器学习 (TD-ML) 的新混合模型准确地预测了比斯凯恩湾的有害藻类繁殖 (HABs). 这种先进的框架为沿海生态系统提供了改进的早期预警和管理策略.
科学领域:
- 海洋生物学 海洋生物学
- 环境科学 环境科学
- 数据科学数据科学数据科学
背景情况:
- 有害藻类繁殖 (HABs) 对沿海生态系统和人类健康构成重大威胁.
- 比斯凯恩湾经历了HAB,但潜在的机制需要进一步调查才能有效管理.
- 准确的HAB预测对于环境保护和公共卫生安全至关重要.
研究的目的:
- 开发一个强大的预测框架,用于白甲度,HABs的一个指标,在比斯凯恩湾.
- 提高对HAB动态和环境因素的理解.
- 为了比较不同的机器学习方法对HAB预测的预测性能.
主要方法:
- 开发了三种预测场景:单一非线性机器学习 (S1),混合线性和非线性ML (S2),以及与ML (TD-ML) 结合的时间分解 (S3).
- 甲基度被用作HAB预测的代表性指标.
- 使用相关性分析来确定环境变量和叶绿素a水平之间的关系.
主要成果:
- 新的S3 TD-ML混合模型显示出优异的预测准确性,实现R2值高于0.9%,平均绝对百分比误差 (MAPE) 低于30%.
- S3模型显著优于S1 (平均R2为0.16) 和S2 (R2为-0.06),有效地捕捉了复杂的藻类动态,包括极端和噪音.
- 相关性分析揭示了HAB的关键环境驱动因素,并表明气候变化可能会加剧比斯凯尼湾的开花强度.
结论:
- 开发的TD-ML框架提供了一个高度准确和精确的预测工具,用于HAB的早期预警和主动管理.
- 这项研究提供了对HAB动态的宝贵见解,并突出了气候变化对开花频率和强度的潜在影响.
- 预测框架有可能在应对HAB挑战和改善沿海环境管理方面具有全球适用性.
