机器学习技术的适用性,以分析微塑料在不同水环境因素的开放道中的运输
A Zakib Fazil1, Pattiyage I A Gomes1, R M Kelum Sandamal2
1Department of Civil Engineering, Sri Lanka Institute of Information Technology, Sri Lanka.
Environmental pollution (Barking, Essex : 1987)
|June 21, 2024
概括
机器学习模型准确地预测了开放道中的微塑料运输,优于传统方法. 随机森林和XGBoost显示出最好的预测性能,为环境管理提供了有价值的工具.
科学领域:
- 环境科学 环境科学
- 液压工程 液压工程 液压工程
- 数据科学数据科学数据科学
背景情况:
- 微塑料污染是一个日益严重的环境问题.
- 由于复杂的因素,预测开放道中的微塑料运输具有挑战性.
- 现有的沉积物运输模型没有针对微塑料进行优化.
研究的目的:
- 开发和比较用于预测微塑料运输的机器学习 (ML) 模型.
- 评估液压和环境因素对微塑料运动的影响.
- 使用可解释的人工智能 (XAI) 提高ML模型的可解释性.
主要方法:
- 使用了四个ML算法:随机森林 (RF),决策树 (DT),极端梯度提升 (XGB) 和K-最近邻居 (KNN).
- 将ML模型与线性回归 (LR) 统计模型进行比较.
- 采用沙普利增量解释 (SHAP) 来解释模型的可解释性.
主要成果:
- 在预测准确度方面,ML算法显著超过了LR模型.
- XGBoost 和 RF 展示了最高的预测准确性.
- 排放和植被显著影响了微塑料的运输,排放增加了,植被减少了.
- 微塑料密度与保留有很强的正相关性 (R2 = 0.8).
- 射频实现了0.97的相关系数和1.8%的平均绝对百分比误差调整后.
结论:
- 机器学习模型,特别是RF和XGBoost,是预测微塑料在开放道中的运输的有效工具.
- 对于领域专家来说,XAI方法提高了ML模型的透明度和可靠性.
- 开发的模型可以为减轻水生环境中微塑料污染的策略提供信息.
