模拟和预测肉类产量和生长性能,使用机器学习技术的狭爪的形态特征
Yasemin Gültepe1, Selçuk Berber2, Nejdet Gültepe3
1Faculty of Engineering, Department of Software Engineering, Atatürk University, 25240, Erzurum, Türkiye.
Scientific reports
|August 9, 2024
概括
机器学习模型可以准确地预测的长度和重量关系以及肉类生产率. 支持矢量回归 (SVR) 显示出卓越的性能,为可持续的渔业和水产养殖管理提供了宝贵的见解.
科学领域:
- 渔业 科学 渔业 科学
- 水产养殖是水产养殖的一种方式.
- 计算生物学 计算生物学
背景情况:
- 传统的统计方法难以处理复杂的,多参数的生物数据.
- 人工智能 (AI) 和机器学习 (ML) 为大型数据集提供了先进的预测功能.
- 准确的建模对于渔业和水产养殖资源的可持续管理至关重要.
研究的目的:
- 使用ML模型预测窄爪的长度-重量关系和肉类生产率.
- 评估用于生物数据分析的各种ML算法的性能.
- 评估ML在渔业和水产养殖管理中的有用性.
主要方法:
- 利用了来自阿波利昂特湖的1416只窄爪的数据集,包括形态测量和生长性能.
- 应用了七种不同的机器学习算法来预测两性长度-重量关系和长度-肉的产量.
- 员工支持向量回归 (SVR) 并将其精度与其他ML模型进行了比较.
主要成果:
- 支持向量回归 (SVR) 实现了高预测准确度,长度重量值高达0.996,长度肉产值高达0.995.
- 在所有评估指标上,SVR表现出卓越的表现,包括精度,灵敏度和特异性.
- 该研究验证了ML和AI作为传统估计方法的有效替代品.
结论:
- 机器学习,特别是SVR,为生物参数提供了高度准确的预测.
- 这些发现支持将AI和ML纳入可持续渔业,水产养殖和自然资源管理.
- 机器学习模型为水生生态系统的未来规划和决策提供了强大的方法.
