利用可解释的机器学习方法,探索植物浮游生物对优质海洋地区环境因素的反应和预测
Shimin Yang1, Yuanting Ma1, Jie Gao1
1College of Marine Life Sciences, Ocean University of China, Qingdao 266003, China.
The Science of the total environment
|August 19, 2024
概括
机器学习模型显示,温度和盐度是沿海水域植物浮游生物繁殖的关键驱动因素. 这些因素影响了开花动态和物种组成,特别是在绿潮事件期间.
科学领域:
- 海洋生态海洋生态学
- 海洋学 海洋学 海洋学
- 环境科学 环境科学
背景情况:
- 沿海海洋生态系统面临人类活动,藻类繁殖和气候变化的威胁.
- 植物浮游生物社区结构对温度,盐度和营养素等环境因素敏感.
- 传统的方法很难完全分析优食性海洋地区的植物浮游生物动态.
研究的目的:
- 量化分析植物浮游生物群落与环保海洋地区环境变量之间的动态关系.
- 通过可解释的机器学习来识别影响植物浮游生物丰富度和社区结构的关键环境因素.
主要方法:
- 采用可解释的机器学习模型,集成高维数据分析和复杂系统建模.
- 分析了在53周内从化的海洋地区收集的高频样本.
- 利用随机森林和通用添加模型来预测浮游植物细胞的丰富性.
主要成果:
- 植物浮游生物细胞的丰富性显示出一个明显的"两峰模式".
- 在植物浮游生物生长的高峰期,温度被确定为关键因素.
- 盐度的贡献在第二个峰值期间增加,绿色潮爆发改变了营养动态 (酸盐,酸盐).
结论:
- 可解释机器学习有效地揭示了动态环境因素对植物浮游生物群落结构的贡献.
- 温度和盐度在调节浮游植物动态方面起着至关重要的作用,在不同阶段和事件中的重要性各不相同.
- 植物浮游生物种对环境变量表现出不同的反应,强调了复杂的生态相互作用.
更多相关视频
10:28Investigating the Relationship between Sea Surface Chlorophyll and Major Features of the South China Sea with Satellite Information
Published on: June 13, 2020
5.8K
08:15Author Spotlight: Unveiling Plankton Response to Climate Change Through Time-Series Data and Artistic Expression
Published on: July 28, 2023
1.2K
