对休海便污染的nowcast系统的模型构造和性能进行了批判性审查

科学领域:

• 环境科学 环境科学
• 公共卫生 公共卫生
• 水质监测 水质监测
• 机器学习应用 机器学习应用

背景情况:

• 便污染对娱乐海构成全球环境和公共卫生风险.
• 世界卫生组织建议使用预测模型来帮助决策和减少健康风险.
• 机器学习工具在便大肠杆菌建模和nowcasting系统中未得到充分利用.

研究的目的:

• 审查过去二十年来用于预测休海便污染的建模策略.
• 评估这些模型在海管理的nowcasting系统中的实施情况.
• 为了比较各种建模技术的性能,并确定需要改进的领域.

主要方法:

• 进行了关于表面水域 (大陆,河口,海洋) 便污染模型研究的文献综述.
• 分析并比较基于连续 (R2,RMSE) 和分类 (精度,灵敏度,特异性) 响应的性能指标的模型.
• 研究了模拟技术的演变,从多重线性回归到人工神经网络和机器学习 (决策树).

主要成果:

• 确定了67篇相关文章,其中40篇提供了用于比较分析的数据.
• 人工神经网络和决策树与其他模型相比显示出更高的准确性.
• 降雨量 (及其滞后) 和水温是关键预测变量;由于数据集不平衡,特异性往往超过敏感性.

结论:

• 机器学习模型,特别是ANN和决策树,为预测便污染提供了更高的准确性.
• 主要改进包括数据平衡,适当的数据集分割 (培训,验证,测试) 和结果的清晰沟通.
• 整合监测,建模和现在预测系统可以增强保护公众健康免受污染水的决策.