可解释的人工智能用于解释藻繁殖估计中的集体学习表现.
Jungsu Park1, Byeongchan Seong2, Yeonjeong Park3
1Department of Civil and Environmental Engineering, Hanbat National University, Republic of Korea.
概括
机器学习使用水质数据准确预测叶绿素a度,这是藻类开花的关键指标. 可解释的人工智能识别了关键变量,实现了成本效益高,实时的水质管理.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 水资源管理 水资源管理
背景情况:
- 甲基 (Chl-a) 度是监测藻类开花的关键指标.
- 准确的Chl-a估计对于有效的水质管理至关重要.
研究的目的:
- 使用XGBoost机器学习模型估计Chl-a度.
- 为了评估不同数据频率的模型性能,并确定关键的预测变量.
- 提高机器学习模型在现场水质管理中的实际应用性.
主要方法:
- 采用了XGBoost机器学习模型,使用23个水质和气象变量.
- 通过使用RMSE,RSR和Nash-Sutcliffe效率在9个数据集中评估模型性能,时间频率各不相同 (1小时至1个月).
- 使用Shapley值 (SHAP) 分析,一种可解释的AI方法,以了解变量的重要性和影响.
主要成果:
- 在高频数据 (1-24小时) 中,XGBoost模型性能稳定,RSR在0.61-0.65.5之间.
- 随着每周和每月的数据间隔,模型性能显著下降.
- SHAP分析显示,稳定的模型性能是通过五个或更少的关键变量实现的,包括pH值,溶解氧和度.
结论:
- 机器学习模型,特别是XGBoost,可以有效估计Chl-a度.
- 可解释AI (XAI) 对于理解模型行为和识别基本预测变量至关重要.
- 该研究证明了使用机器学习与实时传感器数据用于实际水质管理的可行性.


