深度学习和数据重新采样:一种新的方法来预测水库中的蓝藻细菌警戒水平
Jin Hwi Kim1, Seohyun Byeon2, Hankyu Lee2
1Future and Fusion Lab of Architectural Civil and Environmental Engineering, Korea University, Seoul, 02841, Republic of Korea.
Environmental research
|October 11, 2024
概括
这项研究开发了一种深度学习模型,可以提前一周预测有害的藻类繁殖. 使用合成数据来修复不平衡的数据集,该模型实现了高精度,改善了水生生态系统的预警系统.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 生态生态学 生态生态学
背景情况:
- 有害藻类繁殖 (HAB) 对水生生态系统和公共健康产生负面影响.
- 早期预警系统对于管理HAB和减轻其影响至关重要.
- 在夏季,在水库中,蓝藻细菌的开花是常见的问题.
研究的目的:
- 开发一个主动预测模型,用于蓝藻细菌警报级别.
- 为了使HAB管理实践能够进行高效的决策.
- 提高HAB的早期预警系统的准确性.
主要方法:
- 利用了11年的水质,水力动力学和气象数据.
- 构建了一个1D卷积神经网络 (1D-CNN) 深度学习模型.
- 应用了自适应合成采样方法来解决不平衡的警报级数据.
主要成果:
- 1D-CNN模型提前一周预测了蓝藻细菌的警报水平.
- 通过解决数据不平衡,自适应合成抽样改善了模型性能.
- 最佳的1D-CNN模型实现了85.0%的测试准确率,具体准确率为89.9% (L-0),79.2% (L-1) 和71.4% (L-2).
结论:
- 合成数据有效地解决了数据不平衡,提高了预测性能.
- 可靠的预测支持HAB管理策略和早期预警系统.
- 该模型有助于缓解水库中的有害藻类繁殖.
