相关实验视频
Updated: Jul 15, 2026
12:44
Watershed Planning within a Quantitative Scenario Analysis Framework
Published on: July 24, 2016
8.0K
将外部压力因素集成到监督机器学习算法中,可以高准确度地预测水产养殖废水的多种生物完整性指数
Peifang Wang1, Tianming Zheng1, Bin Hu1
1Key Laboratory of Integrated Regulation and Resource Development on Shallow Lakes, Ministry of Education, College of Environment, Hohai University, Nanjing 210098, China.
Journal of hazardous materials
|November 1, 2024
概括
环境DNA元编码和监督机器学习 (SML) 预测了水产养殖废水的影响. 整合外部压力因素为生态质量评估和可持续水产养殖管理提供了一种实用的方法.
科学领域:
- 环境科学 环境科学
- 水产养殖是水产养殖的一种方式.
- 生态生态学 生态生态学
背景情况:
- 可持续的水产养殖需要监测和预测废水对环境的影响.
- 环境DNA (eDNA) 的元编码与监督机器学习 (SML) 结合,为生态评估提供了一种新的方法.
- 水产养殖废水的生态完整性和关键预测特征仍未得到充分探索.
研究的目的:
- 通过多种生物完整性指数 (Ms-IBI) 评估水产养殖废水的生态质量.
- 开发和验证用于预测生态影响的SML模型.
- 确定有效的输入特征,以准确预测生态影响.
主要方法:
- 使用多种生物完整性指数 (Ms-IBI) 来进行样本分类.
- 开发了集成eDNA元编码数据 (25个核心OTU) 和外部压力因素的SML模型.
- 使用组合特征与单独使用外部压力因素进行模型性能比较.
主要成果:
- 超过一半 (53.85%) 的样本被归类为高度受影响,这表明生态退化显著.
- 一个SML模型整合了410个指标,25个OTU和外部压力因素,实现了0.78准确度和0.96.9的R2.
- 仅使用外部压力因素的模型表现出强的性能 (精度为0.74,R2为0.91),具有较少的特征.
结论:
- Ms-IBI是水产养殖废水评估中SML模型的可靠指标.
- 整合外部压力因素为生态质量提供了实用和有效的预测方法.
- 这种方法支持可持续的水产养殖实践,并有助于缓解全球生态衰退.
