可解释的机器学习用于预测在亚得里亚海使用长期监测数据预测腹贝类中毒事件
Martin Marzidovšek1, Janja Francé2, Vid Podpečan3
1Jožef Stefan Institute, Department of Knowledge Technologies, Slovenia; Jožef Stefan International Postgraduate School, Slovenia.
Harmful algae
|November 20, 2024
概括
机器学习模型可以准确地预测贝类的有害藻类繁殖毒性,识别关键物种和环境因素. 这有助于改善早期预警系统,使贝类捕捞和风险管理更安全.
科学领域:
- 海洋生物学和生态学
- 环境科学环境科学
- 计算毒理学计算毒理学
背景情况:
- 有害藻类繁殖 (HABs) 对贝类安全和水产养殖构成重大风险.
- 腹性贝类中毒 (DSP) 事件是公众健康和经济的一个主要问题.
- 现有的DSP早期预警系统依赖于实证物种丰度值.
研究的目的:
- 应用可解释的机器学习 (ML) 来预测由于HABs而导致的类毒性.
- 为了确定DSP毒素积累的关键植物浮游生物物种和环境驱动因素.
- 加强现有的早期预警系统,以确保贝类的安全.
主要方法:
- 对鱼 (Mytilus galloprovincialis) 中有毒植物浮游生物和DSP毒素的28年数据集的分析.
- 培训和评估各种ML模型,包括随机森林,用于毒性预测.
- 应用可解释性技术 (Permutation Importance,SHAP) 来识别预测变量.
主要成果:
- 随机森林模型在DSP事件中实现了最佳预测性能 (F1得分).
- 确定的主要预测因素包括 Dinophysis fortii,Dinophysis caudata,盐度,河流排水和降水.
- 这些因素准确地预测了超过欧盟监管限制的DSP毒素水平.
结论:
- 可解释的ML为预测贝类毒性提供了一个强大的框架.
- 纳入已识别的物种和环境因素可以加强预警系统.
- 调查结果支持水产养殖和公共卫生当局改善风险管理决策.
