基于机器学习-SHAP算法建模全球海洋分布的溶解.
Ziyuan Jiang1, Enhui Liao1, Ziang Li1
1Key Laboratory of Polar Ecosystem and Climate Change, Ministry of Education, School of Oceanography, Shanghai Jiao Tong University, Shanghai 200030, China.
The Science of the total environment
|December 13, 2024
概括
机器学习重建了一个全球溶解 (dCd) 数据集,揭示了其分布受到生物过程和水质混合的影响. 这提高了对海洋元素循环和-酸盐关系的理解.
科学领域:
- 海洋生物地质化学海洋生物地质化学
- 海洋学 海洋学 海洋学
- 机器学习在环境科学中的应用
背景情况:
- (Cd) 是海洋中重要的微量金属,在低度下是必不可少的,但在高度下是有毒的,影响海洋生态系统和浮游植物.
- 溶解 (dCd) 的分布与 (PO4) 有关,但根本的机制和空间模式尚未完全理解.
- 目前的观测数据限制了dCd空间分布和循环的全面分析.
研究的目的:
- 使用先进的机器学习方法重建一个全球溶解 (dCd) 数据集.
- 提高dCd循环分析的准确性和全面性.
- 探索影响dCd分布和Cd-PO4关系的因素.
主要方法:
- 五种机器学习算法的比较 (随机森林,人工神经网络,支持向量机,拉索回归,k-最近邻).
- 应用表现最好的随机森林模型来重建全球dCd数据集.
- 利用夏普利添加式扩展 (SHAP) 来分析驱动dCd分布和Cd-PO4变化的因素.
主要成果:
- 随机森林模型实现了高性能 (Rsq=0.99,RMSE=0.035 nmol kg−1),与以前的研究相比,偏差减少了25%.
- dCd的变化受地表生物过程,深海矿物化和海水分层的影响.
- Cd-PO4关系的变化与高营养,低 (HNLC) 地区的生物分化和水质混合有关.
结论:
- 机器学习为海洋学研究提供了强大的工具,使元素循环的全球范围分析成为可能.
- 这项研究为Cd循环的驱动因素以及海洋中Cd-PO4关系提供了新的见解.
- 超过80%的有助于Cd和PO4再生的颗粒发生在HNLC区域.


