机器学习算法的最佳选择用于基于常规水质指标的西普罗夫洛克萨辛预测
Shenqiong Jiang1, Xiangju Cheng2, Baoshan Shi2
1School of Civil Engineering and Transportation, South China University of Technology, Guangzhou 510641, China.
Ecotoxicology and environmental safety
|January 7, 2025
概括
预测水中的抗生素度对于生态和人类健康至关重要. 机器学习模型,特别是通过粒子群优化 (PSO) 优化的通用回归神经网络 (GRNN),显示出使用水质指标进行快速抗生素预测的前景.
科学领域:
- 环境科学 环境科学
- 分析化学 分析化学
- 计算科学 计算科学
背景情况:
- 水生环境中的抗生素对生态和人类健康构成风险.
- 目前的抗生素检测方法往往是缓慢的,昂贵的,劳动密集的.
- 需要快速预测抗生素度的方法.
研究的目的:
- 探索使用常规水质指标预测西普洛素 (CFX) 度的可行性.
- 评估机器学习算法的有效性,以预测水生环境中的抗生素水平.
- 确定最佳的机器学习模型,以准确预测CFX度.
主要方法:
- 利用了三个机器学习算法和两个参数优化算法.
- 使用了六个输入变量:COD,NH4+-N,DO,WT,TN和pH.
- 使用R2,NSE,RMSE和MAPE指标评估模型性能.
主要成果:
- 通过粒子群优化 (PSO) 优化的通用回归神经网络 (GRNN) 显示出卓越的预测准确性.
- 最好的模型获得了R2=0.936,NSE=0.915,RMSE=3.150 ng/L,以及MAPE=30.909%.
- 开发的模型满足了预测抗生素度所需的准确性.
结论:
- 机器学习,特别是GRNN-PSO,提供了一种可行的间接方法来预测水中的抗生素度.
- 这种方法可以帮助水质管理和环境监测.
- 进一步的研究可以验证这种方法用于各种水生环境和抗生素类型.
