通过反模仿混合深度学习方法提高短期藻类繁殖预测
Yaqin Zhang1, Yichong Wang1, Jixin Chen1
1State Key Laboratory of Marine Environmental Science / National Observation and Research Station for the Taiwan Strait Marine Ecosystem (T-SMART) / Fujian Provincial Key Laboratory for Coastal Ecology and Environmental Studies / College of the Environment and Ecology, Xiamen University, Xiamen, 361102, China.
Journal of environmental management
|March 11, 2025
概括
使用混合深度学习模型 (TAB) 与新的扭曲损失函数 (DILATE) 改进了精确的藻类繁殖预测. 这种方法提高了预测准确度,并减轻了常见的时间序列问题,如数据复制.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 机器学习 机器学习
背景情况:
- 藻类繁殖预测是具有挑战性的,因为数据复杂性和模型的局限性,如数据复制.
- 现有的模型与藻类繁殖数据的动态和非静止性质作斗争.
研究的目的:
- 开发和评估一种混合深度学习模型 (TAB),用于准确预测藻类繁殖.
- 引入和评估一种新的扭曲损失函数 (DILATE),以提高预测稳定性.
主要方法:
- 开发了一个混合模型,整合了时间卷积网络 (TCN),注意力机制和双向长短期记忆 (BiLSTM).
- 使用了包括shApe和TimE (DILATE) 功能的Distortion Loss,并结合了形状和时间损失.
- 沙普利添加式解释 (SHAP) 用于模型解释性和环境驱动因素的识别.
主要成果:
- TAB模型在预测每小时的叶绿素a (R2=0.74,KGE=0.78) 中取得了高准确性.
- 与MSE损失相比,DILATE损失函数显著提高了10.57%的低峰素a预测准确度.
- SHAP分析确定了关键的环境驱动因素,提高了模型的解释性和效率.
结论:
- 带有DILATE损失的TAB模型为准确的藻类繁殖预测提供了强大的解决方案.
- 这种方法有效地解决了数据复制问题,并改善了低甲度的预测.
- 该研究强调了高级深度学习在环境监测和预测方面的潜力.
