比较10个机器学习模型在预测埃里湖西部的叶绿素a的性能
Yang Song1, Chunqi Shen2, Yi Hong1
1Cooperative Institute for Great Lakes Research, School for Environment and Sustainability, University of Michigan, Ann Arbor, MI, 48109, United States.
Journal of environmental management
|March 18, 2025
概括
机器学习模型准确地预测了埃里湖的藻类繁殖. 移除异常值和特征选择显著提高了预测准确性,梯度增强决策树和随机森林模型表现最好. 有机微粒是预测的关键.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 临界技术 临界技术
背景情况:
- 藻类繁殖对全球构成重大威胁,气候变化和肥胖化加剧了这种威胁.
- 机器学习模型 (MLMs) 显示出预测藻类繁殖的前景,但它们在像大湖这样的大淡水系统中的直接模拟性能未得到充分研究.
研究的目的:
- 评估和比较10个受欢迎的MLM对埃里湖西部甲基度的预测性能.
- 确定最佳的特征组合,并评估数据预处理技术 (如异常值删除) 对MLM准确性的影响.
主要方法:
- 从2012-2022年利用了15个水质参数来训练和测试10个MLM的Chl a预测.
- 进行了详尽的特征选择测试 (32,767种组合),并分析了异常值去除的影响.
主要成果:
- 移除异常值大大提高了预测准确度,在梯度增强决策树 (GBDT) 模型中,R2从0.35增加到0.84.
- 特征选择提高了MLM性能,多项式回归R2从0.71提高到0.82.
- GBDT (R2 = 0.84) 和随机森林 (R2 = 0.82) 在预测Chl a.方面表现优越.
结论:
- 这项研究为预测埃里湖西部Chl a的MLM业绩建立了基准.
- 微粒有机 (PON) 被确定为Chl a度的最关键预测因素.
- 优化的特征选择和数据预处理提高了水质监测的有效性,以实现可持续管理.
更多相关视频
10:25Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements
Published on: June 28, 2016
10.5K
06:50O-cresol Concentration Online Measurement Based On Near Infrared Spectroscopy Via Partial Least Square Regression
Published on: November 8, 2019
6.5K
