通过使用进步图形神经网络变体,提高了对叶绿素-a度的预测
1Department of Artificial Intelligence, Kongju National University, Cheon-an, South Korea.
The Science of the total environment
|April 25, 2025
概括
这项研究引入了使用图形神经网络 (GNN) 的深度学习框架,以准确模拟叶绿素-a (Chl-a) 水平,改善有害藻类繁殖预测. 在GNN方法有效地整合水质和气候数据可靠的长期Chl-a监测.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 水资源管理 水资源管理
背景情况:
- 准确估计有害藻类繁殖 (HABs) 对地表水保护至关重要.
- a (Chl-a) 是藻类度的关键指标,但受到复杂的环境因素的影响.
- 现有的方法很难将各种数据源整合到各种规模的长期Chl-a模拟中.
研究的目的:
- 开发一个深度学习 (DL) 框架,用于长期的Chl-a模拟.
- 有效地整合不规则测量的水质数据和定期测量的气候数据.
- 利用图形神经网络 (GNN) 在Chl-a预测中建模时空依赖性.
主要方法:
- 一个DL框架有两个块:一个用于水质观测,另一个用于气候数据.
- 基准测试GNN架构 (ChebNet,GCN) 用于气候数据编码和模拟水质站作为图表节点.
- 使用一个门机制来整合来自两个数据处理块的输出.
主要成果:
- 拟议的基于GNN的框架显著优于基线模型,在R2方面实现了高达47%的改进.
- 图形卷积网络 (GCN) 和长期短期记忆 (LSTM) 的组合显示出卓越的性能.
- 关门机制进一步提高了预测准确性,使R2提高了12%.
结论:
- 拟议的GNN变体框架为Chl-a预测提供了一个强大的机器学习方法.
- 这种方法有效地汇总了时空空间信息,以可靠地监测水质.
- 该框架有望推动对有害藻类繁殖的准确估计.
