通过空间时空特征集成,增强基于树的机器学习,通过空间时空特征集成,对沿海海水中的叶绿素预测
Tongcun Liu1, Guochun Yu2, Hoi Yan Kwok3
1School of Mathematics and Computer Science, Zhejiang A&F University, Hangzhou, 311300, China; Department of Ocean Science and Center for Ocean Research in Hong Kong and Macau, The Hong Kong University of Science and Technology, Hong Kong, China.
Marine environmental research
|April 29, 2025
概括
预测植物浮游生物的繁荣对海洋健康至关重要. 这项研究发现,LightGBM最好预测叶绿素-a,时空数据显著提高了精度,以更好地管理沿海生态系统.
科学领域:
- 海洋生物学 海洋生物学
- 环境科学 环境科学
- 数据科学数据科学数据科学
背景情况:
- 过度的植物浮游生物生长或开花会导致氧气耗尽,毒素释放,并对海洋生态系统和沿海社区造成伤害.
- 准确预测植物浮游生物水平,如甲度,对于有效的环境管理和保护沿海资源至关重要.
研究的目的:
- 通过五种基于树的算法,确定最佳的机器学习模型来预测香港沿海水域的叶绿素a水平.
- 通过将时空特征纳入模型来提高预测准确性.
- 解释模型预测,使用夏普利增量扩展 (SHAP) 方法.
主要方法:
- 对五种基于树的机器学习模型 (例如,LightGBM,XGBoost,Random Forest) 进行比较分析,以进行叶绿素a预测.
- 整合时空数据 (例如位置,时间,环境因素) 以提高模型性能.
- 应用SHAP用于模型可解释性,以确定关键影响因素.
主要成果:
- 该LightGBM模型在预测叶绿素-a度方面表现出卓越的性能.
- 整合时空特征显著提高了模型准确性,将R平方从0.492增加到0.702,而时间特征比空间特征具有更大的影响.
- 五天的生物化学氧气需求 (BOD5),总酸盐和风 (速度和方向) 被确定为影响叶绿素-a水平的最有影响的因素.
结论:
- 机器学习,特别是带有时空数据的LightGBM,为预测浮游植物开花提供了一个强大的工具.
- 控制人为营养素和有机物质的输入,以及了解风驱动的混合,对于管理沿海水质至关重要.
- 该研究为加强环境管理战略提供了科学基础,以确保沿海生态系统的可持续性.
