使用光和LC-FTMS数据优化基于机器学习的海洋陆地溶解有机物质预测

科学领域:

• 环境化学环境化学
• 海洋学 海洋学 海洋学
• 数据科学是数据科学.

背景情况:

• 海洋溶解有机物 (DOM) 是一种复杂的混合物,对全球碳循环至关重要.
• 北极气候变化增加了陆地有机碳向海洋系统的释放.
• 准确评估DOM的组成对于了解其来源和命运至关重要.

研究的目的:

• 用分子公式数据比较机器学习 (ML) 模型来预测陆地DOM.
• 在分析LC-FTMS数据时,优化ML技术的准确性和计算效率.
• 为了确定地球DOM特征的关键分子特征.

主要方法:

• 随机森林 (RF),支向量机器和通用线性模型 (GLM) 的比较.
• 系统评估数据预处理,规范化和ML技术.
• 应用特征选择,沙普利值和变的重要性进行分析.

主要成果:

• 总和规范化的通用线性模型 (GLMs) 实现了最高的精度 (5.7% NRMSE) 和效率.
• 随机森林 (RF) 模型是强大的,但不那么准确和计算密集.
• 功能选择显著改善了所有模型,减少了强大的预测所需的功能数量.

结论:

• GLM提供了一个可扩展和准确的方法,用于从LC-FTMS数据中预测陆地DOM.
• ML增强了复杂海洋DOM的分析,有助于理解碳循环.
• 这项研究为在海洋科学中将ML应用于高分辨率质谱数据的蓝图提供了蓝图.