一个基于机器学习的早期预警系统,用于在海洋水产养殖中发现加密虫病

科学领域:

• 水产养殖是水产养殖的一种方式.
• 海洋生物学 海洋生物学
• 计算生物学 计算生物学

背景情况:

• 由*Cryptocaryon irritans*引起的加密菌病对海洋鱼类水产养殖的生产力和生物安全有重大影响.
• 现有的寄生鱼病早期预警系统发展不足,阻碍了可持续的水产养殖实践.

研究的目的:

• 开发一种机器学习 (ML) 驱动的早期预警系统,用于在海洋鱼类水产养殖中发现加密菌病.
• 将广泛的监测数据与海洋学预测器相结合,以准确预测疾病.

主要方法:

• 利用了七年的疫情数据 (2016-2023) 和17个海洋学预测器.
• 通过交叉验证训练和基准测试五个ML模型 (LR,SVM,RF,XGB,ANN).
• 部署了预测引擎作为一个开源的基于Web的平台,用于实时预测.

主要成果:

• 随机森林 (RF) 模型表现出高灵敏度 (98.6%),RF和XGBoost (XGB) 获得了很好的F1分数.
• 确定的主要风险因素包括种群密度,水温,盐度,pH,酸盐和酸盐.
• 验证的预测准确度在海中为91.67%,在循环水产养殖系统 (RAS) 中为87.5%,显示了季节性和度性疾病趋势.

结论:

• 建立了一个强大的,可扩展的框架,用于在海洋水产养殖中实时预测疾病.
• 该系统可适应其他水生病原体和宿主物种,支持寄生虫监测和精确的健康管理.
• 为推进全球水产养殖系统疾病控制提供灵活的基础.