多数据融合和机器学习用于预测港口的压载水排放情况
Jihong Chen1, Xizhi Chen2, Jia Shi3
1College of Civil and Transportation Engineering, Shenzhen University, Shenzhen, 518060, China; College of Management, Shenzhen University, Shenzhen, 518071, China; Shenzhen International Maritime Institute, Shenzhen, 518083, China; The Institute for Sustainable Development, Macau University of Science and Technology, 999078, Macao.
Marine pollution bulletin
|December 12, 2025
概括
准确的压载水排放预测对于管理入侵物种传播至关重要. 这项研究开发了一个机器学习模型,使用船舶数据和港口信息来预测排放量,帮助环境治理.
科学领域:
- 海洋生物学 海洋生物学
- 环境科学环境科学
- 数据科学是数据科学.
背景情况:
- 压载水排放是全球引入入侵水生物种的主要途径.
- 越来越严格的法规要求在港口层面准确预测压载水排放,以有效管理.
- 了解排放模式对于生态保护和生物安全至关重要.
研究的目的:
- 开发和评估一种机器学习框架,用于预测港口级压载水排放量.
- 根据船舶和港口特征,确定影响压载水排放的关键因素.
- 评估各种回归模型在预测排放中的表现.
主要方法:
- 自动识别系统 (AIS) 轨迹,船舶属性,港口特征和NBIC记录的整合从2021-2023年开始.
- 开发一个包含4137个样本和23个特征的数据集.
- 训练和比较五个回归模型 (随机森林,支持向量机,LightGBM,XGBoost,弹性网) 使用贝叶斯超参数调与Optuna.
- 权重和未权重培训计划的应用.
主要成果:
- 随机森林 (RF) 展示了最稳定的整体预测性能.
- XGBoost在适应高放电事件方面表现出色,而LightGBM捕获了一般趋势,但对权重敏感.
- 支持向量机 (SVM) 显示高相关性,但在极端值方面遇到了困难;弹性网 (EN) 倾向于不足.
- 确定的主要预测因素包括下一次航行距离,船舶类型比例和船舶规模 (沉重位, draft).
结论:
- 开发的机器学习框架为预测压载水排放提供了强大的和可通用的方法.
- 这些发现强调了船舶运营数据和特征在排放预测中的重要性.
- 该框架支持入侵物种风险评估和污染物迁移模式研究的应用.


