走向精确的藻类学:一个可解释的AI框架解读中国主要湖泊的时空藻类动态
Yiwen Tao1, Meng Yang1, Jingli Ren1
1School of Mathematics and Statistics, Zhengzhou University, Zhengzhou 450001, China.
Journal of hazardous materials
|December 27, 2025
概括
我们创建了一个可解释的机器学习模型,以了解中国的藻类繁殖驱动因素.
科学领域:
- 环境科学 环境科学
- 临界技术 临界技术
- 机器学习应用 机器学习应用
背景情况:
- 湖泊生态系统面临越来越多的优化和有害藻类繁殖的威胁.
- 气候变化和人类活动加剧了这些挑战,影响了水资源管理.
研究的目的:
- 开发一种可解释的机器学习框架,用于分析藻类细胞密度 (AD) 动态.
- 确定中国21个主要湖泊中藻类繁殖的关键驱动因素.
- 为基于证据的湖泊管理提供一个工具.
主要方法:
- 综合高分辨率水质和气象数据 (2021-2024年).
- 使用可解释机器学习开发湖泊特定的预测模型.
- 应用自动化特征选择和可解释AI (XAI) 与非线性建模.
主要成果:
- 使用湖泊特定模型实现了高预测准确度 (平均R2>0.8).
- 通过特征选择将输入变量减少50%,而不会造成显著的性能损失.
- 发现了空间变化的驾驶员响应关系和关键的环境值.
结论:
- 藻类繁殖的模型结构和关键驱动因素在湖泊之间有很大差异,需要量身定制的管理策略.
- XAI框架有助于优化监测和针对藻类繁殖减缓工作.
- 在动态环境中提供可持续湖泊管理的实用工具.


