有害藻华预测：流学习与批学习的比较
机器学习
2024-02-22 v1 人工智能
摘要
腹泻性贝类中毒（DSP）是一种全球性健康威胁，源于食用被甲藻产生的毒素污染的贝类。该病症发病率高、贝类毒性持久，对公众健康和贝类产业构成风险。产毒藻类（如DSP）的高生物量被称为有害藻华（HAB）。监测和预测系统对于减轻HAB的影响至关重要。预测有害藻华涉及一个具有强烈历史季节性成分的时间序列问题，然而，由于气象和海洋事件的变化，近期出现了异常。流学习被认为是解决具有概念漂移的时间序列问题最有前景的方法之一。然而，其在预测HAB方面的有效性尚未得到证实，需要与批学习进行比较。历史数据的可用性是开发预测系统的关键点。在海洋学中，可用的数据收集存在一些限制和局限性，这促使人们探索新的工具来获得更详尽的时间序列。在本研究中，开发了一个用于预测有毒甲藻——尖刺藻（Dinophysis acuminata）细胞数量的机器学习工作流程，并取得了若干关键进展。在两种学习范式内比较了七种机器学习算法。值得注意的是，采用了海洋水动力模型CROCO的输出数据作为主要数据集，弥补了时间连续历史数据的局限性。本研究强调了模型可解释性、公平模型比较方法以及流学习模型融入的价值。模型DoME在提前3天的预测中平均R²为0.77，成为最有效且可解释的预测器，优于其他算法。
引用
@article{arxiv.2402.13304,
title = {Harmful algal bloom forecasting. A comparison between stream and batch learning},
author = {Andres Molares-Ulloa and Elisabet Rocruz and Daniel Rivero and Xosé A. Padin and Rita Nolasco and Jesús Dubert and Enrique Fernandez-Blanco},
journal= {arXiv preprint arXiv:2402.13304},
year = {2024}
}