混合机器学习技术在有害藻华影响管理中的应用
机器学习
2024-03-21 v1 定量方法
摘要
有害藻华 (HABs) 是指藻类浓度极高且可能对人体消费有毒的事件。贝类养殖可能受到 HABs 的影响，因为作为滤食性动物，它们会在组织中积累高浓度的海洋生物毒素。为避免人类消费风险，一旦检测到毒性即禁止捕捞。目前，生产区域的关闭基于专家知识，而在条件复杂且无法采样时，预测模型将有所帮助。尽管肉类中的毒素浓度是专家控制贝类生产区域最常用的方法，但它很少被用作自动预测模型的目标变量。这主要是由于既定采样计划导致的数据不规则性。作为一种替代方案，有人提出将生产区域的活动状态作为目标变量，即根据贝类肉类的毒性水平是否低于或高于法定限值来划分。这一新选项最接近贝类生产区域控制的实际运作方式。为此，我们在估算生产区域状态时，比较了神经网络加自助法 (BAGNET) 和判别式最近邻分类 (SVM-KNN) 等混合机器学习模型。该研究在多个具有不同藻华爆发复杂程度的河口进行，以证明模型在藻华检测中的泛化能力。结果显示，BAGNET 的平均召回率为 93.41%，且在任何河口中均未低于 90%，其在结果和鲁棒性方面均优于其他模型。
引用
@article{arxiv.2402.09271,
title = {Hybrid Machine Learning techniques in the management of harmful algal blooms impact},
author = {Andres Molares-Ulloa and Daniel Rivero and Jesus Gil Ruiz and Enrique Fernandez-Blanco and Luis de-la-Fuente-Valentín},
journal= {arXiv preprint arXiv:2402.09271},
year = {2024}
}