Using artificial intelligence for CyanoHAB niche modeling: discovery and visualization of <i>Microcystis</i>–environmental associations within western Lake Erie
Notice bibliographique
Résumé
Cyanobacterial harmful algal blooms (CyanoHABs), mainly composed of the genus Microcystis, occur frequently throughout the Laurentian Great Lakes. We used artificial neural networks (ANNs) involving 31 hydrological and meteorological predictors to model total phytoplankton (as chlorophyll a) and Microcystis biomass from 2009 to 2011 in western Lake Erie. Continuous ANNs provided modeled-measured correspondences (and modeling efficiencies) ranging from 0.87 to 0.97 (0.75 to 0.94) and 0.71 to 0.90 (0.45 to 0.88) for training–cross-validation and test data subsets of chlorophyll a concentrations and Microcystis biovolumes, respectively. Classification ANNs correctly assigned up to 94% of instances for Microcystis presence–absence. The influences of select predictors on phytoplankton and CyanoHAB niches were visualized using biplots and three-dimensional response surfaces. These then were used to generate mathematical expressions for the relationships between modeled CyanoHAB outcomes and the direct and interactive influences of environmental factors. Based on identified conditions (∼40 to 50 μg total phosphorus (TP)·L−1, 22 to 26 °C, and prolonged wind speeds less than ∼19 km·h−1) underlying the likelihood of occurrence and accumulation of phytoplankton and Microcystis, a “target” concentration of 30 μg TP·L−1 appears appropriate for alleviating blooms. ANNs generated robust ecological niche models for Microcystis, providing a predictive framework for quantitative visualization of nonlinear CyanoHAB–environmental interactions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».