Predicting Imminent Cyanobacterial Blooms in Lakes Using Incomplete Timely Data
Notice bibliographique
Résumé
Abstract Toxic cyanobacterial blooms (CBs) are becoming more frequent globally, posing a threat to freshwater ecosystems. While making long‐range forecasts is overly challenging, predicting imminent CBs is possible from precise monitoring data of the underlying covariates. It is, however, infeasibly costly to conduct precise monitoring on a large scale, leaving most lakes unmonitored or only partially monitored. The challenge is hence to build a predictive model that can use the incomplete, partially‐monitored data to make near‐future CB predictions. By using 30 years of monitoring data for 78 water bodies in Alberta, Canada, combined with data of watershed characteristics (including natural land cover and anthropogenic land use) and meteorological conditions, we train a Bayesian network that predicts future 2‐week CB with an area under the curve (AUC) of 0.83. The only monitoring data that the model needs to reach this level of accuracy are whether the cell count and Secchi depth are low, medium, or high, which can be estimated by advanced high‐resolution imaging technology or trained local citizens. The model is robust against missing values as in the absence of any single covariate, it performs with an AUC of at least 0.78. While taking a major step toward reduced‐cost, less data‐intensive CB forecasting, our results identify those key covariates that are worth the monitoring investment for highly accurate predictions.
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 | 0,004 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».