Robust prediction of chlorophyll-A from nitrogen and phosphorus content in Philippine and global lakes using fine-tuned, explainable machine learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
• Chl-a predicted from lake nutrients in Philippines, Japan, USA, Canada, Uganda. • Best models are KRR (92.5%) for Laguna Lake and GPR (82.05%) for global lakes. • KRR, SVR, GPR, and MLP are robust to sensor noise but kNN, RF, and GBR were not. • In both case studies, phosphorus content has the most impact on Chl-a predictions. • Fine-tuned, explainable, and robust models can be trusted more to drive policy. Chlorophyll-a (Chl-a) content in waterbodies is a primary indicator of algal biomass and is used to detect impending harmful algal blooms. This paper presents a methodology using 8 popular machine learning (ML) models for estimating Chl-a concentration from nutrient content in lakes. Different from previous works, we introduce 3 novel steps: (i) the use of Bayesian optimization for fine-tuning ML hyper-parameters to improve performance; (ii) the use of explainability methods to understand the most influential inputs to Chl-a prediction; and (iii) the use of robustness analysis to assess how models are affected by measurement noise. Two case studies were used to test our approach: Laguna Lake, Philippines, and various lakes from Japan, the United States of America, Canada, and Uganda. We found that fine-tuned Kernel Ridge Regression and Gaussian Process Regression are consistently the most accurate (>80%) and robust models in both case studies. In Laguna Lake, Shapley explanations revealed that phosphate and nitrate ions are the most important predictors of Chl-a, while total phosphorus is that for global lakes. Hence, these parameters are suggested to be monitored more closely for detecting algal blooms. By making our codes accessible, we hope that our methods can serve as a benchmark for the data-driven modeling of Chl-a content in lakes, and aid in their management through model deployment.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle