利用机器学习进行碱度预测，以实现资源高效和可持续的水质监测，适用于受管理的水生系统

《Sustainable Chemistry One World》：Machine learning-enabled alkalinity forecasting for resource-efficient and sustainable water-quality monitoring in managed aquatic systems

　　

Dung Doan Do | Anh Hung Le | Van Van Vu | Thuan Nguyen Truong | Ha Manh Bui

摘要

碱度是碳酸盐缓冲系统的关键指标，它控制着水生系统中的pH稳定性和化学抗性。传统的碱度监测方法主要依赖于人工采样和实验室分析，这种方法劳动强度大，可能会延迟对水质短期变化的响应。本研究评估了机器学习作为辅助决策工具在集约化养虾池塘中进行短期碱度预测的潜力。研究收集了来自越南36个养虾池塘单元的4,716条水质记录，数据覆盖了11个月的时间跨度，每天进行四次测量。此外，还使用了来自其他养殖地点的527条独立记录来评估模型的泛化能力。研究开发了三种模型：随机森林回归（RFR）、支持向量回归（SVR）和人工神经网络（ANN），并通过决定系数（R2）、均方根误差（RMSE）和平均绝对误差（MAE）对它们进行了比较。结果表明，随机森林回归模型在预测性能上表现最为均衡，其日内预测的R2值为0.740，提前一天预测的R2值为0.715。这一结论是基于所有指标的综合分析得出的，因为人工神经网络在日内预测方面的RMSE略低，而支持向量回归在提前一天预测方面的MAE略低。外部验证显示，随机森林回归模型能够捕捉到不同数据集中的碱度变化趋势，但在特定环境条件以及低碱度和高碱度范围内，其预测性能有所下降。这些发现表明，基于数据的碱度预测方法可以补充传统的监测手段，但在减少实验室检测次数、采样频率或监测成本之前，仍需进行进一步的验证。