
-
生物通官微
陪你抓住生命科技
跳动的脉搏
利用SHAP和弦图分析解释性集成机器学习在水库溶解氧预测中的应用
《Scientific Reports》:Explainable ensemble machine learning for dissolved oxygen prediction in a reservoir using SHAP and chord diagram analysis
【字体: 大 中 小 】 时间:2026年08月01日 来源:Scientific Reports 4.9
编辑推荐:
摘要溶解氧是衡量水库水质和生态系统健康状况的关键指标。其变化受多种复杂的物理、化学和生物过程影响,包括温度分层、营养物质相互作用、光合作用、呼吸作用、藻类生物量的微生物分解、表层水体充氧以及沉积物耗氧作用,这些因素使得精确模拟变得十分困难。本研究提出了一种集成机器学习框架,通过结
溶解氧是衡量水库水质和生态系统健康状况的关键指标。其变化受多种复杂的物理、化学和生物过程影响,包括温度分层、营养物质相互作用、光合作用、呼吸作用、藻类生物量的微生物分解、表层水体充氧以及沉积物耗氧作用,这些因素使得精确模拟变得十分困难。本研究提出了一种集成机器学习框架,通过结合集成学习模型、可解释人工智能技术以及基于网络的可视化方法,用于预测贾维赫水库的溶解氧含量。研究使用了五日平均水质数据、水文、水力及气象数据对六种模型(随机森林、XGBoost、历史梯度提升、额外树模型、多层感知器以及支持向量回归)进行了优化。预测结果通过统计指标、平均绝对误差、均方根误差以及纳什-萨特克利夫效率来进行评估。在所有测试模型中,额外树模型表现出最佳的预测性能(平均绝对误差为0.3465毫克/升,均方根误差为0.5997毫克/升,纳什-萨特克利夫效率为0.9655),说明实际观测值与预测值之间具有很高的一致性。为提高模型的可解释性,研究人员对表现最佳的模型应用了SHapley加性解释方法。分析结果表明,气温、溶解氧、磷酸盐和铵盐的输入流量以及出水流量是影响溶解氧变化的主要因素,这反映了温度作用与生物地球化学耗氧过程共同的影响。此外,研究还使用弦图可视化方法展示了溶解氧与主要影响因素之间的关联,为模型结果提供了另一种网络化的解释视角。总体而言,通过用高度可解释的模型替代传统的“黑箱”模拟方法,该框架既保证了预测的准确性,又提升了透明度,为水库水质的主动管理提供了一种实用且可推广的工具。
生物通微信公众号