利用机器学习预测塔纳湖水葫芦的扩张并识别环境驱动因素

《Scientific Reports》：Predicting water hyacinth expansion and identifying environmental drivers in Lake Tana using machine learning

　　

摘要

本文利用机器学习技术研究了埃塞俄比亚塔纳湖（Lake Tana）水葫芦蔓延的强度和成因。水葫芦通过破坏生态平衡、降低生物多样性以及影响依赖湖泊资源的社区生计，对淡水生态系统构成重大威胁。本研究使用在塔纳湖周边27个采样点收集的20年每周实验室实验数据，建立水葫芦蔓延与关键环境驱动因素之间的关系模型。评估了四种传统机器学习和五种深度学习模型的性能，采用决定系数（R²）、平均绝对误差（MAE）和均方根误差（RMSE）进行评价。随机森林机器学习模型分别实现了0.99的R²、4.70的MAE和14.95的RMSE，均为训练模型中的最低值。因此，随机森林模型达到了最高的预测精度。研究识别出最具影响力的环境预测因子，包括总氮、总磷、叶绿素-a和pH值。综上所述，本研究得出结论：将机器学习技术整合到淡水生态系统的监测与管理中，可以提高早期检测能力，加强保护策略，并支持缓解进一步环境退化的努力，包括水体富营养化、水污染、入侵性杂草物种、缺氧以及气候变化。