《SoftwareX》:AI-aquatica: A python library for reproducible machine learning and hydrochemical analysis of water-quality data
编辑推荐:
AI-Aquatica是一个开源Python框架,用于可复现的水质分析,在一个可审计的工作流程中连接水化学质量保证(hydrochemical quality assurance)与防泄漏机器学习(leakage-safe machine learning)。
AI-Aquatica是一个开源Python框架,用于可复现的水质分析,在一个可审计的工作流程中连接水化学质量保证(hydrochemical quality assurance)与防泄漏机器学习(leakage-safe machine learning)。它提供区域CSV导入与标准化、离子就绪性(ion-readiness)与电荷平衡(charge balance)诊断、质量受控的模型纳入、随机森林(Random Forest, RF)分类与回归、分组与时间验证、可视化,以及自包含HTML和机器可读报告。v2.3.0版本包含折内预处理(fold-local preprocessing)、自动化测试、持续集成和一命令复现工作流。在来自四个水生监测站点的37个月度活动的148个真实观测值上的验证,产生了按活动分组的站点分类准确率0.932,而叶绿素a回归(R2=0.192)展示了不确定性感知的有限预测证据报告。AI-Aquatica在水化学QA/QC与预测性环境分析之间提供了可复现的桥梁。
水质评估对于水生生态系统监测、富营养化评估、污染检测、生态状况评价和水资源管理至关重要。近年来,机器学习在水质监测数据中的应用日益广泛,但实际环境分析工作流常分散于电子表格、本地脚本、统计软件和手工图表之中,导致复现困难。区域编码差异、小数分隔符不同、列名不一致以及水化学一致性检查缺失,进一步加剧了问题。为此,研究人员开发了AI-Aquatica——一个建立在NumPy、pandas、scikit-learn和matplotlib等科学Python组件之上的开源框架,旨在提供一个可审计的水生环境分析层,而非替代这些库或引入新的分类器。其核心是将鲁棒导入、标准化、水化学就绪性检查、质量策略、防泄漏模型评估、可导出诊断和独立报告整合为统一工作流。
研究人员在v2.3.0版本中实现了折内预处理、自动化测试、持续集成和一命令复现工作流,并使用来自波兰什切青四个城市水生站点的148个真实观测值验证了软件。数据采集于2020年1月至2023年1月共37个月度活动,站点包括G??bokie湖、S?oneczne湖、Rusa?ka湖入流和出流。验证结果表明,按活动分组的站点分类准确率为0.9324,而叶绿素a回归的R
2仅为0.1922,提示预测证据有限。该软件的意义在于提供了一种透明、可复现的领域工作流,使得从原始数据到模型证据的每一步都可追溯,而非仅仅追求预测精度。
关键技术方法:研究人员采用Python构建模块化库,利用NumPy、pandas进行数据处理,scikit-learn实现随机森林(Random Forest, RF)分类与回归,matplotlib用于可视化。核心方法包括:区域CSV