von KeAi Communications Co.
Die genaue und zuverlässige Identifizierung der Faktoren, die zum Algenwachstum beitragen, ist für eine nachhaltige Nutzung und wissenschaftliche Bewirtschaftung der Süßwasserressourcen von entscheidender Bedeutung. Da sich die wissenschaftliche Forschung von der Verwendung kleiner Datensätze hin zu größeren Datensätzen weiterentwickelt, werden die Mängel des traditionellen maschinellen Lernens deutlicher, und Deep Learning, das große Datenmengen verarbeiten kann, erhält mehr Aufmerksamkeit.
Obwohl es gelegentlich zur Vorhersage von Chlorophyll-a (Chl-a)-Zeitreihen verwendet wird, wurde Deep Learning selten eingesetzt, um wichtige Faktoren für das Algenwachstum zu identifizieren.
Um diese Lücke zu schließen, entwickelte ein länderübergreifendes Forscherteam aus China, Deutschland und den Niederlanden ein Deep-Learning-basiertes Transformer-Modell, Bloomformer-1, das für die durchgängige Identifizierung der treibenden Faktoren für das Algenwachstum konzipiert ist.
„Deep-Learning-Modelle weisen im Vergleich zu herkömmlichem maschinellem Lernen eine geringere betriebliche Transparenz auf, weisen jedoch erhebliche Leistungsvorteile auf“, sagte Jing Qian, der Erstautor des Papiers. „Die Entwicklung von Bloomformer-1 zielt darauf ab, eine Win-Win-Situation in Bezug auf Interpretierbarkeit und Leistung zu schaffen, die es ermöglicht, die treibenden Faktoren des Algenwachstums transparent und genau zu identifizieren.“
Qian, ein Doktorand vom Karlsruher Institut für Technologie in Deutschland, führte diese Forschung als gemeinsam geförderter Doktorand am Institut für Hydrobiologie in China durch.
Als Untersuchungsort wurde die mittlere Route des South-to-North Water Diversion Project (MRP), einem nationalen Großprojekt in China, ausgewählt, um die überlegene Leistung von Bloomformer-1 zu demonstrieren. Es wurde mit vier weit verbreiteten traditionellen Modellen für maschinelles Lernen verglichen – Extra Trees Regression (ETR), Gradient Boosting Regression Tree (GBRT), Support Vector Regression (SVR) und Multiple Linear Regression (MLR) – mit dem höchsten R2 (0,80 bis 0,94). ) und niedrigstem RMSE (0,22 bis 0,43 μg/L).
„Bloomformer-1 nutzt den Multi-Head-Self-Attention-Mechanismus, der jedes Token in der Eingabesequenz mit anderen Token vergleicht, um dynamische Kontextinformationen zu sammeln und zu lernen und so ein umfassendes Verständnis aller Feldstichprobendaten zu ermöglichen. Dies ist einer davon die Gründe für seine überlegene Leistung“, sagte Co-Autor Stefan Norra von der Universität Potsdam.
Die Ergebnisse der Studie, veröffentlicht in Wasserbiologie und Sicherheitergab, dass der Gesamtphosphor (TP) der bedeutendste Faktor war, der das MRP beeinflusste, insbesondere im Abschnitt Henan, während der Gesamtstickstoff (TN) den größten Einfluss auf das Algenwachstum im Abschnitt Hebei hatte.
„Die Kontrolle und Reduzierung von Phosphor ist eine wichtige Strategie zur Kontrolle des Algenwachstums und zur Aufrechterhaltung einer stabilen MRP-Wasserqualität, während die Stickstoffkontrolle in der Region Hebei ebenfalls Aufmerksamkeit verdient“, sagte Yonghong Bi vom Institut für Hydrobiologie der Chinesischen Akademie der Wissenschaften ist korrespondierender Autor der Studie. „Darüber hinaus wird die Förderung und Anwendung von Bloomformer-1 in anderen Gewässern eine wichtige Aufgabe für die Zukunft sein.“
Mehr Informationen:
Jing Qian et al., Identifizierung der treibenden Faktoren des Algenwachstums im South-to-North Water Diversion Project durch transformatorbasiertes Deep Learning, Wasserbiologie und Sicherheit (2023). DOI: 10.1016/j.watbs.2023.100184
Bereitgestellt von KeAi Communications Co.