文献分享 | ESE：可解释的深度学习识别淡水有害藻华的模式和驱动因素
流域面源污染控制与水环境修复
2025-05-12 18:47
文章摘要
本研究针对中国湖泊和水库中有害藻华（HABs）频发的问题，提出了一种结合长短期记忆网络（LSTM）与Shapley加性解释（SHAP）的可解释深度学习方法。研究利用2021-2023年全国水环境与气象日尺度监测数据，对161个湖库进行分析，发现LSTM模型在102个核心站点预测精度显著优于传统方法。水温（WT）被识别为最关键的影响因素，尤其在中低纬度地区敏感性更高。研究还通过迁移学习策略在缺资料区域提升了模型预测性能，为淡水水体管理与HABs控制提供了科学支撑。
本站注明稿件来源为其他媒体的文/图等稿件均为转载稿，本站转载出于非商业性的教育和科研之目的，并不意味着赞同其观点或证实其内容的真实性。如转载稿涉及版权等问题，请作者速来电或来函联系。
推荐文献
Back cover
Pub Date : 2025-05-01
Global mismatch between ecosystem service supply and demand driven by climate change and human activity
DOI: 10.1016/j.ese.2025.100573
Pub Date : 2025-05-06
流域面源污染控制与水环境修复
文献分享 | JOH：基于稀疏监测数据的时空图卷积网络在城市排水系统水位重建中的应用.
2025-04-15
文献分享 | JACS：掺铜二氧化钛表面氧空位在光催化硝酸盐还原为氨反应中的作用研究.
2025-04-07
最新文章
文献分享 | JOH：基于稀疏监测数据的时空图卷积网络在城市排水系统水位重建中的应用
2025-04-15
文献分享 | JACS：掺铜二氧化钛表面氧空位在光催化硝酸盐还原为氨反应中的作用研究
2025-04-07
京公网安备 11010802042870号
