.png){kind=icon}
返回
Data-Driven Machine Learning Models for E. coli Concentration Prediction
.png){kind=icon}
OA
AI
DOI：10.3390/su18010179.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确评估水质对于保护公众健康和促进环境可持续性至关重要。基于实验室的传统方法在评估微生物污染物方面通常耗时、资源密集，且具有被动性，这限制了它们在实时水质监测和管理中的有效性。本研究探讨了基于数据驱动的机器学习模型在预测Midmar Dam中大肠杆菌（E. coli）浓度的应用，并利用了易于获得的物理化学参数。通过五种经典的独立机器学习算法（Random Forest (RF)、Support Vector Machine (SVM)、k-Nearest Neighbors (kNN)、Artificial Neural Network (ANN)和Extreme Gradient Boosting (XGBoost)）进行了比较分析。这些模型依据标准误差指标（包括平均绝对误差(MAE)、均方误差(MSE)和均方根误差(RMSE)）对其预测性能进行了评估。在所评估的模型中，kNN算法表现出优越性能，实现了最低的MSE和RMSE值，从而凸显了其在捕捉物理化学指标与微生物污染水平之间复杂关系方面的有效性。研究结果展示了基于机器学习的方法作为高效、可扩展和主动工具，在水库可持续水质监测和管理中的潜力。
Keyword:
environmental monitoring
Midmar Dam
physico-chemical parameters
sustainable management
water quality assessment
期刊
IF:
3.3
论文数:
10.7W
被引数:
28.4W
机构
引用论文
Prediction of total organic carbon and E. coli in rivers within the Milwaukee River basin using machine learning methods基于机器学习方法的密尔沃基河流域河流总有机碳和大肠杆菌预测OAAI
OAAI分享收藏Predicting the presence of E. coli in tap water using machine learning in Nepal使用机器学习预测尼泊尔自来水中的E. coli存在情况
PREAI
分享收藏Water Quality Management Using Hybrid Machine Learning and Data Mining Algorithms: An Indexing Approach使用混合机器学习和数据挖掘算法的水质管理: 一种索引方法.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Using machine learning models to estimate Escherichia coli concentration in an irrigation pond from water quality and drone-based RGB imagery data使用机器学习模型根据水质和基于无人机的RGB图像数据估算灌溉池塘中的大肠杆菌浓度WATER RESEARCH
OAAI
WATER RESEARCHIF12.4
OAAI分享收藏Simulate the forecast capacity of a complicated water quality model using the long short-term memory approachJOURNAL OF HYDROLOGY
JOURNAL OF HYDROLOGYIF6.3
PREAI
分享收藏
查看更多内容