Key Physicochemical and Biological Factors Associated with Chlorophyll-a Concentrations: A Machine Learning Approach

Zusammenfassung

Chlorophyll-a ist ein weit verbreiteter Indikator zur Bewertung des trophischen Zustands und der Wasserqualität aquatischer Ökosysteme, da sie eng mit der Phytoplanktonbiomasse zusammenhängt. Ziel dieser Studie war es, die physikalisch-chemischen, biologischen und zeitlichen Variablen zu identifizieren, die mit den Chlorophyll-a-Konzentrationen im Gatúnsee im Zeitraum 2017–2023 verbunden sind. Hierzu wurden der Algorithmus Light Gradient Boosting Machine (LightGBM) und ein Generalisiertes Lineares Modell (GLM) eingesetzt. Insgesamt wurden 25 Prädiktorvariablen zur Beschreibung der Wasserqualität analysiert. Dabei wurden Daten verwendet, die an 14 über den gesamten Gatúnsee verteilten Überwachungsstationen innerhalb des Einzugsgebiets des Panamakanals erhoben wurden. Das LightGBM-Modell erzielte eine zufriedenstellende Vorhersageleistung mit einem RMSE von 4,58, einem MAE von 3,26 und einem Bestimmtheitsmaß (R²) von 0,42 für den Testdatensatz. Die Analyse der Variablenwichtigkeit identifizierte die Trübung, den gelösten Sauerstoff und die Wasserdurchsichtigkeit als die einflussreichsten Prädiktoren der Chlorophyll-a-Konzentrationen. Diese Ergebnisse verbessern unser Verständnis der Faktoren, die mit der Variabilität von Chlorophyll-a zusammenhängen, und zeigen das Potenzial von Machine-Learning-Modellen als Instrumente zur Entscheidungsunterstützung bei der Überwachung und Bewirtschaftung aquatischer Ökosysteme.

Carlos Alfredo Torres Cubilla

Data Scientist

Meine Interessen liegen in den Bereichen Programmierung, Statistik und Data Science.