遗传程序设计(GP)是一种计算方法，它使用达尔文自然选择理论的原理来解决问题，而不是直接地编程。GP通过多次迭代和交叉进行符号回归来进行程序归纳。GP可能不绝对地被归类为DD模型，因为它通常被用作其他算法的优化模型(例如逻辑回归、人工神经网络等)，最近这种技术被应用于几个湖泊的有害蓝藻水华预测。因此，在这个SLR中被归类为一种独特的DD建模技术。有研究将混合进化算法(HEA)应用于澳大利亚的Wivenhoe水库，预测一周内的有害蓝藻水华。与之相比，这种模型中的预测规则是比较全面的，因为它结合了涉及蓝藻动态的物理、化学和生物理论。有研究用HEA模拟了巴西热带贫-中营养水平Lajes水库中三种超微型蓝藻的优势度，该模型预测了7天内的超微型蓝细菌丰度。预测性能根据种类和取样位置而变化。还有研究利用HEA预测10至30天内的两个湖泊蓝藻优势物种的细胞浓度，采用原了位荧光测量和常规细胞计数测量。尽管峰值的大小通常被低估，但是水华时间通常是正确的，且能够正确地预报有害蓝藻水华。决策树决策树(DTs)是识别数据的阈值和共同属性的线性或非线性推理模型。这些模型对数据集进行分类，并从具体的例子中提取通用规则。这种机器学习技术也被应用于各种情景中的有害蓝藻水华预测。有研究建立了一个DT推理模型来预测布鲁塞尔42个浅水和混合城市池塘的有害蓝藻水华。当异形胞或非异形胞蓝藻的关键生物体积阈值与环境变量(如篇pH、透明度)发生关系时，该模型能够成功地进行预测。有作者比较了DT方法、回归概率方法的性能。他们观察到两种建模技术之间的结果是类似的。回归与概率方法相结合使得结果更准确，因为这种方法重新计算了情景变化的概率，并具有在年度、季节尺度预测的能力。相反，DT方法能够快速有效地交叉验证结果。比较这两种技术，或许可以来交叉验证每个模型的结果。
贝叶斯网络贝叶斯网络(BNS)是一种概率建模方法，它包括多个变量之间的线性、非线性、组合和随机预测关系。它们是评估事件发生概率的工具，可以解释模型输出中潜在的不确定性。有研究为加拿大西伊利湖开发了一个BN方法，评估了磷的还原情景及其对有害蓝藻水华发生的影响。也有研究将BN方法应用于韩国Paldang湖，根据环境条件的多个阈值评估有害蓝藻水华的风险水平。还将风险等级转换成预警水平，有助于水资源的管理。有学者在澳大利亚的Grahamstown大坝使用BN模型预测鱼腥藻(长孢藻)的未来情景。这种方法能够将来自当地供水设施的专家知识涵盖在模型中。这项研究的重点是要对未来的管理和运营过程保持透明，包括监测策略和抽水取水等实践。
声明：所载内容来源互联网，仅供参考，交流之目的，转载的稿件版权归原创和机构所有，如有侵权，请联系我们删除。
市场服务中心
总经办
微信扫一扫
