应用可解释的机器学习技术预测了阿德里亚海的威尼斯湾（Trieste Gulf）贻贝的毒性，该研究识别出可预测毒性的关键因素，如有害藻类的出现、贻贝中的毒素浓度以及环境因素，从而对改进早期预警系统和可持续水产养殖实践具有重要意义。

May, 2024

用神经网络添加自适应加权模型（BAGNET）和辨别式最近邻分类（SVM-KNN）进行比较，以估计生产区域的状态，结果表明 BAGNET 模型在结果和鲁棒性方面都优于其他模型，平均召回率为 93.41％。

Feb, 2024

通过使用卫星数据构建预测模型，结合贝类毒素污染数据，能够提升贝类毒素污染水平的预测，并证明了远程感应等高维数据的集成对模型的预测能力没有负面影响。

Nov, 2023

传统经验不足以支持预防性关闭措施的制定，因此本研究提出了基于 kNN 算法的预测模型，能够在复杂情况下帮助决策，实现敏感性、准确度和 kappa 指数值分别为 97.34%、91.83% 和 0.75。

Feb, 2024

深度学习方法在浮游生态学中的实施带来了新的视角，提供了一种客观的方案来研究不同环境中的浮游生物。它们包括图像的检测和分类、觅食和游泳行为分析以及生态模拟。深度学习有潜力加速分析并减少人类实验偏差，从而在具有改进可重复性的相关时间和空间尺度上支持数据获取。我们还讨论了其不足，并展示了深度学习架构如何发展来减少不精确的结果。最后，我们提出了深度学习特别可能促进浮游生物研究的机会，并提供了详细的教程和代码样本，使读者能够将本综述中描述的方法应用于自己的数据。

Sep, 2023

本文介绍了针对水平面的模拟和预测的物理模型计算复杂，提出机器学习模型作为替代，并在南佛罗里达的 Miami River 做了案例分析，并证明了输出结果与物理模型的差距不大。

Jun, 2023

现代浮游生物高通量监测依赖于深度学习分类器对水生态系统中的物种识别。我们研究中集成了 ZooLake 数据集和 10 个独立部署日的手动标注图像，作为用于评估超出数据集的表现的测试单元。我们通过分析发现，在实际场景中，分类器在初始数据集条件下表现良好的情况下也会遇到显著失败的例子。我们提出了一个三步骤的流程：（一）辨别比正常测试性能下的超出数据集降级，（二）进行降级原因的诊断分析，以及（三）提供解决方案。我们发现，使用 BEiT 视觉转换器进行集成的模型在超出数据集鲁棒性、几何集合和基于旋转的测试时间增强方面具有较强的模型，我们称之为 BEsT 模型。它的超出数据集准确度为 83％，错误集中在容器类上。此外，它对数据集变化的敏感性较低，并且能够很好地体现浮游生物的丰度。我们提出的流程适用于通用的浮游生物分类器，在适当的测试单元可用的情况下。通过非常短的表达，我们的研究为更可靠的浮游生物分类技术的发展提供了帮助。

Jan, 2024

本文提出了一种时间序列分解自适应图时空卷积网络 (AGTCNSD) 预测模型，通过移动平均法将原始序列分解为趋势分量和周期分量，基于图卷积神经网络对水质参数数据进行建模，通过时间卷积来捕捉时间依赖性，实现叶绿素浓度的多步预测。验证结果表明，该方法的预测效果优于其他方法，可用于环境管理决策的科学资源。

Sep, 2023

我们通过利用时间性质和引入一种新的方法，即时预测损失方法 (TPL)，在移动设备和机器人上实现了流媒体主导的主动学习方法。我们还通过比较基于池的方法和基于流媒体的方法，证明了 TPL 方法在感知应用中的高性能，能够显著提高数据选择的多样性和准确性。

Sep, 2023

为了更好地检测公共卫生数据中的异常数据点并为公共卫生决策提供支持，我们开发了 FlaSH 框架（Flagging Streams in public Health），该框架可以处理公共卫生数据的统计属性和数据量，具有良好的异常检测效果并被广泛用于公共卫生数据的处理和分析。

Jun, 2023