Explainable machine learning for predicting shellfish toxicity in the Adriatic Sea using long-term monitoring data of HABs

要約

この研究では、説明可能な機械学習技術を適用して、有害な藻類の増殖によって引き起こされるトリエステ湾 (アドリア海) のムール貝の毒性を予測します。
ムール貝養殖地域における有毒植物プランクトンの記録とムール貝 (Mytilus galloprovincialis) の毒素濃度の記録を含む新しく作成された 28 年間のデータセットを分析することにより、下痢性貝中毒 (DSP) イベントを正確に予測するための ML モデルのパフォーマンスをトレーニングおよび評価します。
ランダム フォレスト モデルは、F1 スコアに基づいて陽性毒性結果の最良の予測を提供しました。
順列重要度やSHAPなどの説明可能性手法により、DSP発生の最良の予測因子として主要な種（Dinophysis fortiiとD. caudata）と環境要因（塩分、河川の流量、降水量）が特定されました。
これらの発見は、早期警報システムを改善し、持続可能な水産養殖の実践をサポートするために重要です。

要約(オリジナル)

In this study, explainable machine learning techniques are applied to predict the toxicity of mussels in the Gulf of Trieste (Adriatic Sea) caused by harmful algal blooms. By analysing a newly created 28-year dataset containing records of toxic phytoplankton in mussel farming areas and toxin concentrations in mussels (Mytilus galloprovincialis), we train and evaluate the performance of ML models to accurately predict diarrhetic shellfish poisoning (DSP) events. The random forest model provided the best prediction of positive toxicity results based on the F1 score. Explainability methods such as permutation importance and SHAP identified key species (Dinophysis fortii and D. caudata) and environmental factors (salinity, river discharge and precipitation) as the best predictors of DSP outbreaks. These findings are important for improving early warning systems and supporting sustainable aquaculture practices.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google