海洋微塑料上致病性弧菌相对丰度的实时预测方法及系统技术方案

本发明专利技术公开了一种海洋微塑料上致病性弧菌相对丰度的实时预测方法及系统，方法包括：获得不同环境因素下的海洋微塑料上弧菌相对丰度的历史实际值；将所获得的数据整理成样本数据集，并对环境因素数据进行预处理；将经过预处理的样本数据集划分为训练集和测试集；构建机器学习模型，并使用所述训练集进行训练；使用所述测试集对训练好的机器学习模型进行测试及评估，获得测试结果；将海洋观测站监测到的环境因素数据输入训练好的机器学习模型，获得海域海洋微塑料上弧菌相对丰度的实时预测数据。本发明专利技术解决了现有技术中无法对微塑料上微生物相对丰度实时监测的问题，为水产养殖区水产品的致病微生物病害监测及预防提供精确的数据支撑。确的数据支撑。确的数据支撑。

【技术实现步骤摘要】
海洋微塑料上致病性弧菌相对丰度的实时预测方法及系统


[0001]本专利技术属于海洋微塑料污染预测
，具体涉及一种海洋微塑料上致病性弧菌相对丰度的实时预测方法及系统。

技术介绍

[0002]塑料的专利技术给人类的日常生活带来了巨大的便利，但塑料的废弃给自然环境造成了巨大的伤害，大部分废弃的塑料都由陆地河流进入海洋，严重影响海洋的生态环境。海洋中的塑料碎片在物理、化学和生物的作用下，会逐渐分解形成大量粒径小于5毫米的微塑料。世界各地的海洋都不同程度地受到了微塑料的污染，尤其是人口密集的河口地区和塑料制品使用率高的海水养殖区。相对于其它天然材质漂浮物，海洋中漂浮的微塑料具有更加稳定的物理化学性质，可以作为一个持续性的附着基质为海洋中的微生物提供栖息地。
[0003]弧菌可以导致人类在休闲洗浴时的伤口感染、败血症和摄入受污染的海鲜后引起疾病，也是引起海产品死亡的主要原因。研究表明，在海水和沉积物中含量极低的弧菌在微塑料表面却很高。并且，微塑料在被生物摄入后，微塑料上面的弧菌可以转移到生物体内，导致弧菌在生物体内积累，从而引起生物致病，甚至死亡。因此很多研究机构在研究世界各地的海洋微塑料上弧菌相对丰度的变化规律，发现微塑料上弧菌的相对丰度受不同环境因素的影响，这些环境因素为弧菌在微塑料上的生长提供了有利或不利的条件。目前，普遍采用实验方法研究环境因素对海洋微塑料上弧菌相对丰度的影响，实验方法虽说很准确，但在世界各地的海洋中进行实验研究的成本非常高，并且实验研究得出的数据只对实验海域有帮助，存在一定的局限性。为了解决实验方法的局限性，专利技术一种既能具备显著经济效益，又能对微塑料上弧菌相对丰度进行实时预测的方法尤为重要。

技术实现思路

[0004]本专利技术提供了一种海洋微塑料上致病性弧菌相对丰度的实时预测方法及系统，能够在不同环境因素下快速准确预测海洋微塑料上致病性弧菌的相对丰度，进而可以建立基于环境因素的微塑料上弧菌相对丰度的长期动态监测系统，为水产养殖区域中水产品的致病微生物病害监测及预防提供精确的数据支撑。
[0005]本专利技术采用如下技术方案：
[0006]一方面，一种海洋微塑料上致病性弧菌相对丰度的实时预测方法，包括：
[0007]S101，基于采样的海洋实验数据，获得不同环境因素下的海洋微塑料上弧菌相对丰度的历史实际值；
[0008]S102，将所获得的数据整理成样本数据集，并对所述样本数据集中的环境因素数据进行预处理；
[0009]S103，将经过预处理的样本数据集划分为训练集和测试集；
[0010]S104，构建机器学习模型，并使用所述训练集进行训练，获得训练好的机器学习模型；
[0011]S105，使用所述测试集对训练好的机器学习模型进行测试及评估，获得测试结果，并计算出机器学习模型的预测性能及泛化能力指标；
[0012]S106，将海洋观测站监测到的环境因素数据输入训练好的机器学习模型，获得海域海洋微塑料上弧菌相对丰度的实时预测数据。
[0013]优选的，S101中，所述环境因素包括温度、溶解氧、盐度、pH、总氮和总磷。
[0014]优选的，S102中，对样本数据集中的环境因素数据进行预处理的方法包括归一化处理，计算方法如下：
[0015][0016]其中，x表示环境因素值，x
min
表示环境因素的最小值，x
max
表示环境因素的最大值。
[0017]优选的，S103中，将经过预处理的样本数据集划分为训练集和测试集，具体包括：
[0018]将样本数据集随机划分成训练集和测试集，所述训练集和测试集比例为8:2。
[0019]优选的，S104中，构建机器学习模型，并使用所述训练集进行训练，具体包括：
[0020]基于编程语言编写机器学习模型；
[0021]基于编程语言编写机器学习模型；
[0022]采用神经网络超参数搜索法和K折交叉验证法相结合的方法或采用网格搜索法和K折交叉验证法相结合的方法对机器学习模型进行不断训练，寻找出机器学习模型的最优超参数组合。
[0023]优选的，S104中，构建的机器学习模型包括全连接神经网络。
[0024]优选的，S105中，使用所述测试集对训练好的机器学习模型进行测试及评估，获得测试结果，并计算出机器学习模型的预测性能及泛化能力指标，具体包括：
[0025]将测试集中环境因素数据输入到训练好的机器学习模型得出预测丰度；
[0026]将机器学习模型获得的预测丰度与测试集中的真实丰度进行对比；
[0027]使用均方根误差、平均绝对误差和决定系数对机器学习模型的预测性能及泛化能力指标进行评估。
[0028]优选的，所述均方根误差、平均绝对误差和决定系数的计算方法如下：
[0029][0030][0031][0032]其中，y
i
为真实值，表示模型的预测值，表示数据集中真实值的平均值；m为样本数量；RMSE表示均方根误差；MAE表示平均绝对误差；R2表示决定系数。
[0033]优选的，S106中，将海洋观测站监测到的环境因素数据输入训练好的机器学习模型之前，还包括：
[0034]判断监测的环境因素是否有缺失，如果有，对未监测到的环境因素，使用已监测到的环境因素数据进行线性回归估计获得；
[0035]对监测的环境因素和估计获得的环境因素数据进行归一化处理。
[0036]另一方面，一种海洋微塑料上致病性弧菌相对丰度的实时预测系统，包括：
[0037]历史数据获取模块，用于基于采样的海洋实验数据，获得不同环境因素下的海洋微塑料上弧菌相对丰度的历史实际值；
[0038]预处理模块，用于将所获得的数据整理成样本数据集，并对所述样本数据集中的环境因素数据进行预处理；
[0039]样本数据集划分模块，用于将经过预处理的样本数据集划分为训练集和测试集；
[0040]训练模块，用于构建机器学习模型，并使用所述训练集进行训练，获得训练好的机器学习模型；
[0041]测试模块，用于使用所述测试集对训练好的机器学习模型进行测试及评估，获得测试结果，并计算出机器学习模型的预测性能及泛化能力指标；
[0042]实时预测模块，用于将海洋观测站监测到的环境因素数据输入训练好的机器学习模型，获得海域海洋微塑料上弧菌相对丰度的实时预测数据。
[0043]本专利技术的有益效果如下：
[0044]虽然环境因素与微塑料上弧菌相对丰度之间的相关性可以通过实验得到，但海洋环境中的环境因素是具体数值且动态变化的，这使得微塑料上致病性弧菌的相对丰度在特定环境下的精确预测成为一项挑战。基于现有技术的问题，本专利技术提出了一种将环境因素数据输入到训练好的机器学习模型在线预测微塑料上致病性弧菌相对丰度的方法及系统，解决了现有技术中无法对微塑料上致病性弧菌的相对丰度连续、实时监测的技术问题，与传统的实验方法相比，该方法具有以下优点：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种海洋微塑料上致病性弧菌相对丰度的实时预测方法，其特征在于，包括：S101，基于采样的海洋实验数据，获得不同环境因素下的海洋微塑料上弧菌相对丰度的历史实际值；S102，将所获得的数据整理成样本数据集，并对所述样本数据集中的环境因素数据进行预处理；S103，将经过预处理的样本数据集划分为训练集和测试集；S104，构建机器学习模型，并使用所述训练集进行训练，获得训练好的机器学习模型；S105，使用所述测试集对训练好的机器学习模型进行测试及评估，获得测试结果，并计算出机器学习模型的预测性能及泛化能力指标；S106，将海洋观测站监测到的环境因素数据输入训练好的机器学习模型，获得海域海洋微塑料上弧菌相对丰度的实时预测数据。2.根据权利要求1所述的海洋微塑料上致病性弧菌相对丰度的实时预测方法，其特征在于，S101中，所述环境因素包括温度、溶解氧、盐度、pH、总氮和总磷。3.根据权利要求1所述的海洋微塑料上致病性弧菌相对丰度的实时预测方法，其特征在于，S102中，对样本数据集中的环境因素数据进行预处理的方法包括归一化处理，计算方法如下：其中，x表示环境因素值，x
min
表示环境因素的最小值，x
max
表示环境因素的最大值。4.根据权利要求1所述的海洋微塑料上致病性弧菌相对丰度的实时预测方法，其特征在于，S103中，将经过预处理的样本数据集划分为训练集和测试集，具体包括：将样本数据集随机划分成训练集和测试集，所述训练集和测试集比例为8:2。5.根据权利要求1所述的海洋微塑料上致病性弧菌相对丰度的实时预测方法，其特征在于，S104中，构建机器学习模型，并使用所述训练集进行训练，具体包括：基于编程语言编写机器学习模型；采用神经网络超参数搜索法和K折交叉验证法相结合的方法或采用网格搜索法和K折交叉验证法相结合的方法对机器学习模型进行不断训练，寻找出机器学习模型的最优超参数组合。6.根据权利要求1所述的海洋微塑料上致病性弧菌相对丰度的实时预测方法，其特征在于，S104中，构建的机器学习模型包括全连接神经网络。7.根据权利要求1所述的海洋微塑料上致病性弧菌相对丰度的...

【专利技术属性】
技术研发人员：周华，姜佳文，姚传义，吴雪娥，车黎明，曹志凯，
申请(专利权)人：厦门大学，
类型：发明
国别省市：