{"id":17737,"date":"2024-02-22T15:55:05","date_gmt":"2024-02-22T14:55:05","guid":{"rendered":"http:\/\/localhost:8000\/mhwm-wykorzystanie-metod-uczenia-maszynowego-random-forest-do-oceny-jakosci-wod-powierzchniowych\/"},"modified":"2024-02-22T15:56:32","modified_gmt":"2024-02-22T14:56:32","slug":"mhwm-wykorzystanie-metod-uczenia-maszynowego-random-forest-do-oceny-jakosci-wod-powierzchniowych","status":"publish","type":"post","link":"https:\/\/imgw.pl\/en\/mhwm-wykorzystanie-metod-uczenia-maszynowego-random-forest-do-oceny-jakosci-wod-powierzchniowych\/","title":{"rendered":"MHWM: Wykorzystanie metod uczenia maszynowego Random Forest do oceny jako\u015bci w\u00f3d powierzchniowych"},"content":{"rendered":"<p>W magazynie naukowym <a href=\"http:\/\/www.mhwm.pl\/\" title=\"http:\/\/www.mhwm.pl\/\">Meteorology Hydrology and Water Management<\/a> ukaza\u0142 si\u0119 artyku\u0142 po\u015bwi\u0119cony analizie skuteczno\u015bci metod uczenia maszynowego, w szczeg\u00f3lno\u015bci modelu regresji Random Forest (RF), w prognozowaniu warto\u015bci wybranych wska\u017anik\u00f3w jako\u015bci wody, w kt\u00f3rym przeprowadzono identyfikacj\u0119 parametr\u00f3w wp\u0142ywaj\u0105cych na ich kszta\u0142towanie. W publikacji \u201cAssessing the efficiency of a random forest regression model for estimating water quality indicators\u201d przedstawiono wyniki dla trzech wybranych wska\u017anik\u00f3w \u2013 tj. zawarto\u015bci rozpuszczonego tlenu (DO), przewodno\u015bci w\u0142a\u015bciwej (K) i zm\u0119tnienia (Tu) \u2013 w odniesieniu do 11 zlewni w stanach Wirginia, Maryland i Dystrykcie Kolumbii. Wykorzystano dzienne dane pomiarowe z dziesi\u0119ciu lat na temat jako\u015bci w\u00f3d oraz informacje hydrometeorologiczne (takie jak opady) i wybrane charakterystyki zlewni (w tym wielko\u015b\u0107, rodzaj gleby, u\u017cytkowanie grunt\u00f3w).<\/p>\n<p>Model regresji RF opracowywano dla sze\u015bciu zestaw\u00f3w danych ucz\u0105cych, zwi\u0119kszaj\u0105c liczb\u0119 zmiennych wej\u015bciowych modelu. W pocz\u0105tkowym zestawie zakres informacji wej\u015bciowej obejmowa\u0142 wska\u017aniki jako\u015bci wody: DO, K i Tu, natomiast zestaw sz\u00f3sty zawiera\u0142 wszystkie dost\u0119pne zmienne. Ocen\u0119 wynik\u00f3w modeli opartych na RF przeprowadzono na podstawie nast\u0119puj\u0105cych kryteri\u00f3w: wzgl\u0119dny b\u0142\u0105d \u015bredniokwadratowy, wsp\u00f3\u0142czynnik korelacji i procent wariancji wyja\u015bnionej. Oszacowane wagi poszczeg\u00f3lnych parametr\u00f3w wej\u015bciowych modelu stanowi\u0142y podstaw\u0119 ich uszeregowania pod wzgl\u0119dem istotno\u015bci w procesie kszta\u0142towania si\u0119 poziom\u00f3w analizowanych wska\u017anik\u00f3w zanieczyszcze\u0144.<\/p>\n<p>Autorzy wykazali, \u017ce model RF daje bardzo dobre wyniki w przypadku prognozy wska\u017anika DO. S\u0142absze uzyskano w przypadku wska\u017anika K, najgorsze dla wska\u017anika Tu. Zestaw danych ucz\u0105cych, opracowany w oparciu o wska\u017aniki jako\u015bci wody, dane hydrometeorologiczne i parametry fizjograficzne zlewni, zapewni\u0142 najwi\u0119ksz\u0105 efektywno\u015b\u0107 modelu pod wzgl\u0119dem jako\u015bci uzyskiwanych wynik\u00f3w a ilo\u015bci\u0105 informacji potrzebnych do opracowania modelu. Zdaniem autor\u00f3w pokrycie terenu odgrywa znacz\u0105c\u0105 rol\u0119 w prognozowaniu wska\u017anik\u00f3w jako\u015bci wody z zastosowaniem analizowanej metody. Ponadto technika uczenia maszynowego z wykorzystaniem regresji RF mo\u017ce mie\u0107 szerokie zastosowanie w zlewniach o zr\u00f3\u017cnicowanym re\u017cimie klimatycznym.<\/p>\n<p>Wi\u0119cej szczeg\u00f3\u0142\u00f3w <a href=\"https:\/\/doi.org\/10.26491\/mhwm\/183734\" title=\"https:\/\/doi.org\/10.26491\/mhwm\/183734\">https:\/\/doi.org\/10.26491\/mhwm\/183734<\/a>.<\/p>\n<p>&nbsp;<\/p>","protected":false},"excerpt":{"rendered":"<p>W magazynie naukowym Meteorology Hydrology and Water Management ukaza\u0142 si\u0119 artyku\u0142 po\u015bwi\u0119cony analizie skuteczno\u015bci metod uczenia maszynowego, w szczeg\u00f3lno\u015bci modelu regresji Random Forest (RF), w prognozowaniu warto\u015bci wybranych wska\u017anik\u00f3w jako\u015bci wody, w kt\u00f3rym przeprowadzono identyfikacj\u0119 parametr\u00f3w wp\u0142ywaj\u0105cych na ich kszta\u0142towanie. W publikacji \u201cAssessing the efficiency of a random forest regression model for estimating water quality [&hellip;]<\/p>","protected":false},"author":1,"featured_media":17738,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[5],"tags":[],"class_list":["post-17737","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-aktualnosci"],"_links":{"self":[{"href":"https:\/\/imgw.pl\/en\/wp-json\/wp\/v2\/posts\/17737","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/imgw.pl\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/imgw.pl\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/imgw.pl\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/imgw.pl\/en\/wp-json\/wp\/v2\/comments?post=17737"}],"version-history":[{"count":0,"href":"https:\/\/imgw.pl\/en\/wp-json\/wp\/v2\/posts\/17737\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/imgw.pl\/en\/wp-json\/wp\/v2\/media\/17738"}],"wp:attachment":[{"href":"https:\/\/imgw.pl\/en\/wp-json\/wp\/v2\/media?parent=17737"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/imgw.pl\/en\/wp-json\/wp\/v2\/categories?post=17737"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/imgw.pl\/en\/wp-json\/wp\/v2\/tags?post=17737"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}