Entwicklung eines ensemblebasierten Machine-Learning-Vorhersagemodells für marine Fische und Aquakulturproduktion

Die Fischereiindustrie wird als strategischer Sektor identifiziert, um die inländische Proteinproduktion und -versorgung in Malaysia zu erhöhen. Globale Veränderungen der klimatischen Variablen haben die marine Fisch- und Aquakulturproduktion beeinträchtigt und beeinflussen diese weiterhin, wobei Methoden des maschinellen Lernens (ML) bislang nur begrenzt zur Untersuchung aquatischer Systeme in Malaysia eingesetzt wurden. ML-basierte Algorithmen könnten mit der Bedeutung der Merkmale kombiniert werden, d.h. (Merkmale, die die größte prädiktive Kraft haben), um eine bessere Vorhersagegenauigkeit zu erreichen und neue Erkenntnisse zur Fischproduktion zu gewinnen. Ziel dieser Forschung ist es, eine ML-basierte Vorhersage der marine Fisch- und Aquakulturproduktion zu entwickeln. Basierend auf den Wichtigkeitsscores der Merkmale wählen wir die Gruppe der klimatischen Variablen für drei verschiedene ML-Modelle: lineare Regression, Gradient Boosting und Random Forest Regression. Die Daten der letzten 20 Jahre (2000–2019) zu klimatischen Variablen und Fischproduktionsdaten wurden verwendet, um die ML-Modelle zu trainieren und zu testen. Schließlich kombiniert ein ensemblebasierter Ansatz namens Voting-Regression diese drei ML-Modelle. Leistungsmetriken werden generiert, und die Ergebnisse zeigen, dass das ensemblebasierte ML-Modell R2-Werte von 0,75, 0,81 und 0,55 für Salzwasser, Süßwasser und Brackwasser erzielt, was besser abschneidet als das einzelne ML-Modell bei der Vorhersage aller drei Arten von Fischproduktion (in Tonnen) in Malaysia.