ใช้ข้อมูลปี 2002–2025 และตัวแปรสิ่งแวดล้อมเปรียบเทียบ 9 อัลกอริทึมในประมงพาณิชย์และประมงเทศบาลของฟิลิปปินส์ 32 panel พร้อม SHAP อธิบายตัวแปรสำคัญ
ข้อค้นพบสำคัญ
- kernel/neural ชนะ 26 จาก 32 panel และ composite score สูงกว่า tree ensemble เฉลี่ย 12.7% partial pressure CO2 เป็นตัวแปรนำ แต่ความสำคัญและแบบจำลองที่ชนะต่างกันมากตามภูมิภาค
ทำไมจึงมีความสำคัญระดับโลก
ประมงได้รับผลจากภูมิอากาศและเศรษฐกิจในหลายประเทศ งานนี้สนับสนุนแบบจำลองเฉพาะพื้นที่และ explainability แต่ SHAP อธิบายแบบจำลอง ไม่พิสูจน์เหตุทางนิเวศ
บทบาทของนักวิจัยไทย
Paul B. Bokingkito, Krisanadej Jaroensutasinee และ Mullica Jaroensutasinee มีสังกัดมหาวิทยาลัยวลัยลักษณ์และร่วมพัฒนากรอบพยากรณ์ประมงฟิลิปปินส์
ข้อจำกัดที่ควรรู้
ความคลาดเคลื่อนยังสูง การ extrapolate ตัวแปรแนวโน้มเสี่ยงต่อ regime change และไม่มีข้อมูล effort, policy หรือเศรษฐกิจบางส่วน ความสัมพันธ์ CO2 ไม่ใช่สาเหตุโดยตรง
ตรวจสอบแหล่งต้นทาง
Machine Learning and Knowledge ExtractionMachine Learning and Knowledge Extraction↗DOI: 10.3390/make8070197