基于LSTM对Plasmopara viticola sporangia度的动态变化进行建模,并了解相对因子可变性的影响

科学领域:

• 农业科学 农业科学
• 植物病理学 植物病理学
• 机器学习在农业中的应用

背景情况:

• 有效的植物疾病管理取决于了解病原体的流行率.
• 对病原体子度动态的准确建模对于疾病预测至关重要.

研究的目的:

• 开发和验证一种新的长短期记忆 (LSTM) 网络模型,用于分析Plasmopara viticola sporangia度动态.
• 评估环境因素对每日P. viticola sporangia度的影响.

主要方法:

• 利用来自中国北方的4年实地实验数据集.
• 使用长短期记忆 (LSTM) 网络进行时间序列建模.
• 应用主要组件分析 (PCA) 用于输入选和模拟校准.

主要成果:

• 实现了高模型性能,R2=0.99,RMSE=0.87,MBE=0.55,灵敏度=91.5%,和特异性=96.5%. 在这个模型中,R2=0.99,RMSE=0.87,MBE=0.55,敏感度=91.5%,特异性=96.5%.
• 确定了影响P. viticola sporangia度的关键环境因素.
• 证实,低日平均气温限制病原体的发展,即使在高湿度下.

结论:

• 开发的LSTM模型为预测Plasmopara viticola子动态提供了一个可靠的工具.
• 环境因素,特别是温度,在调节病原体扩散方面发挥着关键作用.
• 这种预测能力支持葡萄栽培中积极的疾病管理策略.