机器学习中的人类极限:利用土壤微生物群数据预测土豆产量和疾病
Rosa Aghdam1, Xudong Tang1, Shan Shan2
1Wisconsin Institute for Discovery, University of Wisconsin-Madison, Madison, WI, USA.
BMC bioinformatics
|November 26, 2024
概括
机器学习模型使用土壤数据和微生物信息准确预测植物性能. 仔细的数据预处理和准确的样本分类是改善土壤健康和农业预测的关键.
科学领域:
- 农业科学 农业科学
- 环境科学 环境科学
- 计算生物学 计算生物学
背景情况:
- 土壤健康对农业,人类健康和生物多样性至关重要.
- 机器学习 (ML) 提供了从土壤特性预测生物表型的潜力.
- 本研究研究了用于土壤植物性能预测的ML模型.
研究的目的:
- 用土壤数据评估ML模型对植物性能的预测能力.
- 探索环境特征和数据预处理对预测准确性的影响.
- 为优化土壤科学中的ML模型选择提供决策树.
主要方法:
- 利用随机森林和贝叶斯神经网络模型.
- 集成土壤的生物,化学和物理特性与微生物群数据.
- 评估各种数据预处理策略,包括规范化和分类层面.
主要成果:
- 随着环境特征和微生物组数据的纳入,预测准确度得到了提高.
- 总和缩放规范化被确定为最佳的预处理策略.
- 准确的样本标签被发现比规范化或模型选择更为关键.
- 在样本分类中,ML性能受到人类精度的限制.
结论:
- 整合多样化的环境数据和仔细的预处理增强了ML对土壤-植物连接的预测能力.
- 这种方法有助于推进农业实践和土壤健康管理.
- 域名科学家可以使用提供的决策树来优化ML模型选择.
相关概念视频
01:59Plant Breeding and Biotechnology
Crop cultivation has a long history in human civilization, with records showing the cultivation of cereal plants beginning at around 8000 BC. This early plant breeding was developed primarily to provide a steady supply of food.
01:27Microorganisms in Agriculture and Food industry
Microorganisms play a crucial role in agriculture and the food industry, contributing to soil fertility, crop protection, and food production. Their functions range from nitrogen fixation and biopesticide production to fermentation and food preservation, making them indispensable to sustainable farming and food safety.Role in AgricultureNitrogen-fixing bacteria, such as Rhizobium (symbiotic) and Azotobacter (free-living), convert atmospheric nitrogen into ammonia through biological nitrogen...