使用机器学习的Ostrinia furnacalis (Guenée) 幼虫的Instar识别和体重预测

科学领域:

• 农业昆虫学 农业昆虫学
• 农作物保护科学 农作物保护科学
• 机器学习在农业中的应用

背景情况:

• 亚洲玉米虫 (Ostrinia furnacalis) 是一个主要的害虫,在玉米种植中造成重大经济损失.
• 有效的管理需要及时准确地识别幼虫阶段,这是当前农民面临的挑战.
• 幼虫体重预测对于优化控制策略也至关重要.

研究的目的:

• 开发用于准确识别Ostrinia furnacalis幼虫的模型.
• 为了创建预测模型来估计Ostrinia furnacalis幼虫体重.
• 通过数据驱动的洞察力,提高害虫管理策略的精度和有效性.

主要方法:

• 建立了9个分类和11个回归模型,使用几何,颜色和纹理特征.
• 使用准确度,精度,回忆,F1得分,R2,RMSE,MAE和MAPE等指标评估模型性能.
• 使用Shapley添加式解释 (SHAP) 进行特征重要性分析.

主要成果:

• 决策树分类器模型在阶段识别方面实现了最高准确度 (84%).
• 支持向量回归模型在幼虫体重预测方面表现出卓越的性能,R2为0.9742.
• 特性重要性分析为识别和重量估计提供了对关键区分特征的见解.

结论:

• 这项研究提出了一种新且准确的计算方法,用于识别Ostrinia furnacalis幼虫阶段并预测它们的体重.
• 这些模型为农业从业者提供了有价值的工具,以实施更有效的害虫管理策略.
• 这些发现有助于减少作物损害,提高玉米产量,通过精确的害虫监测.