机器学习方法有助于预测植物树冠中白的时空动态

科学领域:

• 农业昆虫学 农业昆虫学
• 机器学习在作物保护中的应用
• 植物科学 植物科学

背景情况:

• 精确的昆虫害虫侦察和种群预测对于有效的作物管理至关重要.
• 白 (Bemisia tabaci) 对棉花生产构成重大威胁,需要有效的监测策略.
• 当前的侦察方法可能是劳动密集型的,可能无法完全捕捉植物树冠内的种群动态.

研究的目的:

• 开发和验证一种机器学习算法,用于预测棉花的白种群.
• 确定关键的工厂位置 (节点) 以进行高效的白侦察和种群估计.
• 评估将预测模型集成到实时害虫管理系统中的可行性.

主要方法:

• 每天对64种无农药棉花植物进行侦察,重点关注白数量高的节点.
• 利用线性混合效应模型来分析随时间推移的人口分布.
• 采用袋装集团人工神经网络回归模型来预测整个树冠的白种群.

主要成果:

• 确定前3到5个植物节点是白的主要息地,单个节点可能容纳总人口的44.4%.
• 袋装集团人工神经网络回归模型实现了高预测准确度 (R2 = 85.57%) 的天花板白种群.
• 在实际和预测的白数量之间观察到强烈的相关性,表明模型可靠性.

结论:

• 对上层植物节点的战略采样可以提供对整体白种群的可靠估计.
• 开发的机器学习模型为在棉花中实时预测白种群提供了一个有前途的工具.
• 将该模型集成到自动化系统中可以提高害虫侦察操作的效率和准确性.