使用机械学和机器学习模型,预测德克萨斯州玉米中阿弗拉托克辛污染疫情的爆发
Lina Castano-Duque1, Angela Avila2, Brian M Mack1
1USDA, Agriculture Research Service, Southern Regional Research Center, New Orleans, LA, United States.
使用遥感,土壤和天气数据,可以预测德克萨斯州玉米中的亚拉托克辛爆发. 拉特科夫斯基-ARI神经网络模型表现最好,特别是在热湿地区.
科学领域:
- 农业科学 农业科学
- 菌类学 菌类学是指菌类学.
- 遥感 遥感 遥感 遥感
背景情况:
- 非洲毒素是危险的致癌和致变菌毒素,污染食品和料.
- 预测和减轻玉米等农作物中偏毒素的污染对于食品安全至关重要.
研究的目的:
- 开发和评估模型来预测德克萨斯州种植的玉米中阿弗拉托克辛爆发的情况.
- 利用动态的地理空间,土壤和气象数据进行准确的疫情预测.
主要方法:
- 开发了三条模型管道:两个是机械式的,一个是以天气为中心的,所有这些都利用了土壤的特性.
- 雇佣的亚毒素风险指数 (ARI) 通过使用卫星衍生的NDVI.玉米现象模型进行加权.
- 使用各种输入数据集进行训练和验证的梯度增强和神经网络模型.
主要成果:
- 拉特科夫斯基-ARI神经网络 (nnet) 模型实现了73%的准确性,71%的灵敏性和74%的特异性.
- 在热潮湿的德克萨斯州地区,确定了 aflatoxin爆发和ARI热点之间的正相关性.
- 在不同农业生态区中,发现了阿弗拉托克辛污染和土壤特性 (pH,液压导电性,有机物质,碳酸) 之间的显著关系.
结论:
- 拉特科夫斯基-ARI nnet 模型有效地预测了德克萨斯州玉米中的 aflatoxin 爆发.
- 农业生态因素和特定的土壤特性显著影响着亚拉托克辛污染的风险.
- 德克萨斯州的玉米种植者应考虑土壤健康和水文参数,以制定有效的偏毒素减轻策略.
更多相关视频
10:01Quantification of Fungal Colonization, Sporogenesis, and Production of Mycotoxins Using Kernel Bioassays
Published on: April 23, 2012
09:21Inhibition of Aspergillus flavus Growth and Aflatoxin Production in Transgenic Maize Expressing the α-amylase Inhibitor from Lablab purpureus L.
Published on: February 15, 2019
相关概念视频
Steps in Outbreak Investigation
Light Acquisition
Mechanistic Models: Compartment Models in Individual and Population Analysis
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
