对预测大豆黄色马赛克病毒发病率的混合和单个模型的比较评估

科学领域:

• 农业科学 农业科学
• 数据科学数据科学数据科学
• 植物病理学 植物病理学

背景情况:

• 准确预测作物疾病严重程度对于农业生产率至关重要.
• 天气条件显著影响作物疾病发病率,需要预测模型.
• 对于像大豆黄色马赛克病毒 (SYMV) 这样的疾病,选择最佳预测模型仍然是一个挑战.

研究的目的:

• 调查各种天气因素对大豆黄色马赛克病毒 (SYMV) 发病率的影响.
• 开发和比较六种多变量预测模型对大豆疾病严重性的性能.
• 通过使用历史天气和疾病数据,确定最有效的预测模型.

主要方法:

• 开发和评估了六种多变量模型:逐步多重线性回归 (SMLR),人工神经网络 (ANN),LASSO,回归 (RR),弹性网络 (ELNET) 和SMLR_ANN,有或没有主要组件分析 (PCA).
• 利用了来自Uttarakhand的Pantnagar的20年 (2001-2020) 的数据,将其分成80%用于校准和20%用于验证.
• 使用统计标准评估模型准确性:R2,根平均平方误差 (RMSE),规范RMSE (nRMSE),平均绝对误差 (MAE),预测误差 (PE) 和效率因子 (EF).

主要成果:

• 在预测大豆疾病严重程度方面,PCA-SMLR-ANN模型的准确度最高 (nRMSE_val = 0.76%),紧随其后的是PCA-ANN模型 (nRMSE_val = 3.67%).
• 结合PCA的混合模型,如PCA-SMLR-ANN和PCA-ANN,显著优于SMLR (nRMSE_val = 47.72%) 和ANN (nRMSE_val = 6.82%) 等单个模型.
• 建立了一个明确的性能层次,混合模型通常表现优于单个回归或ANN模型.

结论:

• 将主要组件分析 (PCA) 与统计和机器学习技术相结合的混合模型对于预测大豆疾病严重程度非常有效.
• 基于天气的预测模型,特别是先进的混合方法,在研究地区为控制大豆黄色马赛克病毒 (SYMV) 提供了更高的效率.
• 这些发现为开发强大的作物疾病预测系统提供了宝贵的见解,以提高农业生产率和可持续性.