小麦种植适合性评估带状病:基于人工智能生成的内容和优化驱动的重叠社区检测的农业团体共识框架

科学领域:

• 农业科学 农业科学
• 计算生物学 计算生物学
• 植物病理学 植物病理学

背景情况:

• 植物建模对于精准农业至关重要,有助于作物监测和资源管理.
• 小麦条纹生通过降低产量稳定性,对全球粮食安全构成重大威胁.
• 目前评估条纹生严重性的方法受到有限的区域数据和不一致的专家评估的挑战.

研究的目的:

• 制定一个框架来评估小麦的种植适合性,考虑到条纹病.
• 解决疾病严重程度评估中的多属性,多决策者共识问题.
• 利用人工智能增强小麦病理学家的参与和共识.

主要方法:

• 使用Claude 3.7的人工智能生成内容 (AIGC) 通过角色扮演和思维链提示模拟专家评分.
• 使用图形神经网络 (GNN) 在社交网络中传播信任和专家权重.
• 集成的秘书鸟优化 (SBO),K-means和三向集群用于子组检测和意见分歧减少.
• 实施了两阶段的优化,以平衡集团公平性和调整成本,以便在实践中达成共识.

主要成果:

• 拟议的小麦种植适合性评估与条纹病 (WCSE-AGC) 框架有效地模拟专家信任,并确定子组.
• 优化技术的整合改善了共识的包容性,收性和实用性.
• 在埃塞俄比亚,印度,土耳其和中国的真实世界数据集上的实验验证证明了该框架的有效性和稳定性.

结论:

• WCSE-AGC框架提供了一个强大的解决方案,用于评估小麦在条纹生压力下适合种植.
• AIGC技术可以成功模拟专家判断,克服专家可用性和一致性的局限性.
• 该研究通过提供更可靠的疾病相关风险评估和管理方法来增强精准农业战略.