在树中粉病指数的预测模型基于机器学习
Jiazheng Zhu1,2, Xize Huang1,2, Xiaoyu Liang1,2
1Sanya Institute of Breeding and Multiplication, Hainan University, Sanya 572025, China.
Plants (Basel, Switzerland)
|August 14, 2025
概括
准确预测树粉对于疾病管理至关重要. 机器学习模型,特别是Kernel Ridge回归模型,可以根据子度和环境因素有效预测疾病的进展.
科学领域:
- 植物病理学 植物病理学
- 农业气象 农业气象学
- 机器学习在农业中的应用
背景情况:
- 粉状菌 (由*Erysiphe quercicola*引起) 显著减少了中国的天然产量.
- 这种在空气中传播的病原体迅速传播,在有利条件下构成流行病风险.
- 预测和管理树粉是行业面临的关键挑战.
研究的目的:
- 调查子度,环境因素 (温度,湿度) 和感染时间对树粉状菌进展的影响.
- 开发和评估机器学习模型,用于预测树粉的疾病指数.
- 建立一个技术基础,以改善空气传播森林疾病的预测.
主要方法:
- 使用了六种不同的机器学习模型构建方法.
- 采用子度,温度,湿度和感染时间作为预测变量.
- 使用树中粉状菌的疾病指数作为响应变量.
主要成果:
- 子度与疾病的进展和严重程度直接相关;较高度导致更快,更严重的发展.
- 粉状真菌发育的最佳相对湿度是80%的RH,温度会影响这种关系.
- 所有模型都精确地模拟了疾病的进展,内核回归 (KRR) 显示了最高的准确性 (R2列车:0.978,R2测试:0.964).
结论:
- 机器学习模型为预测树粉提供了坚实的技术基础.
- 与传统预测方法相比,KRR模型提供了高精度,减少了劳动强度.
- 这项研究为预测空气传播森林疾病,改进疾病管理策略提供了宝贵的见解.
