可持续植物保护:使用Puma优化检测马病原体的智能监测和建议框架
Amal H Alharbi1, Faris H Rizk2, Khaled Sh Gaber3
1Department of Computer Sciences, College of Computer and Information Sciences, Princess Nourah bint Abdulrahman University, Riyadh, Saudi Arabia.
Frontiers in plant science
|September 2, 2025
概括
这项研究引入了用于马疾病分类的混合人工智能框架,使用Puma Optimization (PO) 与Restricted Boltzmann Machines (RBM) 显著提高了准确性,达到98.54%.
科学领域:
- 农业科学
- 人工智能
- 计算生物学
背景情况:
- 增加的作物疾病威胁到农业的可持续性.
- 智能,数据驱动的工具对于早期发现和干预至关重要.
- 现有的方法需要对复杂,高维生态数据进行增强.
研究的目的:
- 开发一种新的杂交框架来对土豆疾病进行分类.
- 整合基于的依赖模型与受限制的博尔茨曼机器 (RBM).
- 使用Puma优化 (PO) 算法优化框架以提高性能.
主要方法:
- 一个混合框架,结合基于的转换和RBM.
- 使用生物启发的PO算法对RBM进行超参数调整.
- 培训和评估现实世界数据集,包括42个农业学,微生物学和生态学变量.
主要成果:
- 经过PO优化的RBM获得了98.54%的准确性,超过了基线RBM (94.77%) 和其他分类器.
- 在灵敏度,特异性和F1得分上观察到显著的改善.
- 与PSO,GWO和GA相比,PO-RBM的计算效率更高.
结论:
- 拟议的框架提供了一个可扩展的,基于生态的决策支持系统,用于综合性害虫管理 (IPM).
- 这种方法可以在复杂的生态空间中进行高准确度的概率推断.
- 它提供了适应性,低影响植物健康监测的实用解决方案.
更多相关视频
06:28Author Spotlight: Unraveling Plant Responses to Abiotic Stresses Using the PlantScreen Robotic Platform
Published on: June 7, 2024
2.0K
10:35In vivo and In vitro Infection of Potato Roots with Plant Parasitic Nematodes for the Assessment of Induced Structural Changes
Published on: February 28, 2025
527
