机器学习的应用,用于预测德克萨斯州玉米中阿弗拉托克辛污染风险
Kyung-Min Lee1, Timothy J Herrman1, Il-Kyu Kim2
1Office of the Texas State Chemist, Texas A&M AgriLife Research, Texas A&M University System, College Station, Texas, USA.
概括
机器学习模型准确地预测了德克萨斯州玉米中的 aflatoxin污染. 渐变增强决策树模型实现了近99%的准确性,识别了预防的关键天气和土壤因素.
科学领域:
- 农业科学 农业科学
- 数据科学数据科学数据科学
- 环境科学 环境科学
背景情况:
- 玉米中阿弗拉托克辛污染对作物产量和食品安全构成重大风险.
- 预测建模对于农业环境中偏毒素污染的积极管理至关重要.
研究的目的:
- 开发和评估机器学习模型,用于预测德克萨斯州玉米中 aflatoxin污染.
- 确定影响亚拉托克辛污染的关键环境和土壤因素.
主要方法:
- 利用了来自德克萨斯州973个县的9,694个玉米样本 (2010-2023年).
- 经过训练的模型使用历史的亚毒素数据 (个体/中位数),包括天气,AFRI,NDVI和土壤特性.
- 使用70/30分割和在5微克/千克和20微克/千克的门时一年的验证来评估模型性能.
主要成果:
- 在中位数数据上的渐变增强决策树 (GBDT) 模型实现了~99%的准确性.
- GBDT 模型在预测 aflatoxin 存在/不存在方面表现出高灵敏度和特异性.
- 与更高的开花前降水/AFRI/NDVI相关的污染,在开花/后开花阶段较低.
- 土壤水分,粘土含量,pH值和碳酸是重要的预测因素.
结论:
- 开发的GBDT模型对于预测德克萨斯州玉米中 aflatoxin污染非常有效.
- 确定了关键的天气和土壤因素,为种植者提供了可操作的见解.
- 这些模型和已识别的预测因子可以帮助制定预防性策略,防止偏毒素污染.
更多相关视频
10:01Quantification of Fungal Colonization, Sporogenesis, and Production of Mycotoxins Using Kernel Bioassays
Published on: April 23, 2012
18.8K
10:24Author Spotlight: Quantification of Aflatoxins and Phytoalexins in Peanut Seeds to Identify Genetic Resistance Against Aspergillus
Published on: April 19, 2024
1.7K
