基于先进机器学习的生态集成模型用于预测多种栽培系统中的晚疫病

本文提出了一个基于机器学习的框架，用于分析和预测马铃薯晚疫病（由水霉菌引起），涉及两种不同的栽培系统——生态和集成——使用六种马铃薯品种。应用传统统计方法，包括二因素方差分析（ANOVA）和Tukey的诚实显著性差异（HSD）检验，以评估栽培系统、马铃薯品种和年份的影响。为了提高预测准确性和模型可解释性，开发了一种先进的机器学习管道，称为生态集成模型。该模型集成了SMOTE（合成少数类过采样技术）以处理类别不平衡，SHAP（Shapley加法解释）用于可解释性和特征重要性分析，以及CatBoost分类器以实现稳健的高性能预测。数据集在三年（2018-2020）内收集，包含多品种和系统特定的晚疫病发生记录，作为模型训练和评估的输入。所提出的生态集成模型显示出高预测能力，表明集成栽培系统在抑制疾病进展方面通常更为有效。此外，通过统计和机器学习分析确定了晚疫病易感性的重要品种差异。这些发现突显了将可解释的、数据驱动的方法整合到植物疾病预测中的价值。生态集成模型提供了一种可扩展、可解释和准确的预测解决方案，为精准农业实践做出贡献，支持可持续马铃薯生产和疾病管理策略的基于证据的决策。