International Journal of Drug Delivery Technology·10月17日 · 周六论文智慧农业 / 农业物联网阅读 1
Cotton pest and disease multi-class classification with weather and temporal predictors features across Indian agroclimatic zones
论文解读
55未达精选线
速览
用农业气象变量与时间特征构建机器学习模型，实现印度棉区棉铃虫多级发生预测。
方法
气象数据加周期编码与滞后特征，比较SVM等模型，5折交叉验证。
发现
SVM测试精度最高达89.4%，能有效刻画气候与虫害动态关系。
机会点
可引入遥感植被指数与实时气象物联网数据，构建跨区域可迁移的病虫害预警系统。
影响力8
信息增量18
专业深度14
信源权威6
时效性9
研究用多类机器学习模型结合气象与时序特征预测棉铃虫风险，方法扎实但属细分领域应用研究，信源期刊权威性一般，公共影响有限。
原文摘要
棉红铃虫（Pectinophora gossypiella）仍是影响棉花产量最具破坏性的害虫之一，其发生程度受气候波动和作物物候的强烈驱动。本研究提出了一种基于机器学习的框架，利用农业气象变量对棉红铃虫的发生进行早期多分类与预测。数据集包括最高和最低气温、相对湿度、降雨量、日照时数、蒸发量和风速，这些因素均影响棉红铃虫的发育、迁移和繁殖周期。经过预处理、对时间变量应用循环编码并生成滞后气候特征后，训练并系统比较了多种机器学习算法，包括支持向量机（SVM）、神经网络、K近邻（KNN）、回归模型、集成方法和朴素贝叶斯。SVM模型表现出最佳的测试准确率，有效捕捉了气候与害虫之间的动态相互作用。所构建的基于MATLAB的分类工具可实现快速评估，并支持气候信息驱动的害虫监测。采用分层80：20的训练-测试划分，并在训练集上进行5折交叉验证以调优超参数，确保各分区之间无数据泄漏。这些模型的验证准确率和训练准确率分别为89.4%和96%。总体而言，该模型为棉红铃虫风险的早期检测提供了一种实用且可解释的解决方案，从而有助于综合害虫管理（IPM）和精准农业中的科学决策。