基于处方数据Stacking的番茄病虫害诊断方法,Computers and Electronics in Agriculture
作物处方数据包含大量关于作物、环境和害虫的信息，并具有显着的诊断能力。目前，缺乏有效挖掘作物处方数据以进行准确诊断的可行方法。针对以上问题，我们研究的目的是挖掘处方数据信息，辅助农作物病害的精准诊断。本文探索了番茄病毒病、番茄晚疫病、番茄灰霉病、蚜虫、蓟马和粉虱六种病虫害，构建了基于处方数据挖掘的诊断模型。原始处方数据经过预处理、文本标记和一键编码。然后采用递归特征消除（RFE）方法从原始的50个特征中提取37个与农作物病虫害相关的关键特征。我们构建了基于两阶段 Stacking 集成学习的番茄病虫害诊断模型，以提高诊断准确性。实验结果表明，与十种诊断模型中的最佳模型（LGBM）相比，本文提出的诊断模型表现出略微优越的性能。最优 Stacking 模型由两层组成：包括 GDBT、XGBoost 和 LGBM 的基分类器和元分类器 RF。该模型对番茄病毒病的诊断准确率达到94.84%，F 我们构建了基于两阶段 Stacking 集成学习的番茄病虫害诊断模型，以提高诊断准确性。实验结果表明，与十种诊断模型中的最佳模型（LGBM）相比，本文提出的诊断模型表现出略微优越的性能。最优 Stacking 模型由两层组成：包括 GDBT、XGBoost 和 LGBM 的基分类器和元分类器 RF。该模型对番茄病毒病的诊断准确率达到94.84%，F 我们构建了基于两阶段 Stacking 集成学习的番茄病虫害诊断模型，以提高诊断准确性。实验结果表明，与十种诊断模型中的最佳模型（LGBM）相比，本文提出的诊断模型表现出略微优越的性能。最优 Stacking 模型由两层组成：包括 GDBT、XGBoost 和 LGBM 的基分类器和元分类器 RF。该模型对番茄病毒病的诊断准确率达到94.84%，F 和元分类器 RF。该模型对番茄病毒病的诊断准确率达到94.84%，F 和元分类器 RF。该模型对番茄病毒病的诊断准确率达到94.84%，F1 - 得分为 95.98%，总体准确率为 80.36%。它在多分类指标上也表现良好：Macro avg（Precision：76.55%，Recall：78.17%，F 1 -score：77.05%）和Weighted avg（Precision：80.96%，Recall：80.36%，F 1 -score : 80.50%)。此外，在特征选择之后，基于 Stacking 的诊断模型可以减少 12.08% 的运行时间，而诊断准确率保持不变。所提出的诊断模型满足现实世界的诊断要求。该工作为未来农作物病虫害诊断提供了新的研究理念和方法学基础。
"点击查看英文标题和摘要"
相关知识
基于CNN的农作物病虫害图像识别模型
基于粗糙集和BP神经网络的棉花病害识别
基于神经结构搜索的多种植物叶片病害识别
面向大规模多类别的病虫害识别模型
基于SK
多源图像融合技术在棉花病虫害诊断中的应用
电子鼻检测农作物病虫害的研究进展
作物病虫害高光谱遥感进展与展望
六月花卉常见病虫害案例诊断与处方
确定韩国水稻病虫害人工神经网络预测模型开发的最小数据量,Computers and Electronics in Agriculture
网址: 基于处方数据Stacking的番茄病虫害诊断方法,Computers and Electronics in Agriculture https://m.huajiangbk.com/newsview522601.html
| 上一篇: 棉花常见病虫害诊断与防治方法 |
下一篇: 黄花菜病虫害防治技术与方法措施（ |
