Machine Learning-based Prediction of SVI Parameter in Maize: A Comparative Study and Feature Importance Analysis
Mustafa Turan Arslan · Gülay Zülkadir
用四种机器学习模型基于39个玉米基因型盐胁迫发芽数据预测幼苗活力指数SVI。
39个玉米基因型在三种盐浓度下的发芽数据，归一化后用RF、CatBoost、Li
SVR泛化最优（R²=0.9712），CatBoost训练拟合最高；App参数对SVI影响最大。
可扩展到多作物多胁迫环境，结合光谱或图像表型数据提升SVI预测的田间适用性。
方法对比扎实、结论可靠，但属细分领域论文，产业影响有限，适合主题聚合而非头条精选。
背景：准确估计幼苗活力指数（SVI）对于精准农业中监测植物健康和预测产量至关重要。本研究比较评估了不同机器学习算法在估计SVI参数方面的性能。方法：从39个玉米基因型在三种不同盐度条件（0 mM、100 mM和200 mM NaCl）下收集发芽数据，包括Gmax、MGT、GI、SL、RL、SdL、SMR、RMR和SVI等参数。数据集通过归一化至[0–1]范围进行预处理。采用四种不同的机器学习方法估计SVI参数：随机森林、CatBoost、LightGBM和支持向量回归（SVR）。为评估模型性能，采用了10折交叉验证和80%–20%留出验证技术。使用RMSE、MSE、MAE和R²指标检验模型性能。结果：研究结果表明，所有模型在训练数据集中均具有较高的解释力。具体而言，CatBoost模型在训练阶段表现出最高的成功率（R²=0.9962），而SVR模型在测试数据集上取得了最高的泛化性能（R²=0.9712，RMSE=0.0582）。特征重要性分析结果显示，在大多数模型中，“App”参数对目标变量的影响最大，但在LightGBM模型中不同的结构交互作用更为突出。结果表明，机器学习技术在SVI估计中提供了高精度，且过拟合倾向有限。结论：总之，本研究证实机器学习技术是精准农业应用中估计光谱指数的强大而可靠的工具。将SVR和基于集成的模型整合到农业决策支持系统中，预计将显著有助于优化资源利用和改善产量预测。