Machine Learning-Based Decision Support System for Greenhouse Crop Management Under Mite Infestation Conditions

方法

NetLogo仿真生成合成数据，集成机器学习模型与网页界面。

发现

螨害预测准确率达86%，可缓解数据稀缺并减少农药滥用。

机会点

可探索小样本下合成数据与迁移学习结合，提升发展中国家温室病虫害预测泛化能力。

本文提出了一种基于机器学习的集成决策支持系统（DSS），用于螨虫侵染条件下的温室作物管理，专为斯里兰卡农业情境设计。该研究针对温室农户在害虫管理和作物生产力优化方面面临的关键挑战，通过一个综合系统加以解决，该系统结合了用于合成数据生成的NetLogo仿真、集成机器学习模型以及基于网络的界面。针对斯里兰卡温室农户的实地研究表明，螨虫侵染可导致高达40%的作物损失，进而引发恐慌性农药过度使用以及害虫管理时机方面的知识缺口。该系统整合了环境监测、害虫预测和作物产量预测，为农户提供可操作的推荐建议。螨虫侵染预测模型达到了86%的准确率，同时该系统通过基于智能体的建模成功应对了数据稀缺的挑战。该决策支持系统展现出将被动应对式耕作实践转变为预测性、数据驱动方法的潜力，同时兼顾了发展中农业情境的技术约束。