Scientific Reports·9月17日 · 周四论文农业人工智能与决策模型阅读 0
Advanced olive leaf area prediction using machine learning methods
Ahmad Reza Dadras · Hossein Sabouri · Ali Tanhaei 等 4 人
论文解读
73接近精选线
速览
用机器学习基于叶长宽非破坏性预测30个橄榄品种叶面积，PSO优化ANN精度最高。
方法
30个品种叶长宽数据，六种ML算法结合贝叶斯、GA、PSO优化。
发现
PSO优化ANN最优（R²=0.9828），外部8品种验证R²>0.98，通用性好。
机会点
可拓展至多物种、多环境及无人机/手机图像自动测量，构建通用叶面积表型平台。
影响力12
信息增量20
专业深度17
信源权威14
时效性10
基于30个品种的机器学习叶片面积无损预测研究，方法新颖、验证充分，对精准农业与表型分析有实用价值，但属细分领域技术进展，影响范围有限。
原文摘要
摘要 准确的叶面积估算对于理解油橄榄树的生理特性、生产力及逆境适应性至关重要。本研究在伊朗塔罗姆油橄榄研究站，利用来自30个不同品种的线性测量数据（长度和宽度），开发并评估了用于无损油橄榄叶面积预测的机器学习模型。采用贝叶斯优化、遗传算法（GA）和粒子群优化（PSO）对六种机器学习算法——人工神经网络（ANN）、支持向量回归（SVR）、随机森林、决策树、AdaBoost和XGBoost——进行了优化。结果表明，在大多数模型中，PSO始终优于其他优化方法。经PSO优化后的ANN模型取得了最高的预测精度（R² = 0.9828，RMSE = 0.3009 cm²）。利用另外八个品种进行的外部验证证实了模型的泛化能力，通用ANN模型保持R² > 0.98。本研究为适用于不同品种的油橄榄叶面积估算提供了一种稳健的无损方法，为气候变化条件下的精准农业、表型分析和果园管理提供了实际应用价值。
信源（1 个）