基于机器学习的种子特性与等离子体参数集成框架，用于预测作物发芽提升
机器学习
2025-10-29 v1
摘要
冷等离子体（CP）是一种环保方法，可增强种子发芽，但由于种子-等离子体-环境间复杂的相互作用，发芽结果仍难以预测。本研究首次提出一种机器学习框架，用于预测 soybean、barley、sunflower、radish 和 tomato 在介质屏障放电（DBD）等离子体下的发芽提升情况。经测试的模型包括 GB、XGB、ET 以及混合模型，其中 Extra Trees（ET）表现最佳（R² = 0.919；RMSE = 3.21；MAE = 2.62），特征降维后提升至 R² = 0.925。工程分析揭示了激素反应：在 <7 kV 或 <200 s 时效果可忽略，发芽在 7--15 kV 维持 200--500 s 时达到最大，超过 20 kV 或长时间暴露则导致发芽下降。放电功率也是重要因素，发芽率在 ≥100 W 且暴露时间较短时达到最大值。作物和品种层面的预测显示，radish（MAE = 1.46）和 soybean（MAE = 2.05）建模一致性高，而 sunflower 仍略显不稳定（MAE = 3.80）。在各品种中，Williams（MAE = 1.23）和 Sari（1.33）预测较好，而 Arian（2.86）和 Nyírségi fekete（3.74）则表现较差。该框架还集成到 MLflow 中，为在精密农业中优化 CP 种子发芽提供决策支持工具。
引用
@article{arxiv.2510.23657,
title = {A machine learning framework integrating seed traits and plasma parameters for predicting germination uplift in crops},
author = {Saklain Niam and Tashfiqur Rahman and Md. Amjad Patwary and Mukarram Hossain},
journal= {arXiv preprint arXiv:2510.23657},
year = {2025}
}