深层学习模型用于英国小麦黄锈病长期预测的可行性研究：案例分析
机器学习
2025-01-28 v1
摘要
小麦黄锈病由真菌Puccinia striiformis引起，是影响英国小麦作物的关键疾病，导致重大的减产和经济损失。鉴于环境快速变化和致病性病原体的演变，亟需创新方法以预测和管理此类疾病的长期趋势。本研究探讨了使用深度学习模型预测英国场地小麦黄锈病爆发的可行性，提供一种主动的疾病管理方法。我们构建了一个包含历史天气信息和疾病指示器的黄锈病数据集，覆盖英国多个地区。采用两种强大的深度学习模型——全连接神经网络和长短期记忆网络（LSTM）开发预测模型，能够识别模式并预测未来疾病爆发。模型在随机切分的数据集上进行训练和验证，评估不同预测时间步长下的模型性能，基于准确率、精确率、召回率和F1分数。初步结果表明，深度学习模型能够有效捕捉影响疾病动态的多因素复杂相互作用，显示出相当精确地预测小麦黄锈病的潜力。具体而言，在6个月预测时间步长 setup 下，全连接神经网络实现了83.65%的准确率。这些发现凸显了深度学习在疾病管理中的潜力，使更早、更精确的干预成为可能。本研究提供了在农业领域应用深度学习的方法学框架，也为增强预测模型在全球范围内对作物疾病的鲁棒性和适用性开辟了未来研究的道路。
引用
@article{arxiv.2501.15677,
title = {Exploring the Feasibility of Deep Learning Models for Long-term Disease Prediction: A Case Study for Wheat Yellow Rust in England},
author = {Zhipeng Yuan and Yu Zhang and Gaoshan Bi and Po Yang},
journal= {arXiv preprint arXiv:2501.15677},
year = {2025}
}