Резюме

Заден план

В това проучване сравнихме четири модела за прогнозиране на болестта на оризовия взрив, два модела, базирани на оперативни процеси (Yoshino и Water Accounting Rice Model (WARM)) и два подхода, базирани на алгоритми за машинно обучение (M5Rules и Recurrent Neural Networks (RNN)), първият предизвиква модел, основан на правила, а вторият изгражда невронна мрежа. Телеметрията на място е важна за получаване на качествени данни на място за прогнозни модели и това беше ключов аспект на проекта RICE-GUARD, на който се основава това проучване. Според авторите това е първият път, когато се сравняват подходи, базирани на процеси и машинно обучение за подпомагане на управлението на болестите по растенията.

Резултати

Резултатите ясно показаха, че моделите са успели да предоставят предупреждение за появата и присъствието на взривове от ориз, като по този начин представляват подходящи решения за превантивни коригиращи действия, насочени към смекчаване на загубите на добив и намаляване на използването на фунгициди. Всички методи дават значителни „сигнали“ по време на периода на „ранно предупреждение“, с подобно ниво на ефективност. M5Rules и WARM дадоха максималните средни нормализирани резултати съответно от 0,80 и 0,77, докато Yoshino даде най-добрия резултат за един сайт (Kalochori 2015). Най-добрите средни стойности на r и r 2 и% MAE (средна абсолютна грешка) за моделите на машинно обучение са съответно 0,70, 0,50 и 0,75, а за моделите, базирани на процеса, съответните стойности са 0,59, 0,40 и 0,82. По този начин беше установено, че моделите ML са конкурентни на моделите, базирани на процеса. Този резултат има релевантни последици за оперативното използване на моделите, тъй като повечето от наличните проучвания са ограничени до анализ на връзката между резултатите от модела и честотата на взривяване на ориз. Резултатите също така показаха, че методите на машинно обучение приближават ефективността на два процесно-базирани модела, използвани години наред в оперативен контекст.

Заключения

Модели, базирани на процеси и данни, могат да бъдат използвани за осигуряване на ранни предупреждения за предвиждане на взрив от ориз и откриване на неговото присъствие, като по този начин се подпомагат приложенията на фунгициди. Моделите, базирани на данни, получени от методите на машинно обучение, са жизнеспособна алтернатива на базирани на процеса подходи и - в случаите, когато са налични набори от данни за обучение - предлагат потенциално по-голяма адаптивност към новия контекст.

Заден план

прогнозиране

Управлението на бластната болест е широко разследвано от много изследователи в няколко страни [10,11,12,13,14,15,16,17,18,19,20,21]. Въпреки всички усилия, оризовият взрив никога не е бил напълно елиминиран от регион, в който се отглежда ориз - единична промяна в практиките или начина, по който се използват резистентни гени, може да доведе до връщане към наличие на болести дори след много години успешно управление [22]. По този начин приложението на фунгициди все още остава най-ефективният метод за контрол на оризовия взрив, въпреки че поражда съмнения относно въздействието на химикалите върху околната среда и тяхната роля за предизвикване на устойчивост на фунгициди в популациите на патогени [23].

Сред методите за управление и контрол на голяма болест като оризов взрив ключова роля играят системите за прогнозиране. Прогнозите за заболяванията наистина могат да помогнат на земеделските производители и други крайни потребители да вземат стратегически решения относно броя и времето на прилагане на фунгициди, да дефинират практики на торене, като избягват луксозната консумация (от своя страна увеличава чувствителността на растенията) и дори да прогнозират добивите [24]. В биологично отношение обаче системите за прогнозиране се основават на предположения относно взаимодействията на патогена с гостоприемника и околната среда, които са широко известни като „триъгълник на болестта“, чиито три страни са: а) „благоприятни условия“, б) „вирулентни патоген “и в)„ податлив гостоприемник “[25]. Наличието на здрави и надеждни системи за ранно предупреждение би позволило да се предотврати експлозивният характер на болестта чрез навременното прилагане на мерки за контрол [26]. Това би се превърнало в намаляване както на загубите на добив, така и на приложенията на фунгициди, като по този начин ще сведе до минимум отпечатъка върху околната среда при отглеждането на ориз.

Katsantonis et al. [4] направи цялостен преглед на 52 модела за прогнозиране на взрив на ориз, разработени и използвани в цял свят, който подчерта подходите от Yoshino [27] и от модела WARM ориз [28, 29] като имащи добър потенциал за оперативни приложения. Йошино представлява един от най-ранните опити за моделиране на прогнози за взрив на ориз и е широко включен в много оперативни системи за предупреждение. WARM е резултат от по-нови изследвания и е част от услугата на ЕС „Мониторинг на земеделски ресурси“ (MARS) и от оперативни системи за ранно предупреждение, използвани в Италия [24]. Това доведе до разглеждането на подходите Yoshino и WARM като системи за сравнително оценяване за настоящото проучване.

Целта на настоящото проучване беше да се сравнят базираните на процесите модели Yoshino и WARM с алтернативни подходи, базирани на два различни алгоритма за машинно обучение: M5Rules и RNN.

Според знанията на авторите това е първият път базирани на процесите модели и подходи за машинно обучение се сравняват с помощта на един и същ набор от данни. Освен това, освен стандартни показатели (r, r 2 и% MAE) за количествено определяне на съгласието между изхода на модела и честотата на взрив на ориз, ние използвахме и метриката AUC (Area Under Curve) за оценка на успеха на моделите „ранно предупреждение“ в началото от периода на поява на ориз. Това е особено важно в светлината на използването на подходи за прогнозиране на оризови взривове в подкрепа на прилагането на фунгициди в оперативен контекст.

В заключение към основния раздел бихме искали да заявим няколко нови аспекта на нашата работа по отношение на състоянието на техниката (други нови аспекти са посочени в края на раздела за дискусия): (i) използването на правило за индукция модел (почти всички други публикувани изследвания използват моделиране на „черна кутия“ като SVM и невронни мрежи) като техника на машинно обучение. Индукцията на правилата предоставя правилни за четене правила, които могат да бъдат интерпретирани, за да дадат представа за поведението и взаимоотношенията между индикаторите за взрив на ориз; (ii) сравнение на базирани на процеси модели (Yoshino и WARM) с модели на машинно обучение (изградени с M5Rules и RNN), докато състоянието на техниката (вж. раздела за заден план) сравнява само модели, базирани на процеси, или само ML (машинно обучение)/статистически построени модели; (iii) проектът на RICE-GUARD на ЕС използва най-съвременното метрологично оборудване за събиране на данни, за да получи наборите от данни, използвани в настоящото проучване. Това представлява подобрение на данните, които обикновено са налични в реални сценарии (публични метеорологични доклади), които често са по-малко надеждни или по-регионални по своя характер.

Проектът RICE-GUARD

RICE-GUARD [32] е проект на FP7 на ЕС, насочен към събиране на данни за телеметрични данни на място с цел подобряване на предсказуемата способност на модела Yoshino [14, 27] за взривяване на ориз, като го сравнява с неотдавнашния WARM подход [28, 29]. По-специално, RICE-GUARD разработи евтина безжична сензорна мрежа (WSN) за повишаване на представителността на метеорологичните данни, използвани за подаване на системи за прогнозиране на оризови взривове. RICE-GUARD WSN се основава до голяма степен на напредъка в технологията Internet of Things (IoT), която позволява внедряването на безжични мрежи и радиочестотни комуникации за събиране на реално време, пространствено разпределени данни за времето (фиг. 2). Всъщност, въпреки че данните за времето са основният двигател на взривните модели, неговата надеждност често е застрашена от пространственото разпределение на метеорологичните станции, които често са разположени извън зоните за отглеждане на ориз. Получената несигурност, която често характеризира съществуващите системи за предупреждение за взрив, води до липса на доверие в консултативните бюлетини и до прекомерна употреба на фунгициди, което води до значителни икономически и екологични разходи.

Станция за улавяне на данни RICE-GUARD, разположена извън неолющеното поле, за събиране и предаване в реално време на показания от полевите сензори