《Journal of Cotton Research》:Nondestructive prediction of leaf area in colored cotton cultivars: a comparative approach using machine learning models with an interactive web interface
编辑推荐:
背景:叶面积(leaf area, LA)是植物生长和生理的关键指标,直接测量对植物具有破坏性。本研究旨在开发和比较机器学习模型[支持向量回归(support vector regression, SVR)、自适应神经模糊推理系统(adaptive neuro
背景:叶面积(leaf area, LA)是植物生长和生理的关键指标,直接测量对植物具有破坏性。本研究旨在开发和比较机器学习模型[支持向量回归(support vector regression, SVR)、自适应神经模糊推理系统(adaptive neuro-fuzzy inference system, ANFIS)和深度多层感知机(deep multilayer perceptron, DMLP)]以及线性回归(linear regression, LRM)用于对五个彩色棉花(colored cotton)品种的叶面积进行无损预测。共采集了1 334片叶子,通过数字化图像确定其长度(length, L)、宽度(width, W)和叶面积(leaf area, LA)。模型使用70%的数据进行训练,30%进行验证。使用决定系数(coefficient of determination, R2)、均方根误差(root mean square error, RMSE)、平均绝对误差(mean absolute error, MAE)、平均绝对百分比误差(mean absolute percentage error, MAPE)和Willmott一致性指数(Willmott's index of agreement, d)评估其性能。
结果:结果表明,机器学习模型,特别是ANFIS(三角隶属函数)、DMLP(2–16-16–1配置)和SVR[径向基函数(radial basis function, RBF)核],在叶面积估计精度上显著优于线性回归模型。ANFIS和DMLP模型达到了最高的R2(测试集0.979 3),其次是SVR模型(测试集R2=0.979 0),均具有最小误差。在线性模型中,使用L×W乘积的LRM最有效(R2=0.978 3)。
结论:基于模型性能标准,机器学习模型在彩色棉花叶面积无损估计方面更为准确。性能最佳的模型(SVR with RBF kernel)被部署在一个交互式网络应用程序中,旨在通过准确和无损的数据优化作物管理。
**论文解读:基于机器学习与线性回归的彩色棉花叶面积无损预测比较研究**
**研究背景、问题与意义**
叶面积(leaf area, LA)是衡量植物生长与生理状态的核心指标,直接影响光合作用、蒸腾作用和辐射截获效率。传统直接测量方法虽准确,但需破坏性取样,无法对同一植株进行连续动态监测,限制了生长动力学研究。在彩色棉花(colored cotton, *Gossypium hirsutum* L.)这一兼具可持续性与高附加值的作物中,精准无损的叶面积预测对遗传改良、品种评价及田间管理优化至关重要。然而,现有线性回归模型(linear regression model, LRM)在处理复杂非线性形态数据时精度有限,而机器学习(machine learning, ML)方法在农业表型预测中展现出巨大潜力。因此,研究人员开展本研究,旨在系统比较支持向量回归(support vector regression, SVR)、自适应神经模糊推理系统(adaptive neuro-fuzzy inference system, ANFIS)、深度多层感知机(deep multilayer perceptron, DMLP)与LRM在彩色棉花叶面积无损预测中的性能,并将最佳模型部署为交互式网页工具,以推动实际应用。该论文发表在《Journal of Cotton Research》。
**主要关键技术方法**
样本来源:巴西联邦半干旱大学(UFERSA)实验田,于2024年11月至2025年1月种植5个彩色棉花品种(BRS Safira、BRS Rubi、BRS Topázio、BRS Jade、BRS Verde)。共采集1 334片健康完全展开叶,通过平板扫描仪数字化图像,利用ImageJ软件测定叶长(L)、叶宽(W)和叶面积(LA,作为参考值)。数据按70%训练、30%测试划分。模型开发:SVR采用线性核与RBF核;ANFIS测试三角、高斯、梯形、样条四种隶属函数;DMLP测试多种隐藏层神经元配置(如[6,4]、[16,16]);LRM尝试L、W及其乘积、平方等组合。评估指标包括R2、RMSE、MAE、MAPE和Willmott一致性指数(d),并通过标准化排名性能指数(sRPI)进行综合排序。最佳模型(SVR with RBF kernel)部署为基于Flask的交互式网页应用。
**研究结果**
1. **Descriptive analysis of data**:数据描述性分析显示,各品种叶长、叶宽和叶面积呈现较大变异(变异系数CV分别为26.5%–30.6%、26.0%–31.6%、45.7%–56.8%),叶面积分布呈正偏态,多数叶片集中于小至中等面积类别(1.01–20.00 cm2)。L、W与LA间呈强正相关,验证了基于线性尺寸预测叶面积的可行性。
2. **Support vector regression**:对比不同核函数,SVR-2(RBF核)在训练集(R2=0.9816,RMSE=0.7804)和测试集(R2=0.9790,RMSE=0.9057)均优于线性核,误差指标更低,d值更高。
3. **Adaptive neuro-fuzzy inference system**:ANFIS-1(三角隶属函数)表现最佳,训练集R2=0.9810,RMSE=0.7882;测试集R2=0.9793,RMSE=0.9101,误差最小,d值高。
4. **Deep multilayer perceptron**:DMLP-5(2–16-16–1配置)在训练集(R2=0.9814,RMSE=0.7794)和测试集(R2=0.9793,RMSE=0.8990)均优于其他架构,RMSE、MAPE最低,d值最高。
5. **Linear regression models**:LRM-4(以L×W为自变量)在测试集表现最佳(R2=0.9783,RMSE=0.9213),但残差不符合正态分布(Kolmogorov–Smirnov检验显著);其他模型如LRM-8(L2×W2)性能最差(R2=0.8800)。
6. **Model comparison**:基于sRPI综合排名,SVR-2(RBF核)以1.0000位居第一,DMLP-5(0.9973)和DMLP-4(0.9924)分列二、三位,LRM-4排名第七,ANFIS-1排名第八。所有模型估计值与观测值间无显著差异(配对t检验,P≥0.09),残差呈同方差性,无系统误差。
7. **Web interface development**:最佳模型(SVR-2)被部署为免费交互式网页应用(https://lacotcolor.onrender.com/),用户可输入L和W(cm)获取实时叶面积预测,并显示历史记录与输入范围验证。
**讨论与结论**
讨论部分指出,彩色棉花叶面积数据的广泛变异性和形态复杂性凸显了采用能够捕捉非线性关系的ML模型的必要性。SVR、DMLP和ANFIS在测试集中均展示出优于LRM的预测精度,这与在其他物种(如莴苣、李、胡椒)中的研究结果一致。ML模型通过处理非线性模式,提供了更规则、更接近真实叶面积分布的响应曲面。应用层面,将SVR模型部署为网页工具,显著降低了技术门槛,有利于田间实时无损评估,助力精准农业管理。
结论翻译如下:SVR、ANFIS、DMLP和LRM模型在利用叶长和叶宽作为输入变量无损预测彩色棉花叶面积方面均有效。在评估的模型中,SVR-2(RBF核)取得了最佳预测性能,紧随其后的是DMLP-5(2–16-16–1配置)和DMLP-4(2–16-8–1配置)模型,证实了深度学习模型在此任务中的高预测能力。这些模型均被视为可访问、实用且低成本的工具,在棉花品种的表型研究和农艺管理中具有潜在应用价值。此外,观察到的高预测能力增强了它们在不同作物阶段中的适用性。为扩展其应用,建议未来研究在其他棉花品种以及不同环境和管理条件下验证这些模型。