
-
生物通官微
陪你抓住生命科技
跳动的脉搏
运用机器学习方法预测杂草物种田旋花在小麦种植系统中的生境适宜性
《Scientific Reports》:Predicting habitat suitability of weed species Lysimachia arvensis (L.) U. Manns & Anderb. in wheat cropping systems using machine learning approach
【字体: 大 中 小 】 时间:2026年07月11日 来源:Scientific Reports 4.9
编辑推荐:
摘要恶性杂草L. arvensis的快速蔓延对小麦生产构成了严重威胁,因此需要采用现代风险评估方法来对其进行管理。本研究构建并比较了多种机器学习模型(随机森林[RF]、提升回归树[BRT]和最大熵模型[MaxEnt]),用以评估该杂草在巴基斯坦半干旱地区小麦种植系统中的生存适宜性
恶性杂草L. arvensis的快速蔓延对小麦生产构成了严重威胁,因此需要采用现代风险评估方法来对其进行管理。本研究构建并比较了多种机器学习模型(随机森林[RF]、提升回归树[BRT]和最大熵模型[MaxEnt]),用以评估该杂草在巴基斯坦半干旱地区小麦种植系统中的生存适宜性。研究分析了402块小麦田的杂草数据以及20个环境因素,包括地形、气候、土壤特性、人为因素和距离指标等。通过偏最小二乘法(PLS)算法,确定土壤质地(粉粒和黏粒)、土壤化学性质(电导率、有机质含量、总溶解固体)以及降雨模式是影响该杂草分布的主要因素。ROC–AUC分析结果显示,最大熵模型(AUC=0.93)和随机森林模型(AUC=0.92)的表现略优于提升回归树模型(AUC=0.86)。所有模型均将东部和东南部地区判定为该杂草高度适宜生长的区域。尽管这些模型具有可靠性,但其预测结果可能会受到农田中环境因素变化的影响。这些研究结果表明,机器学习方法在绘制杂草分布图方面十分有效,为这些地区的可持续杂草管理提供了科学依据。