Predicción de la enfermedad del mildiu velloso del pepino utilizando un enfoque CNN-LSTM
Autores: Wang, Yafei; Li, Tiezhu; Chen, Tianhua; Zhang, Xiaodong; Taha, Mohamed Farag; Yang, Ning; Mao, Hanping; Shi, Qiang
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Predicción de la enfermedad del mildiu velloso del pepino utilizando un enfoque CNN-LSTM
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Tecnología de predicción
Mildiu velloso del pepino
Datos ambientales
Factores influyentes
Algoritmo CNN-LSTM
Modelo de predicción
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 45
Citaciones: Sin citaciones
Es de gran importancia desarrollar tecnología de predicción temprana para controlar el mildiu y promover la producción de pepinos. En este estudio, se propuso un método de predicción de mildiu en pepinos fusionando información cuantitativa de la enfermedad y datos ambientales. Primero, se recopiló el número de esporas de mildiu en pepinos durante el experimento mediante un capturador portátil de esporas, y se registró la proporción del área foliar de mildiu en pepinos con respecto al área foliar total de pepinos, que se utilizó como grado de incidencia de las plantas de pepino. Los datos ambientales en el invernadero fueron monitoreados y registrados por la estación meteorológica en el invernadero. Los datos ambientales fuera del invernadero fueron monitoreados y registrados por una estación meteorológica frente al invernadero. Luego, se analizaron los factores influyentes del mildiu en pepinos basados en el método del coeficiente de correlación de Pearson. Se identificaron los factores influyentes del modelo de advertencia temprana de mildiu en pepinos en invernadero. Finalmente, se utilizó el algoritmo CNN-LSTM (Red Neuronal Convolucional-Memoria a Corto Plazo Larga) para establecer el modelo de predicción de incidencia de mildiu en pepinos. Los resultados mostraron que el Error Absoluto Medio (), Error Cuadrático Medio (), Error Cuadrático Medio Raíz () y coeficiente de determinación () del modelo de red CNN-LSTM fueron 0.069, 0.0098, 0.0991 y 0.9127, respectivamente. El error máximo entre el valor predicho y el valor real para todos los conjuntos de prueba fue del 16.9398%. El error mínimo entre el valor predicho y el valor real para todos los conjuntos de prueba fue del 0.3413%. El error promedio entre los valores predichos y reales para todos los conjuntos de prueba fue del 6.6478%. Se utilizó el método de Bland-Altman para analizar los valores predichos y reales del conjunto de prueba, y el 95.65% de los números de datos del conjunto de prueba estaban dentro del intervalo de consistencia del 95%. Este trabajo puede servir como base para la creación de modelos de predicción temprana de enfermedades aéreas en cultivos de invernadero.
Descripción
Es de gran importancia desarrollar tecnología de predicción temprana para controlar el mildiu y promover la producción de pepinos. En este estudio, se propuso un método de predicción de mildiu en pepinos fusionando información cuantitativa de la enfermedad y datos ambientales. Primero, se recopiló el número de esporas de mildiu en pepinos durante el experimento mediante un capturador portátil de esporas, y se registró la proporción del área foliar de mildiu en pepinos con respecto al área foliar total de pepinos, que se utilizó como grado de incidencia de las plantas de pepino. Los datos ambientales en el invernadero fueron monitoreados y registrados por la estación meteorológica en el invernadero. Los datos ambientales fuera del invernadero fueron monitoreados y registrados por una estación meteorológica frente al invernadero. Luego, se analizaron los factores influyentes del mildiu en pepinos basados en el método del coeficiente de correlación de Pearson. Se identificaron los factores influyentes del modelo de advertencia temprana de mildiu en pepinos en invernadero. Finalmente, se utilizó el algoritmo CNN-LSTM (Red Neuronal Convolucional-Memoria a Corto Plazo Larga) para establecer el modelo de predicción de incidencia de mildiu en pepinos. Los resultados mostraron que el Error Absoluto Medio (), Error Cuadrático Medio (), Error Cuadrático Medio Raíz () y coeficiente de determinación () del modelo de red CNN-LSTM fueron 0.069, 0.0098, 0.0991 y 0.9127, respectivamente. El error máximo entre el valor predicho y el valor real para todos los conjuntos de prueba fue del 16.9398%. El error mínimo entre el valor predicho y el valor real para todos los conjuntos de prueba fue del 0.3413%. El error promedio entre los valores predichos y reales para todos los conjuntos de prueba fue del 6.6478%. Se utilizó el método de Bland-Altman para analizar los valores predichos y reales del conjunto de prueba, y el 95.65% de los números de datos del conjunto de prueba estaban dentro del intervalo de consistencia del 95%. Este trabajo puede servir como base para la creación de modelos de predicción temprana de enfermedades aéreas en cultivos de invernadero.