Ein logarithmisch amortisierender Temperatureffekt für das überwachte Lernen der solaren Desinsektion von Weizen beim Reiskäfer Sitophilus oryzae (Coleoptera: Curculionidae) unter Verwendung von Plastiktüten

Wissenschaftliche Berichte Band 13, Artikelnummer: 2655 (2023) Diesen Artikel zitieren

719 Zugriffe

3 Altmetrisch

Details zu den Metriken

Diese Arbeit untersucht die Wirksamkeit der Solarheizung mit durchsichtigen Polyethylenbeuteln gegen den Reiskäfer Sitophilus oryzae (L.), einen der zerstörerischsten Insektenschädlinge gegen viele strategische Getreidearten wie Weizen. In diesem Artikel wollen wir die Schlüsselparameter ermitteln, die das Kontrollheizsystem gegen gelagerte Getreideinsekten beeinflussen und gleichzeitig sicherstellen, dass die Qualität des Weizenkorns erhalten bleibt. Wir stellen einen neuen Benchmark-Datensatz zur Verfügung, in dem die experimentellen und Umweltdaten auf der Grundlage von Feldarbeiten während des Sommers in Kanada gesammelt wurden. Wir messen die Wirksamkeit der Lösung mithilfe einer neuartigen Formel, um den amortisierenden Temperatureffekt auf Reiskäfer zu beschreiben. Wir haben verschiedene Modelle des maschinellen Lernens eingesetzt, um die Wirksamkeit unserer Lösung beim Erreichen eines tödlichen Hitzezustands für Insektenschädlinge vorherzusagen und so die Bedeutung der Parameter zu messen. Die Leistung unserer Modelle für maschinelles Lernen wurde mithilfe einer 10-fachen Kreuzvalidierung validiert und zeigte eine hohe Genauigkeit von 99,5 % mit 99,01 % Rückruf, 100 % Präzision und 99,5 % F1-Score, ermittelt durch das Random Forest-Modell. Unsere experimentelle Studie zum maschinellen Lernen mit SHAP-Werten als erklärbares Post-hoc-Modell liefert die besten Umweltbedingungen und Parameter, die einen signifikanten Einfluss auf die Entwesung von Reiskäfern haben. Unsere Ergebnisse deuten darauf hin, dass es bei der Verwendung von Solarbeuteln zur thermischen Insektenentwesung bei hohen Umgebungstemperaturen eine optimale mittlere Kornmenge gibt. Maschinelles Lernen bietet uns ein vielseitiges Modell zur Vorhersage der tödlichen Temperaturen, die am effektivsten sind, um in durchsichtigen Plastiktüten gelagerte Getreideinsekten zu vernichten. Mithilfe dieser leistungsstarken Technologie können wir wertvolle Informationen über die optimalen Bedingungen zur Beseitigung dieser Schädlinge gewinnen. Mit unserem Modell können wir vorhersagen, ob eine bestimmte Kombination von Parametern bei der Behandlung von Insekten mittels thermischer Kontrolle wirksam sein wird. Wir machen unseren Datensatz unter einer Creative Commons-Lizenz öffentlich zugänglich, um Forscher zu ermutigen, ihn als Benchmark für ihre Studien zu verwenden.

Schätzungen zufolge beträgt die Weltbevölkerung im Jahr 2020 etwa 7,8 Milliarden und wird im Jahr 2050 voraussichtlich 9,8 Milliarden erreichen1,2,3,4. Daher ist die Steigerung der weltweiten Getreideproduktion ein Schlüsselfaktor zur Deckung des weltweiten Nahrungsmittelbedarfs. Es wird erwartet, dass die Lebensmittelproduktion und der Lebensmittelverbrauch im Jahr 2050 um etwa 50–70 % steigen werden1,2,3. Andererseits sind Nachernteverluste insbesondere in einigen afrikanischen Ländern für enorme Schäden an der gesamten Nahrungsmittelproduktion verantwortlich und verursachen einen Verlust von etwa 20–40 %, was im Vergleich zur geringen Nahrungsmittelproduktion in denselben Ländern einen erheblichen Verlust darstellt2. Insekten sind die Hauptursache für Getreideschäden und der Getreideverlust wird auf 30–90 % geschätzt2,5. Bemühungen zur Reduzierung von Nachernteverlusten hätten erhebliche Auswirkungen und würden die Nahrungsmittelverfügbarkeit und das Nahrungsmittelangebot verbessern, verglichen mit Einschränkungen und Herausforderungen bei der Steigerung der Nahrungsmittelproduktion2,6.

Der Reiskäfer Sitophilus oryzae (L.) (Coleoptera: Curculionidae) ist weltweit einer der wichtigsten Insektenschädlinge von gelagertem Weizen und anderen Getreidekörnern5,7. Es handelt sich um ein primäres Getreidespeicherinsekt, das ganze Körner befällt und erhebliche Getreideverluste verursacht7,8. Die Fressaktivität von S. oryzae führt zu einem sekundären Befall mit Schädlingen, Pilzkrankheiten und Getreideverderb7,8. Der ausgewachsene Reiskäfer wird 3 bis 4 mm lang und die Larven ernähren sich durch seinen Austritt im Inneren des Getreidekorns und erzeugen dabei markante kleine, runde Löcher, die als Rüsselkäferschaden bezeichnet werden9. Die Eier werden auf die Kornoberfläche gelegt und die Inkubationszeit bis zum Schlüpfen beträgt 2,62–5,85 Tage. Wenn Nahrung verfügbar ist, beträgt die Lebenserwartung des Mannes 42,63–58,72 Tage und die Lebenserwartung der Frau 60,69–77,23 Tage8. Die Fruchtbarkeitsrate der Weibchen beträgt 53,60 Eier/Leben7. Das Wachstum des Reiskäfers beschleunigt sich bei Temperaturen von 25–30 °C und 65–75 % relativer Luftfeuchtigkeit (rF)7,8. In den meisten Getreidespeicherökosystemen herrschen Temperatur und relative Luftfeuchtigkeit nahe an günstigen Bedingungen für das Wachstum von Reiskäfern und anderen Insekten, was ebenfalls zu einem enormen Getreideverlust führt2,10.

Synthetische Insektizide und Phosphin-Begasungsmittel sind die wirksamste Methode zur Bekämpfung gelagerter Getreideinsekten2,6. Diese Begasungsmittel haben einige Einschränkungen, wie z. B. relativ hohe Kosten und die Fähigkeit von Insekten, Resistenzen gegen diese Insektizide zu entwickeln2,5. Darüber hinaus könnte der unsachgemäße Einsatz von Begasungsmitteln durch Kleinbauern und Landwirte zu Gesundheits- und Umweltrisiken führen11. In vielen Entwicklungsländern in Afrika und Asien hängt die Getreideproduktion hauptsächlich von Kleinbauern und Kleinbauern ab und nicht von großen staatlichen Institutionen6. In diesen Gebieten wird das Getreide in Lagerhäusern und offenen Getreidespeichern gelagert, die über ein schlechtes Lagersystem und unzureichende Technologien verfügen6. Daher wurden mehrere nicht-chemische Bekämpfungsmethoden gegen gelagerte Getreideinsekten eingesetzt, wie z. B. luftdichte (hermetische) Lagerung mit Ozon und thermische Kontrolle2,4,12. In vielen Industrie- und Entwicklungsländern wird eine thermische Bekämpfung gegen gelagerte Getreideinsekten eingesetzt. Die Heizungssteuerung im großen Maßstab hängt von der Beheizung von Lagergebäuden, großen Lagerhallen und großen Silos ab13,14. Andererseits haben Kleinbauern in vielen Entwicklungsländern viele einfache Heizsysteme übernommen. Die solare Entwesung gegen Insektenschädlinge wurde erfolgreich gegen Boden-, Museums- und gelagerte Getreideinsekten eingesetzt14.

Die thermische Kontrolle hängt von der Erhöhung der Temperaturen auf 40–60 °C ab, was für die meisten gelagerten Getreideinsekten eine tödliche Grenze darstellt15. Die thermische Kontrolle ist eine vielversprechende Technik ohne Gesundheitsrisiken oder die Entwicklung von Insektenresistenzen. Verschiedene Studien haben die thermische Kontrolle gegen Reiskäfer untersucht15,16,17. Eine vollständige Erwachsenensterblichkeit des Reiskäfers wurde nach 130, 50, 12 und 4 Minuten bei 44, 46, 48 bzw. 50 °C erreicht16. Andere Studien berichteten, dass erwachsene Reiskäfer nach 4 Tagen und 40 Sekunden bei 39 bzw. 66 °C getötet wurden15. Laut Beckett17 beträgt die tödliche Zeit, um 99,9 % der erwachsenen Reiskäferpopulation zu töten, 37,36–3,71 Stunden zwischen 42 und 48 °C. In einer früheren Studie der Autoren wurde die solare Entwesung gegen Reiskäfer in Plastiktüten mit Weizenkörnern unter Feldbedingungen eingesetzt14. Diese Plastiktüten waren in der Lage, die Körner auf für Insekten tödliche Temperaturen von 40–55 °C zu erhitzen und konnten eine Sterblichkeit von 67,6 ± 30 % bei ausgewachsenen Reiskäfern verursachen14. In derselben Studie wurden verschiedene Parameter untersucht, die die Heizkapazität von Plastiktüten beeinflussen könnten, um 100 % der erwachsenen Insekten abzutöten, es wurde jedoch kein thermisches Modell für die Temperaturverteilung innerhalb der Plastiktüten entwickelt. Daher zielte die aktuelle Arbeit darauf ab, mithilfe von Algorithmen des maschinellen Lernens (ML) die Wechselwirkung zwischen verschiedenen Parametern zu untersuchen, um die besten Bedingungen vorherzusagen, die zu einer vollständigen Unterdrückung der Insektenpopulation führen. Einer der Hauptfaktoren, die in der ersten Studie untersucht werden sollten, war die Korndicke im Inneren der Säcke. Da Getreide als guter Wärmeisolator gilt14,18, wurde die Hypothese aufgestellt, dass die Zeit zum Erhitzen der Körner, insbesondere am Boden der Beutel, mit zunehmender Korndicke in den Beuteln zunimmt. Daher wurden unterschiedliche Kornstärken verwendet.

Maschinelles Lernen (ML) wird als Alternative zur mathematischen und statistischen Modellierung in verschiedenen Bereichen, einschließlich der Landwirtschaft, eingesetzt19,20. Maschinelles Lernen ist bei der Überwachung und Vorhersage der Getreidequalität sehr vielversprechend. Es hat großes Potenzial bei der Untersuchung neuer Getreidespeicherstrategien auf der Grundlage verschiedener Umweltfaktoren gezeigt. Beispielsweise wurden in21 künstliche neuronale Netze (ANNs) als Vorhersagemodell in einem Internet-of-Things-Workflow (IoT) verwendet, bei dem die Gewinnqualität überwacht wurde, um die Qualität des gelagerten Getreides und damit dessen Verschlechterung während der Nacherntephasen vorherzusagen. In22 wurde die Qualität gelagerter Sojabohnensamen unter verschiedenen Temperatur- und Verpackungsbedingungen mithilfe mehrerer maschineller Lernmodelle vorhergesagt, darunter ANN-, REPTree- und M5P-Entscheidungsbaumalgorithmen, Random Forest (RF) und lineare Regressionsmodelle (LR). Das RF-Modell hat andere Modelle bei der Vorhersage der physiologischen Qualitätsindizes solcher Samen übertroffen. Mathematische Modellierung und multivariate Analyse wurden ebenfalls verwendet23, um die physikalisch-chemischen Eigenschaften der frühen Ernte von Sojabohnen zu bewerten, die bei verschiedenen Verpackungen und Temperaturen gelagert wurden. Ein Prototyp eines drahtlosen Sensornetzwerks in einer IoT-Plattform wurde für die Echtzeitüberwachung des intergranularen Gleichgewichtsfeuchtigkeitsgehalts entwickelt24, wobei neuronale Netzwerkalgorithmen verwendet wurden, um die physikalische, physikalische, qualitätschemische und mikrobiologische Masse von in Sacksilos gelagertem Mais vorherzusagen. Ebenso wurden in25 ein Prototyp eines drahtlosen Sensornetzwerks, eine IoT-Plattform und neuronale Netzwerkalgorithmen zur Echtzeitüberwachung des Gleichgewichtsfeuchtigkeitsgehalts und zur Vorhersage der Kornqualität von Mais verwendet, der unter verschiedenen Bedingungen in Silo- und Bastsäcken gelagert wurde. Darüber hinaus wurden frühere Versuche unternommen, das thermische Verhalten der Innenluft in Gewächshäusern zu untersuchen, wobei ML zur Vorhersage der Innenumgebung (z. B. Temperaturen) von Kunststoffgewächshäusern oder zur Solarheizung zur Bodenentwesung gegen Mikroben und andere Organismen verwendet wurde. Beispielsweise wurden verschiedene maschinelle Lernmodelle wie Multiple Linear Regression, Support Vector Machine (SVM), Baumensembles und der Gaußsche Regressionsprozess verwendet19, um die Innenlufttemperaturen in einem marokkanischen Gewächshaus anhand der Außendaten vorherzusagen, wobei das Modell des Gaußschen Regressionsprozesses eine bessere Leistung erbrachte andere Modelle während der Validierungs- und Testphase. In26 wurden ANNs und SVM-Modelle verwendet, um drei Variablen abzuschätzen: Innenluft, Boden- und Pflanzentemperaturen sowie Energieaustausch in einem Polyethylen-Gewächshaus in der Stadt Shahreza im Iran, was eine bessere Leistung der Radial Bias Function (RBF) als ANN-Modell zeigte im Vergleich zu anderen Modellen.

Im Gegensatz zu früheren Versuchen stellt dieses Papier eine überwachte Lösung für maschinelles Lernen vor, um das thermische Verhalten in Plastiktüten besser zu verstehen und die Wirksamkeit der Solarheizung gegen gelagerte Getreideinsekten zu maximieren. Dies geschieht durch die Einführung einer neuen Formel zur Messung der Wirksamkeit der Lösung und die Formulierung des Problems als binäres Klassifizierungsproblem. Nach unserem besten Wissen ist die Studie die erste ihrer Art, die tödliche Hitzebedingungen für Insektenschädlinge vorhersagt, und die erste, die die Wirksamkeit thermischer Kontrollen (Lösungen) mithilfe maschinellen Lernens modelliert. Darüber hinaus haben wir die Erklärbarkeit von Modellen übernommen, um der Community die verschiedenen Bedingungen zu vermitteln, die zu einer wirksamen Heizlösung für die Getreideentwesung führen können, und um zu einem besseren Verständnis der Auswirkung der Dicke auf unsere Lösung beizutragen.

Um die Wirksamkeit der Solarheizung mit durchsichtigen Plastiktüten zu untersuchen, wurden verschiedene Parameter untersucht. Einige dieser Variablen sind Sonneneinstrahlung, Lufttemperatur, Luftfeuchtigkeit, Substratmaterial (Boden), Windgeschwindigkeit, Korndicke und Kornfeuchtigkeitsgehalt14,27,28,29. Es wurde auch angenommen, dass das Mischen von Getreide und das Stapeln in Isolierboxen dazu beitragen können, die Zeit zu minimieren, die zum Erhitzen der Körner auf Temperaturen von 40–60 °C erforderlich ist. Daher wurde vor dem Experiment der Feuchtigkeitsgehalt des Weizenkorns durch einen rotierenden Metallbehälter auf 12,5 % eingestellt. Vor Ort wurden unter den Plastiktüten auch Holzplatten angebracht, um den Untergrund mit einem Material mit geringer Wärmeleitfähigkeit auszugleichen. Alle Umwelt- und Temperaturdaten wurden während eines Feldversuchs in Kanada im Sommer 2018 gesammelt. Es gab vier verschiedene Behandlungsmengen von Weizen: 16, 21 und 25 kg Weizen in durchsichtigen Polyethylenbeuteln mit Holzkisten und 21 kg Weizen darin ein durchsichtiger Polyethylenbeutel ohne Holzkiste. Es wurde der kanadische harte rote Sommerweizen Triticum aestivum L. (zertifiziertes Saatgut, Sorte SY Slate) verwendet. Der Weizen wurde von einem Getreidelieferanten (Pitura Seeds, Manitoba, Kanada) mit einem Feuchtigkeitsgehalt von 12,2 ± 0,0 % gekauft. Diese Arbeit wurde weiter in zwei Teile unterteilt; Der erste Teil wurde über 5 Tage vom 26. bis 30. Juli 2018 von etwa 11 bis 20 Uhr durchgeführt, wobei alle Behandlungen tagsüber auf dem Feld aufbewahrt und nachts gemischt und in Schaumstoffboxen gestapelt wurden (Kanada 1, Abb . 1a). Der zweite Teil wurde über 6 Tage vom 7. bis 12. August 2018 durchgeführt, wobei alle Behandlungen den ganzen Tag und die ganze Nacht über auf dem Feld blieben, ohne die Plastiktüten zu vermischen oder zu stapeln (Kanada 2, Abb. 1b). Die Menge von 16, 21 und 25 kg Weizen entsprach einer Weizendicke von 9, 13 bzw. 15 cm. Temperaturschwankungen im Inneren der Plastiktüten wurden mithilfe von Thermoelementen alle 15 Minuten an sechs Positionen aufgezeichnet, die auf der vertikalen Skala in der Mitte jeder Tüte verteilt waren. Diese Positionen waren die Außenfläche des Beutels, die Oberseite des Korns im Inneren des Beutels, die Oberseite-Mitte, die Mitte, die Mitte-Unterseite und die Unterseite des Korns. Die Thermoelemente wurden vertikal in gleichen Abständen entlang der Dicke jedes Beutels verteilt. Daher wurden Holzkisten verwendet, um die Korndicke zu vereinheitlichen, siehe Abb. 1. Die Wetterdaten wurden während des Experiments mit einer Wetterstation am Versuchsstandort aufgezeichnet. Eine detaillierte Beschreibung des Versuchsprotokolls und der Art und Weise, wie die Daten gesammelt wurden, finden Sie im Originalartikel und in einem anderen Datenartikel, der sich auf dieselbe Arbeit bezieht14,30.

Versuchsaufbau: (a) Kanada 1, nach Sonneneinstrahlung wurden die Weizensäcke gemischt und in den Schaumstoffboxen gestapelt. (b) Kanada 2: Während der Nacht wurden alle Behandlungen mit weiteren Holzkisten abgedeckt, um jegliche Belästigung der Tiere zu verhindern.

Unser Datensatz besteht aus 7871 Beobachtungen und 14 Merkmalen: 16 kg (Weizen in einer Holzkiste), relative Luftfeuchtigkeit (RH%), Umgebungstemperaturen (\(^\circ\)C), 21 kg (nicht). in einer Holzkiste, binäres Merkmal), Sonneneinstrahlung (Mj/m2), Sonnenflussdichte (Kj/m2), Windgeschwindigkeit (m/s), Mischung und Stapelung der Körner (binäres Merkmal), Luftdruck (kpa) , 21 kg (Weizen in einer Holzkiste, binäres Merkmal), Windrichtung (Grad), 25 kg (Weizen in einer Holzkiste, binäres Merkmal), Regen (binäres Merkmal) und schließlich die binäre Klassenbezeichnung, die sein kann definiert durch Gl. (1).

Dabei ist \(g_t\) die Zeit in Minuten, die die Lösung bei einer bestimmten Temperatur t hält, D die Zeit in Minuten pro Tag (d. h. \(24 \times 60 = 1440\) Minuten) und T der Temperaturschwellenwert für erreicht werden, um eine wirksame Lösung für die Erreichung eines tödlichen Erhitzungszustands für gelagerte Getreideinsekten einzuleiten. Für diese Studie gilt \(T = 40\), basierend auf der früheren Literatur, die weiter oben im Einleitungsabschnitt erwähnt wurde. Gemäß unserer vorgeschlagenen Gleichung zur Lösungskennzeichnung wirken sich die höheren Temperaturen logarithmisch überproportional auf die Dauer der wirksamen Lösung aus (dh es dauert kürzer, bis eine wirksame Lösung vorliegt, wenn die Temperatur höher ist). Abbildung 2 zeigt diesen logarithmischen Effekt. Es ist erwähnenswert, dass die Gleichung angewendet wird, wenn die Temperatur 40 \(^\circ\)C oder mehr beträgt. Sobald die Temperatur unter 40 \(^\circ\)C fällt, wird der Wert von \({\hat{S}}\) auf Null zurückgesetzt, um konservativ mit der Kennzeichnung nur bestimmter Lösungen umzugehen und so die Bedingungen zu modellieren, unter denen sie entstehen . Abschließend wird die Floor-Funktion (\(\lfloor . \rfloor\)) angewendet, um den Endwert von \({\hat{S}}\) zu erhalten, wobei der Wert Null eine ineffektive Lösung angibt, und einen beliebigen Wert \(\ge 1\) zeigt eine effektive Lösung an.

Der logarithmische Einfluss der Temperatur auf die Geschwindigkeit, mit der eine wirksame Lösung erreicht wird.

Um den Datensatz zu untersuchen und die Wirksamkeit der solaren Entwesungslösung für Weizen zu messen, verwendeten wir verschiedene Modelle des maschinellen Lernens (siehe Tabelle 1), um vorherzusagen, wie effektiv die Lösung im Hinblick auf ihre Wirkung auf den Reiskäfer in den Solarheizbeuteln ist. Die Auswahl der Methoden des überwachten maschinellen Lernens basiert auf früheren Erfolgen, die in der Literatur berichtet wurden und die sie in einer Vielzahl von Anwendungen eingesetzt haben. Außerdem haben wir uns für einen flachen Ansatz des maschinellen Lernens entschieden, da die Erklärbarkeit der Schlüssel zur tatsächlichen Anwendung ist, wie später erläutert wird.

Um die Leistung unserer Modelle für maschinelles Lernen zu bewerten, haben wir eine 10-fache Kreuzvalidierung verwendet und Genauigkeits-, Rückruf-, Präzisions- und F1-Score-Metriken übernommen, um die korrekten True Positive-Werte, das Verhältnis zwischen den True Positives- und den Positives-Werten, zu quantifizieren. und das harmonische Mittel von Precision bzw. Recall36. Die Formeln der übernommenen Metriken können wie folgt definiert werden:

Dabei ist TP das wahre Positive im Fall der effektiven Lösung und TN das wahre Negativ im Fall der ineffektiven Lösung, während FP und FN die falschen Modellvorhersagen für nicht effektive und effektive Fälle sind.

Es wurden geschätzte Zeiträume über 40 \(^\circ\)C und Gradminuten (DM) in den Plastiktüten ermittelt. Die Homogenität der Varianzen wurde mit dem Levene-Test getestet. Dann wurde eine einfaktorielle ANOVA durchgeführt, gefolgt von der Tukey-Kramer-HSD. Das DM-Modell wurde gemäß14,30 geschätzt, um den Zusammenhang zwischen Getreidetemperaturen, Hitzeeinwirkungszeit und Reiskäfersterblichkeit zu untersuchen.

Im ersten Teil des Experiments, in dem die Plastiktüten mit Weizen gemischt und gestapelt wurden (Kanada 1), wurde die Dauer von Temperaturen höher als 40 \(^\circ\)C (Zeit über 40 \(^\circ\) )C) (min) am Boden jedes Plastikbeutels war für jeden Tag bei 16 kg Weizen im Vergleich zu anderen Behandlungen signifikant höher: 2,5 ± 0,6, 0,6 ± 0,2, 0,1 ± 0,1 und 0,1 ± 0,01 (min, Mittelwert ± sem) für 16, 21, 25 kg Weizen in Holzkisten bzw. 21 kg Weizen ohne Holzkiste (Einfaktorielle Varianzanalyse (ANOVA): F\(_{3,8}\) = 14,4864, P = 0,0013). Die Zeit über 40 °C am Boden von 21 und 25 kg Weizenschüttungen und 21 kg Weizen ohne Holzkiste unterschied sich nicht wesentlich voneinander. DM unterschieden sich signifikant zwischen verschiedenen Behandlungen (einfaktorielle ANOVA: F\(_{3,8}\) = 4,5996, P = 0,0375), siehe Abb. 3a.

Im zweiten Teil des Experiments, in dem die Plastiktüten mit Weizen nicht gemischt oder gestapelt wurden (Kanada 2), erreichten die Temperaturen am Boden der 16 kg Weizen nur 40 °C und mehr. Keine der anderen Behandlungen erreichte 40 °C oder mehr, mit Ausnahme einer Wiederholung von drei Wiederholungen bei 21 kg Weizen in der Holzkiste. DM unterschieden sich signifikant zwischen allen Behandlungen (einfaktorielle ANOVA: F\(_{3,7}\) = 8,5934, P = 0,0096), siehe Abb. 3b.

(a) Gradminuten/Tag (\(^\circ\)C-min, Mittelwert \(+\) sem) von 16, 21 und 25 kg Weizen in Plastiktüten in Holzkisten und weiteren 21 kg Weizen in Eine Plastiktüte ohne Holzkiste, die in Kanada über 5 Tage der Sonneneinstrahlung ausgesetzt war (Kanada1). (b) Gradminuten/Tag (\(^\circ\)C-min, Mittelwert \(+\) sem) von 16, 21 und 25 kg Weizen in Plastiktüten in Holzkisten und weiteren 21 kg Weizen darin Eine Plastiktüte ohne Holzkiste, die 6 Tage lang in Kanada der Sonneneinstrahlung ausgesetzt war (Kanada 2, ohne Stapelung). Alle Behandlungen wurden während des Experiments kontinuierlich im Feld belassen. Unterschiedliche Buchstaben weisen auf signifikante Unterschiede zwischen den Behandlungen hin (P < 0,05).

Da die größte Herausforderung in dieser Arbeit darin besteht, mit den unausgeglichenen Klassen in unserem Datensatz umzugehen, wie in Abb. S1 (siehe unten links) dargestellt, wurden vier Experimente durchgeführt, um die Leistung verschiedener Methoden des maschinellen Lernens zu untersuchen. Das erste Experiment wurde mit dem ursprünglichen unausgeglichenen Datensatz durchgeführt und zielt darauf ab, die Vorhersagefähigkeit der verschiedenen maschinellen Lernalgorithmen für das Klassenungleichgewicht zu bewerten. Die Ergebnisse des ersten Experiments sind in Tabelle 2 dargestellt.

Die in Tabelle 2 gezeigten Ergebnisse zeigen, dass die drei Modelle eine Genauigkeit von nicht weniger als 98 % bei der Vorhersage der Klassen erreichten. Diese Ergebnisse sind jedoch nicht zuverlässig, da die verwendeten Metriken keine weiteren Informationen darüber liefern können, welche Klassen richtig und welche falsch vorhergesagt werden. Folglich werden die Verwirrungsmatrizen für die drei Algorithmen berechnet und in Abb. S1 im Zusatzmaterial dargestellt. Wie in Abb. S1 dargestellt, zeigen die Ergebnisse dieses ersten Experiments, dass es irreführend sein könnte, sich beim Umgang mit einem unausgeglichenen Datensatz auf die Genauigkeit maschineller Lernmethoden zu verlassen. Um dieser Herausforderung zu begegnen, wurden drei Daten-Resampling-Techniken angewendet, nämlich die Überabtastung der Minderheitsklasse, die Unterabtastung der Mehrheitsklasse und die synthetische Minderheitsüberabtastungstechnik (SMOTE) auf die klassenunausgeglichenen Daten. Die Leistung jedes Algorithmus für die neu abgetasteten Datensätze wurde bewertet.

Der ursprüngliche Datensatz wird durch Überabtastung mit der Minderheitsklassentechnik transformiert. Bei dieser Technik werden Stichproben aus der Minderheitsklasse zufällig wiederholt, bis ihre Anzahl der der Mehrheitsklasse entspricht. Abbildung S2 (siehe unten links) zeigt die Verteilung der Klassenbezeichnungen nach Anwendung der Überabtastung der Minderheitsklassentechnik. Das zweite Experiment wurde mit dem überabgetasteten Datensatz durchgeführt, um die Leistung der Maschinenalgorithmen bei der Klassifizierung sowohl der Mehrheits- als auch der Minderheitsklassen zu bewerten. Tabelle 3 zeigt die Ergebnisse des zweiten Experiments mit dem überabgetasteten Datensatz. Die in Tabelle 3 gezeigten Ergebnisse zeigen, dass sowohl DT als auch RF eine Genauigkeit von bis zu 99 % erreichten, während XGB eine Genauigkeit von 95 % verzeichnete. Um die Leistung jedes Modells genau anzugeben, werden Verwirrungsmatrizen für die drei Algorithmen berechnet und in Abb. S2 im Zusatzmaterial dargestellt. Wie in Abb. S2 gezeigt, kann bei der Vorhersage der Minderheitsklasse beobachtet werden, dass alle drei Algorithmen alle Stichproben der Minderheitsklasse korrekt vorhergesagt haben. Aufgrund dieser Ausgaben haben sowohl der DT- als auch der RF-Algorithmus eine bessere Leistung gegenüber dem XGB-Algorithmus erzielt.

Der Originaldatensatz wird durch Anwendung von SMOTE (Synthetic Minority Oversampling Technique)37 transformiert, siehe ergänzendes Material. Diese Technik ähnelt der Überabtastung der Minderheitsklassentechnik. Im Gegensatz zur Überabtastung der Minderheitsklasse, bei der Stichproben der Minderheitsklasse repliziert werden, werden in SMOTE Stichproben der Minderheitsklasse synthetisch erstellt, bis ihre Anzahl der der Mehrheitsklasse entspricht. Abbildung S3 zeigt die Verteilung der Klassenbezeichnungen nach Anwendung der SMOTE-Technik. Das dritte Experiment wurde mit dem SMOTE-Datensatz durchgeführt, um die Leistung der drei Algorithmen zu bewerten. Tabelle 4 zeigt die Ergebnisse des vierten Experiments. Die in Tabelle 4 dargestellten Ergebnisse zeigen, dass sowohl DT als auch RF eine Genauigkeit von bis zu 99 % erreichten, während XGB eine Genauigkeit von 95 % verzeichnete. Um die Leistung jedes Algorithmus bei der korrekten Klassifizierung von Mehrheits- und Minderheitsklassen weiter zu bewerten, werden die Verwirrungsmatrizen für die drei Algorithmen berechnet und in Abb. S3 im Zusatzmaterial dargestellt. Abbildung S3 zeigt, dass XGB bei der Vorhersage der Minderheitenklasse besser abgeschnitten hat, gefolgt von RF und dann DT. Bei der Vorhersage der Mehrheitsklasse schnitt DT gut ab, gefolgt von RF und dann XGB.

Jetzt wird der ursprüngliche Datensatz durch Anwendung der Unterabtastung der Mehrheitsklassentechnik transformiert. Bei dieser Technik werden Stichproben aus der Mehrheitsklasse nach dem Zufallsprinzip entfernt, bis ihre Anzahl der der Minderheitsklasse entspricht. Abbildung 4 (siehe unten links) zeigt die Verteilung der Klassenbezeichnungen nach Anwendung der Unterabtastung der Mehrheitsklassentechnik. Das vierte Experiment wurde mit dem unterabgetasteten Datensatz durchgeführt, um die Leistung der Maschinenalgorithmen bei der Klassifizierung sowohl der Mehrheits- als auch der Minderheitsklassen zu bewerten. Tabelle 5 zeigt die Ergebnisse des dritten Experiments mit dem unterbesetzten Datensatz. Die in Tabelle 5 gezeigten Ergebnisse zeigen, dass sowohl DT als auch RF eine Genauigkeit von bis zu 99 % erreichten, während XGB eine Genauigkeit von 96 % verzeichnete. Um die Leistung jedes Algorithmus (bei der Klassifizierung sowohl der Mehrheits- als auch der Minderheitsklasse) im unterbewerteten Datensatz genau zu demonstrieren, werden Verwirrungsmatrizen für die drei Algorithmen berechnet und in Abb. 4 dargestellt.

Leistungsbewertung mithilfe einer Verwirrungsmatrix für einen Datensatz mit geringer Stichprobe.

Wie in Abb. 4 dargestellt, hat DT von 100 Stichproben sowohl für die Mehrheits- als auch für die Minderheitsklasse 99 Stichproben korrekt und für beide Klassen eine Stichprobe falsch vorhergesagt. RF hat 99 Stichproben der Mehrheitsklasse richtig vorhergesagt, 1 Stichprobe der Mehrheit falsch und alle 100 Stichproben der Minderheit richtig. XGB hat 99 Stichproben der Mehrheitsklasse richtig, 8 Stichproben der Mehrheitsklasse falsch und alle 100 Stichproben der Minderheit richtig vorhergesagt. Aufgrund dieser Ausgaben erzielte der RF-Algorithmus eine bessere Leistung als die DT- und XGB-Algorithmen.

Wie in den Ergebnissen beschrieben, schnitt das RF-Modell bei dem unterabgetasteten Datensatz gut ab. Es ist jedoch schwierig, die Vorhersagen von RF sofort zu erklären. Um dieser Herausforderung zu begegnen, wenden wir die als SHAP (SHapley Additive exPlanations) bekannte Technik der eXplainable Artificial Intelligence (XAI) an, um eine intuitive Erklärung der inneren Funktionsweise des RF-Modells zu liefern und seine Transparenz zu erhöhen. Die bereitgestellten Erläuterungen basieren auf dem RF-Modell, das auf dem unterabgetasteten Datensatz trainiert wurde. SHAP ist eine spieltheoretische Technik zur Erklärung der Ausgabe des maschinellen Lernmodells38. Es liefert globale und lokale Erklärungen unter Verwendung klassischer Shapley-Werte aus der Spieltheorie. Neben der Schätzung der Merkmalsbedeutung, die sich auf die Interpretation eines Modells als Ganzes (global) konzentriert, bietet die SHAP-Methode Interpretationen einzelner Vorhersagen des gesamten Modells (lokal).

Hier werden die SHAP-Werte kombiniert, um den Beitrag jedes Prädiktors zu den Modellergebnissen (Zielvariablen) aufzuzeigen. Die Bedeutung der Merkmale des RF-Modells für eine effektive Lösung der Lagerung von Weizenkörnern ist in Abb. 5a als normales Balkendiagramm und in Abb. 5b als SHAP-Zusammenfassungsdiagramm dargestellt. Abbildung 5a listet die einflussreichsten Merkmale in absteigender Reihenfolge für die effiziente Lösung (Klasse 1) auf. Eine rote Balkenfarbe bedeutet, dass die Funktion einen positiven Einfluss auf die Ausgabe hat, während eine blaue Farbe einen negativen Einfluss bedeutet. Es lässt sich beobachten, dass die Lagerung von 21 kg Weizenkörnern in einer Holzkiste einen starken positiven Einfluss auf die Leistung hat, gefolgt von Umgebungstemperatur, Luftdruck, Windgeschwindigkeit und schließlich dem Mischen und Stapeln. Andererseits wirkt sich die relative Luftfeuchtigkeit der Luft stark negativ auf die Leistung aus, gefolgt von 25 kg Weizen in einer Holzkiste, Sonnenflussdichte, Sonneneinstrahlung, 16 kg Weizen in einer Holzkiste, Windrichtung und schließlich 21 kg Weizen ohne Holzkiste. Regen hat keinen Einfluss auf die Leistung.

(a) Merkmalswichtigkeitsdiagramm und (b) SHAP-Zusammenfassungsdiagramm, das den Merkmalseinfluss auf die Lagerungslösung für Weizenkörner zeigt.

Das in Abb. 5b gezeigte SHAP-Zusammenfassungsdiagramm zeigt die positiven und negativen Beziehungen der Merkmale mit der Zielvariablen. Das zusammenfassende Diagramm zeigt die SHAP-Werte jedes Features und die Punkte stellen jede Beobachtung im Datensatz dar. Das Diagramm listet alle Merkmale zusammen mit ihrer Bedeutung auf der Y-Achse in absteigender Reihenfolge ihres Einflusses auf und zeigt, ob die Auswirkungen ihrer Werte mit einer niedrigeren oder höheren Vorhersage verbunden sind. Auf der x-Achse zeigt die Position der Punkte die Auswirkung der Merkmale auf die Vorhersage des Modells für jede Beobachtung. Für jede Beobachtung zeigen die Farben, ob ein Merkmal niedrig (in Blau) oder hoch (in Rot) ist. Somit lässt sich beobachten, dass die Lagerung von 21 kg Weizenkörnern in einer Holzkiste einen hohen und positiven Einfluss auf die Modellleistung hat. Die hohe Wirkung ergibt sich aus der roten Farbe, die positive Wirkung wird auf der x-Achse angezeigt. Ebenso werden wir sagen, dass sich die Funktion „Air RH“ negativ auf die Modellleistung auswirkt.

In Abb. 5a und b geben die Verlaufsfarben einen Überblick über die Auswirkung jedes Merkmals auf die Lösung. Um zu verstehen, wie das Modell zu der Entscheidung für jede Beobachtung gelangte, wurden SHAP-Kraftdiagramme für einzelne Beobachtungen erstellt. Daher erhält jede Beobachtung oder Datenstichprobe einen eigenen Satz von SHAP-Werten, die verwendet werden, um zu erklären, warum eine Beobachtung ihre Vorhersage/Ausgabe und die Beiträge der Prädiktoren erhält. Abbildung 6 zeigt zwei Kraftdiagramme für separate Beobachtungen im Datensatz. Dieser enthält zwei Werte: einen als Basiswert und den anderen als Modellvorhersage. Der Basiswert bezeichnet die durchschnittliche Modellausgabe über den Datensatz und die Modellvorhersage bezeichnet die Vorhersage aus dem Modell. Diese Visualisierungen zeigten die Merkmale, die für die Diskrepanz zwischen der Modellausgabe und dem Basiswert verantwortlich waren. Die Merkmale, die die Vorhersage senken, sind blau gefärbt, und diejenigen, die höher sind, sind rot gefärbt. Diese Diagramme können Empfehlungen liefern, die Entscheidungsträger darüber informieren, ob in einem bestimmten Fall eine effektive Lagerung von Weizenkörnern erforderlich ist oder nicht.

Darstellung der SHAP-Kraftdiagramme für ineffektive (a) und effektive (b) vorhergesagte Lösungen zur Lagerung von Weizenkörnern.

Das RF-Modell wurde basierend auf dem Standardschwellenwert von 0,5 der Scikit-Learn-Bibliothek von Python entwickelt, wobei Werte zwischen 0 und 0,5 zur Klasse 0 (ineffektive Lösungen) und Werte zwischen 0,5 und 1 zur Klasse 1 (effektive Lösungen) gehören. Für die in Abb. 6a gezeigte Beobachtung sagte das Modell einen Wert von 0,00 voraus, der niedriger ist als der Basiswert von 0,4968, was auf eine unwirksame Lösung zum Erhitzen der Weizenkörner hinweist. Dieses Kraftdiagramm zeigt auch die Merkmale, die die Lösung unwirksam machen. Diese Lösung hat Sonnenstrahlung = 143,9 (\(M_j/m^2\)). Diese Funktion verschiebt die Vorhersage auf höhere Werte, wie in roter Farbe dargestellt. Selbst wenn diese Kraft zu höheren Werten drängt, gibt es eine viel größere Gruppe von Merkmalen, die diese Lösung zu niedrigeren Werten drängt, wie in den blauen Farbbalken dargestellt. Jedem dieser Merkmale wird ein Wert zugewiesen, und ihre kombinierte Kraft führt dazu, dass das Modell zu dieser Vorhersage gelangt. Dies bedeutet einfach, dass das Erhitzen von Weizenkörnern wirkungslos wäre, wenn 21 kg Weizenkörner ohne Holzkiste bei einer Umgebungstemperatur von 19,86 \(^\circ\)C, einer Luftfeuchte von 79,94 % und einer Sonneneinstrahlung von 143,9 erhitzt würden (\(M_j/m^2\)). In ähnlicher Weise sagte das Modell in Abb. 6b eine effektive Lösung zum Erhitzen der Weizenkörner voraus. Dies wird durch den vom Modell vorhergesagten Wert von 1,00 angezeigt, der größer als der Basiswert ist. Dieses Diagramm kann auch verwendet werden, um zu ermitteln, welche Feature-Attribute es zu einer effektiven Lösung machen. Diese Lösung hat einen Misch- und Stapelwert von 0, der die Vorhersage in Richtung niedrigerer Werte verschiebt, wie in blauen Farben dargestellt. Selbst wenn diese Kraft zu niedrigeren Werten drängt, gibt es eine viel größere Gruppe von Merkmalen, die diese Lösung zu höheren Werten drängt, wie in den roten Farbbalken dargestellt. Jedem dieser Merkmale wird ein Wert zugewiesen, und ihre kombinierte Kraft führt dazu, dass das Modell zu dieser Vorhersage gelangt. Das bedeutet, dass das Erhitzen von Weizenkörnern effektiv wäre, wenn 21 kg Weizenkörner in einer Holzkiste bei einer Luftfeuchte von 38,72 %, Sonneneinstrahlung = 78,89 (\(M_j/m^2\)) und einer Umgebungstemperatur von 33,8 erhitzt würden \(^\circ\)C.

Die Ergebnisse zeigen, dass die mittlere Kornmenge in einer Holzkiste (21 kg Weizenkörner) einen signifikanten Einfluss auf unsere Lösung hatte, die Temperatur auf über 40 °C zu erhöhen, um den Reiskäfer abzutöten. Die wärmetechnische Überlegenheit der 21-kg-Box im Vergleich zu anderen Getreidemengen, insbesondere derjenigen mit einer geringeren Menge von 16 kg, ist hauptsächlich auf die Tatsache zurückzuführen, dass Getreide als guter Isolator gilt18,39,40. Seit Kurzem werden Puffkörner als biobasierte, umweltfreundliche Dämmstoffe im Hochbau eingesetzt18. Je dicker die Menge an Körnern (Isolator) ist, desto geringer ist die Wärmeübertragungsrate41. Das heißt, je dicker die Kornmenge, desto geringer ist der Wärmegewinn des Korns und desto geringer ist der Wärmeverlust des Korns. Die optimale Korndicke, um das Gleichgewicht zwischen diesen beiden Prozessen zu erreichen, ist eine mittlere Kornmenge. Ein weiteres wichtiges Merkmal zur Optimierung unserer Lösung ist die hohe Umgebungstemperatur. Diese Studie wurde im Juli und August in Kanada durchgeführt, wo die maximale Lufttemperatur 28 bis 32 °C betrug (Anhänge A; Tabellen A.1 und Tabelle A.2)42. Die Leistung unserer Solarheizbeutel wird in verschiedenen Regionen der Welt mit höheren Temperaturbedingungen von 30 bis 37 °C verbessert. Die Sommer- und Herbstsaison ist die beste Jahreszeit für die Nutzung dieses Heizsystems, da die tägliche Differenz zwischen maximaler und minimaler Lufttemperatur zwischen Mai und Oktober am geringsten ist41. Der tägliche Anstieg der Lufttemperatur verläuft schneller (ca. 8 Stunden) als der Abfall vom Maximum auf das Minimum während der Nacht (ca. 15 Stunden)41. Daher ist die mittlere Kornmenge vor allem in der heißen Jahreszeit besser als andere Mengen. Im Einklang mit unseren Ergebnissen untersuchten frühere Studien in der thermischen Wissenschaft den Einfluss der Materialdicke auf die thermische Isolierung41,43. Diese Studien ergaben, dass es für jedes Dämmmaterial eine optimale Dicke gibt.

Schließlich hatte das Mischen und Stapeln von Plastiktüten einen erheblichen Einfluss auf das Erreichen unseres Ziels. Dieser Effekt könnte in einigen Fällen vernachlässigt werden, wenn andere Merkmale erfüllt sind, wie z. B. eine hohe Temperatur von 33,8 °C und die Verwendung von 21 kg Weizen in einer Holzkiste. Der SHAP-Ertrag ist den experimentellen Ergebnissen ziemlich ähnlich, da das Mischen und Stapeln von Plastiktüten den TS von Getreide erhöhte, Abb. 3. In den experimentellen Ergebnissen unterschieden sich die TS von 16, 21 und 25 kg Weizen nicht signifikant voneinander, Abb .3a, während sich laut SHAP-Ergebnis die mittlere Kornmenge im Vergleich zu anderen positiv auswirkte, Abb. 5a. Schließlich scheint das ML-Modell zufriedenstellend zu sein, um die Temperaturen in unseren geschlossenen, beheizten Plastiktüten vorherzusagen. In ähnlicher Weise wurden in den letzten Jahren verschiedene ML-Modelle entwickelt, um dieselben Umweltdaten zur Vorhersage der Temperatur in geschlossenen Gewächshäusern für die Bepflanzung oder Bodenentwesung zu verwenden19,20,26,44.

Maschinelles Lernen ist eine vielversprechende Alternative zu mathematischen und statistischen Modellen zur Untersuchung des thermischen Verhaltens in Heizsystemen, die zur thermischen Kontrolle nach der Ernte eingesetzt werden. Algorithmen für maschinelles Lernen können die Wechselwirkung zwischen verschiedenen Parametern effektiv untersuchen, um die effektiven tödlichen Temperaturen für Getreideinsekten vorherzusagen, die in durchsichtigen Plastiktüten aufbewahrt werden. In dieser Arbeit haben wir einen neuen Benchmark-Datensatz bereitgestellt, in dem die experimentellen und Umweltdaten auf der Grundlage von Feldarbeiten während des Sommers in Kanada gesammelt wurden. Wir haben eine überwachte Lösung für maschinelles Lernen eingeführt, um das thermische Verhalten in durchsichtigen Plastiktüten besser zu verstehen, um die Wirksamkeit des Solarheizsystems gegen gelagerte Getreideinsekten zu maximieren und gleichzeitig sicherzustellen, dass die Weizenkornqualität erhalten bleibt. Wir nutzten die als SHAP (SHapley Additive exPlanations) bekannte Technik der eXplainable Artificial Intelligence (XAI), um eine intuitive Erklärung der inneren Funktionsweise des Random Forest-Modells zu liefern und seine Transparenz zu erhöhen. Unser wichtigstes Ergebnis ist, dass eine optimale Menge mittelgroßer Körner in einer Holzkiste (21 kg Weizenkörner) einen signifikanten Einfluss auf unsere Lösung hatte, Temperaturen über 40 °C gegen den Reiskäfer Sitophilus oryzae zu erhöhen (L.).

Wir bestätigen, dass die experimentelle Forschung und Feldstudien an Pflanzen den relevanten institutionellen, nationalen und internationalen Richtlinien und Gesetzen entsprechen.

Wir haben den Datensatz unter einer Creative Commons Attribution 4.0 International License veröffentlicht, die unter https://sandbox.zenodo.org/record/1067714 heruntergeladen werden kann.

Affognon, H., Mutungi, C., Sanginga, P. & Borgemeister, C. Unpacking Postharvest Losses in Subsahara-Afrika: Eine Metaanalyse. Weltentwickler. 66, 49–6 https://doi.org/10.1016/j.worlddev.2014.08.002 (2015).

Artikel Google Scholar

Kumar, D. & Kalita, P. Reduzierung von Nachernteverlusten bei der Lagerung von Getreide, um die Ernährungssicherheit in Entwicklungsländern zu stärken. Lebensmittel 6, 8. https://doi.org/10.3390/foods6010008 (2017).

Artikel PubMed PubMed Central Google Scholar

Mesterhazy, A., Olah, J. & Popp, J. Verluste in der Getreidelieferkette: Ursachen und Lösungen. Nachhaltigkeit 12, 2342. https://doi.org/10.3390/su12062342 (2020).

Artikel Google Scholar

Odokonyero, K., Gallo Junior, A. & Mishra, H. Von der Natur inspirierte, mit Wachs beschichtete Jutebeutel zur Reduzierung von Lagerverlusten nach der Ernte. Wissenschaft. Rep.https://doi.org/10.1038/s41598-021-93247-z (2021).

Artikel PubMed PubMed Central Google Scholar

Jasrotia, P. et al. Nanomaterialien für die Nacherntebekämpfung von Insektenschädlingen: Aktueller Stand und Zukunftsperspektiven. Vorderseite. Nanotechnologie.https://doi.org/10.3389/fnano.2021.811056 (2022).

Artikel Google Scholar

Luo, Y., Huang, D., Li, D. & Wu, L. Lagerung in landwirtschaftlichen Betrieben, Lagerverluste und die Auswirkungen der Verlustreduzierung in China. Ressource. Konserv. Recycling. 162, 105062. https://doi.org/10.1016/j.resconrec.2020.105062 (2020).

Artikel Google Scholar

Rita Devi, S., Thomas, A., Rebijith, KB & Ramamurthy, VV Biologie, Morphologie und molekulare Charakterisierung von Sitophilus oryzae und s. Zeamais (Coleoptera: Curculionidae). J. Stored Prod. Res. 73, 135–141. https://doi.org/10.1016/j.jspr.2017.08.004 (2017).

Artikel Google Scholar

Okram, S. & Hath, TK Biologie von Sitophilus oryzae (L.) (Coleoptera: Curculionidae) an gelagerten Reiskörnern zu verschiedenen Jahreszeiten in der Terai-Agroökologie von Westbengalen. Int. J. Curr. Mikrobiol. Appl. Wissenschaft. 8, 1955–1963 (2019).

Artikel Google Scholar

Mansoor-ul Hasan, AA et al. Einfluss von Temperatur und relativer Luftfeuchtigkeit auf die Entwicklung von Sitophilus oryzae L. (Coleoptera: Curculionidae). J. Entomol. Zool. Zucht. 5, 85–90 (2017).

Google Scholar

Padmasri, A. et al. Bekämpfung des Reiskäfers (Sitophilus oryzae L.) in Mais durch botanische Saatgutbehandlung. Int. J. Curr. Mikrobiol. Appl. Wissenschaft. 6, 3543–3555 (2017).

Artikel Google Scholar

Rajendran, S. & Sriranjini, V.-R. Einsatz von Begasung zur Steuerung der Getreidequalität. Stewart Postharvest Rev. 3, 1–8. https://doi.org/10.2212/spr.2007.6.9 (2007).

Artikel Google Scholar

Amoah, BA & Mahroof, RM Entwesung von mit Sitophilus oryzae befallenem Weizen unter Verwendung von Ozongas. J. Agrar. Urban Entomol. 36, 35–46. https://doi.org/10.3954/1523-5475-36.1.35 (2020).

Artikel Google Scholar

Mourier, H. & Poulsen, KP Bekämpfung von Insekten und Milben in Getreide mithilfe einer Hochtemperatur-/Kurzzeittechnik (HTST). J. Stored Prod. Res. 36, 309–318 (2000).

Artikel CAS PubMed Google Scholar

Fawki, S., Fields, PG, Jian, F. & Yousery, A. Bekämpfung von Sitophilus oryzae (Coleoptera: Curculionidae) in Weizensäcken mithilfe von Sonnenstrahlung. J. Stored Prod. Res. 96, 101941. https://doi.org/10.1016/j.jspr.2022.101941 (2022).

Artikel Google Scholar

Fields, PG Die Bekämpfung von Vorratsinsekten und Milben bei extremen Temperaturen. J. Stored Prod. Res. 28, 89–118. https://doi.org/10.1016/0022-474X(92)90018-L (1992).

Artikel Google Scholar

Yan, R., Huang, Z., Zhu, H., Johnson, JA & Wang, S. Thermische Todeskinetik erwachsener Sitophilus oryzae und Auswirkungen der Heizrate auf die Thermotoleranz. J. Stored Prod. Res. 59, 231–236. https://doi.org/10.1016/j.jspr.2014.03.006 (2014).

Artikel Google Scholar

Beckett, S., Morton, R. & Darby, J. Die Sterblichkeit von Rhyzopertha dominica (F.) (Coleoptera: Bostrychidae) und Sitophilus oryzae (L.) (Coleoptera: Curculionidae) bei gemäßigten Temperaturen. J. Stored Prod. Res. 34, 363–376. https://doi.org/10.1016/S0022-474X(98)00022-8 (1998).

Artikel Google Scholar

Khoukhi, M., Dar Saleh, A., Mohammad, AF, Hassan, A. & Abdelbaqi, S. Wärmeleistung und statistische Analyse eines neuen biobasierten Isolationsmaterials, das mithilfe der Grain-Puffing-Technik hergestellt wurde. Konstr. Bauen. Mater. 345, 128311. https://doi.org/10.1016/j.conbuildmat.2022.128311 (2022).

Artikel CAS Google Scholar

Allouhi, A., Choab, N., Hamrani, A. & Saadeddine, S. Algorithmen für maschinelles Lernen zur Bewertung des thermischen Verhaltens eines marokkanischen Landwirtschaftsgewächshauses. Sauber. Ing. Technol. 5, 100346 (2021).

Artikel Google Scholar

Moon, T. et al. Interpolation von Treibhausumgebungsdaten mithilfe eines mehrschichtigen Perzeptrons. Berechnen. Elektron. Landwirtschaft. 166, 105023. https://doi.org/10.1016/j.compag.2019.105023 (2019).

Artikel Google Scholar

Lutz, E. & Coradi, PC Anwendungen neuer Technologien zur Überwachung und Vorhersage der Qualität gelagerter Körner: Sensoren, Internet der Dinge und künstliche Intelligenz. Messung 188, 110609 (2021).

Artikel Google Scholar

da Silva Andre, G., Coradi, PC, Teodoro, LPR & Teodoro, PE Vorhersage der Qualität von Sojabohnensamen, die in verschiedenen Umgebungen und Verpackungen gelagert werden, mithilfe von maschinellem Lernen. Wissenschaft. Rep. 12, 1–13 (2022).

Artikel Google Scholar

Lima, RE et al. Mathematische Modellierung und multivariate Analyse verwendeten Trocknungs- und Lagerbedingungen und Einflüsse auf die physikalisch-chemische Getreidequalität, die mit der frühesten Sojabohnenernte in Zusammenhang standen. Wissenschaft. Rep. 11, 1–20 (2021).

Artikel Google Scholar

Coradi, PC et al. Prototyp eines drahtlosen Sensornetzwerks und einer Internet-of-Things-Plattform zur Echtzeitüberwachung des intergranularen Gleichgewichtsfeuchtigkeitsgehalts und zur Vorhersage der in Silossäcken gelagerten Maisqualität. Expertensystem. Appl. 208, 118242 (2022).

Artikel Google Scholar

Lutz, É. et al. Echtzeit-Überwachung des Gleichgewichtsfeuchtigkeitsgehalts zur Vorhersage der Kornqualität von Mais, der in Silo- und Bastsäcken gelagert wird. J. Food Process Eng. 45, e14076 (2022).

Artikel CAS Google Scholar

Taki, M., Mehdizadeh, SA, Rohani, A., Rahnama, M. & Rahmati-Joneidabad, M. Angewandtes maschinelles Lernen in der Gewächshaussimulation; neue Anwendung und Analyse. Inf. Verfahren. Landwirtschaft. 5, 253–268 (2018).

Google Scholar

Al-Mahdouri, A., Baneshi, M., Gonome, H., Okajima, J. & Maruyama, S. Bewertung der optischen Eigenschaften und thermischen Leistungen verschiedener Gewächshausabdeckungsmaterialien. Sol. Energie 96, 21–32. https://doi.org/10.1016/j.solener.2013.06.029 (2013).

Artikel ADS CAS Google Scholar

Choab, N. et al. Rückblick auf Gewächshaus-Mikroklima und Anwendung: Entwurfsparameter, thermische Modellierung und Simulation, Klimakontrolltechnologien. Sol. Energie 191, 109–137. https://doi.org/10.1016/j.solener.2019.08.042 (2019).

Artikel ADS Google Scholar

Pei, W., Ming, F., Zhang, M. & Wan, X. Ein Wärmeleitfähigkeitsmodell für Dämmstoffe unter Berücksichtigung der Wirkung von Feuchtigkeit in kalten Regionen. Kaltreg. Wissenschaft. Technol. 207, 103770. https://doi.org/10.1016/j.coldregions.2022.103770 (2023).

Artikel Google Scholar

Fawki, S. & Yousery, A. Datensatz zum thermischen Verhalten und Wetterdaten der thermischen Entwesung von Sitophilus oryzae in Plastiktüten mittels Solarheizung. Data Brief 42, 108029. https://doi.org/10.1016/j.dib.2022.108029 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Charbuty, B. & Abdulazeez, A. Klassifizierung basierend auf einem Entscheidungsbaumalgorithmus für maschinelles Lernen. J. Appl. Wissenschaft. Technol. Trends 2, 20–28 (2021).

Artikel Google Scholar

Aroef, C., Rivan, Y. & Rustam, Z. Vergleich von Zufallswald- und Support-Vektor-Maschinen zur Brustkrebsklassifizierung. Telekomnika 18, 815–821 (2020).

Artikel Google Scholar

Bühlmann, P. Bagging, Boosting und Ensemble-Methoden. Im Handbook of Computational Statistics 985–1022 (Springer, 2012).

Kapitel Google Scholar

Dietterich, TG Ein experimenteller Vergleich von drei Methoden zum Aufbau von Ensembles von Entscheidungsbäumen: Bagging, Boosting und Randomisierung. Mach. Lernen. 40, 139–157 (2000).

Artikel Google Scholar

Chen, T. & Guestrin, C. Xgboost: Ein skalierbares Baum-Boosting-System. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining 785–794 (2016).

Powers, DM-Bewertung: Von Präzision, Erinnerung und F-Maß bis hin zu Roc, Informiertheit, Markiertheit und Korrelation. arXiv-Vorabdruck arXiv:2010.16061 (2020).

Jeatrakul, P., Wong, KW & Fung, CC Klassifizierung unausgeglichener Daten durch Kombination des komplementären neuronalen Netzwerks und des Smote-Algorithmus. In International Conference on Neural Information Processing 152–159 (Springer, 2010).

Lundberg, SM et al. Erklärbare KI für Bäume: Von lokalen Erklärungen zum globalen Verständnis. arXiv-Vorabdruck arXiv:1905.04610 (2019).

Jian, F., Jayas, DS & White, NDG Spezifische Wärme, thermische Diffusionsfähigkeit und Schüttdichte von gentechnisch verändertem Raps mit hohem Ölgehalt bei unterschiedlichen Feuchtigkeitsgehalten, Temperaturen und Lagerzeiten. Trans. ASABE 56, 1077–1083. https://doi.org/10.13031/trans.56.10067 (2013).

Artikel Google Scholar

Muhammad, AA, Akhlaque, A., Tasneem, A. & Muhammad, A. Nutzung der Sonnenstrahlung auf Dorfebene zur thermischen Entwesung von Weizen, der in verzinkten Stahlbehältern gelagert wird. Pak. Entomol. 28, 57–64 (2006).

Google Scholar

Sahu, DK, Sen, PK, Sahu, GC, Sharma, R. & Bohidar, S. Ein Überblick über Wärmedämmung und ihre optimale Dicke zur Reduzierung von Wärmeverlusten. Int. J. Innov. Res. Wissenschaft. Technol. 2, 1–6 (2015).

CAS Google Scholar

Artikel CAS PubMed PubMed Central Google Scholar

Mahlia, TM, Taufiq, BN, Ismail & Masjuki, HH Korrelation zwischen Wärmeleitfähigkeit und der Dicke ausgewählter Dämmstoffe für Gebäudewände. Energieaufbau. 39, 182–187. https://doi.org/10.1016/j.enbuild.2006.06.002 (2007).

Artikel Google Scholar

D'Emilio, A. Modellierung der thermischen Bodenregime während einer Solarisationsbehandlung in einem geschlossenen Gewächshaus mittels symbolischer Regression über genetische Programmierung 279–286 (Advances in Civil Engineering Materials, 2020).

Referenzen herunterladen

Wir danken Paul G. Fields, Agriculture and Agri-Food Canada, und Fuji Jian, Assistant Professor, Biosystems Engineering, University of Manitoba, Kanada, für die Gestaltung der Feldarbeit und die Bereitstellung aller Einrichtungen in Kanada. Nochmals vielen Dank an Paul G. Fields für wertvolle Kommentare. Vielen Dank an Liam Carlin, Colin Demianyk und Kim Hamilton für die technische Unterstützung. Wir möchten uns auch bei Esther Aramide von der Birmingham City University für ihre Unterstützung bei der ML-Modellierung bedanken. Diese Arbeit wird vom Science and Technology Development Fund (STDF), Kairo, Ägypten, finanziert.

School of Computing and Digital Technology, Birmingham City University, Birmingham, B4 7BD, Großbritannien

Mohammed M. Abdelsamea, Mohamed Medhat Gaber, Aliyuda Ali und Marios Kyriakou

Fakultät für Computer und Information, Universität Assiut, Assiut, 71515, Ägypten

Mohammed M. Abdelsamea

Fakultät für Informatik und Ingenieurwesen, Galala-Universität, Suez, 435611, Ägypten

Mohamed Medhat Gaber

Abteilung für Entomologie, Fakultät für Naturwissenschaften, Ain Shams University, Kairo, 11566, Ägypten

Shams Fawki

Sie können diesen Autor auch in PubMed Google Scholar suchen

MMA und MMG prägten die Forschung und konzipierten die Experimente, AA führte die Experimente zum maschinellen Lernen durch, MK bereitete den Datensatz vor und SF führte die Feldexperimente durch und analysierte die Ergebnisse. Alle Autoren haben das Manuskript verfasst.

Korrespondenz mit Mohammed M. Abdelsamea.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Abdelsamea, MM, Gaber, MM, Ali, A. et al. Ein logarithmisch amortisierender Temperatureffekt für das überwachte Lernen der solaren Desinsektion von Weizen beim Reiskäfer Sitophilus oryzae (Coleoptera: Curculionidae) unter Verwendung von Plastiktüten. Sci Rep 13, 2655 (2023). https://doi.org/10.1038/s41598-023-29594-w

Zitat herunterladen

Eingegangen: 07. Juni 2022

Angenommen: 07. Februar 2023

Veröffentlicht: 14. Februar 2023

DOI: https://doi.org/10.1038/s41598-023-29594-w

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.

Nachricht

Ein logarithmisch amortisierender Temperatureffekt für das überwachte Lernen der solaren Desinsektion von Weizen beim Reiskäfer Sitophilus oryzae (Coleoptera: Curculionidae) unter Verwendung von Plastiktüten