基于机器学习预测农药对熊蜂和蜜蜂的毒性

熊蜂 (Bombus spp.) 和蜜蜂 (Apis mellifera L.) 是自然界中的重要传粉昆虫，近年来因为农药的大规模不合理使用造成了世界多个地区熊蜂和蜜蜂种群的持续下降。为了更好地评估农药对熊蜂和蜜蜂的毒性，本研究收集了61个共有的农药蜂毒数据，采用12种分子指纹联合8种机器学习算法，分别建立了农药对熊蜂和蜜蜂急性接触毒性LD₅₀值的分类预测模型。结果表明:农药对熊蜂和蜜蜂的急性接触毒性分类模型预测准确率分别达86.7%和80.0%。随机森林 (Random Forest)、神经网络 (Neural Network) 和支持向量机 (SVM) 3种算法联合Fingerprinter、Klekota-Roth Count和Extend 3种分子指纹在本研究中的预测能力较好。此外，分别采用构建的熊蜂毒性预测模型和蜜蜂毒性预测模型开展交叉毒性预测，准确率分别为72.9%和66.7%，表明熊蜂毒性模型预测蜜蜂毒性的准确性高于蜜蜂毒性模型预测熊蜂毒性的准确性。本研究可为设计低蜂毒化合物提供理论指导，同时为开展不同昆虫靶标的毒性交叉预测提供借鉴。     

机器学习及其在农业中应用研究的展望

机器学习是一种面向机器的数据分析方法,自动化机器学习的研究促进了人工智能的发展。大数据的快速积累,促进了机器学习算法的井喷式发展。如何选择合适的机器学习算法解决行业问题,成为了当前应用的难点。笔者整理了机器学习新材料,对各种机器算法的特点和算法之间的差异,进行了仔细的梳理,总结了各种算法的需求背景和优缺点,以及主要的应用场合。在此基础上,分析了机器学习在农业应用的案例,综述了机器学习在农业应用,指出了目前存在的发展瓶颈,并提出了进一步研究应用的建议。     

基于变量优选与机器学习的干旱区湿地土壤盐渍化数字制图

土壤盐渍化是导致土壤退化和生态系统恶化的主要原因之一，对干旱区的可持续发展构成主要威胁。为了尽可能精确地监测土壤盐渍化的空间变异性，该研究收集新疆艾比湖湿地78个典型样点，其中选取54个样本作为训练集，24个样本作为独立验证集。基于Sientinel-2 多光谱传感器（Multi-Spectral Instrument，MSI）、数字高程模型（Digital Elevation Model，DEM）数据提取3类指数（红边光谱指数、植被指数和地形指数），经过极端梯度提升（Extreme Gradient Boosting，XGBoost）算法筛选有效特征变量，构建了关于土壤电导率（Electrical Conductivity，EC）的随机森林（Random Forest，RF）、极限学习机（Extra Learning Machine，ELM）和偏最小二乘回归（Partial Least Squares Regression，PLSR）预测模型，并选择最优模型绘制了艾比湖湿地盐渍化分布图。结果表明：优选的红边光谱指数基本能够预测EC的空间变化；红边光谱指数与植被指数组合建模效果总体上优于其与地形指数的组合，3类指数组合的建模取得了较为理想的预测精度，其中RF模型表现最优（验证集R2=0.83，RMSE=4.81 dS/m，RPD=3.11）；在整个研究区内，中部和东部地区土壤盐渍化程度尤为严重。因此，XGBoost所筛选出的环境因子结合机器学习算法可以实现干旱区土壤盐渍化的监测。     

机器学习在奶牛临床疾病预测中的应用

机器学习是指计算机通过大量数据训练及分析来模拟人类的学习行为,从而获得新的知识和技能,是人工智能的核心。近年来,机器学习在奶牛疾病预测领域的应用已成为国际上的研究热点。论文介绍了利用奶牛机体生理指标和生产数据建立奶牛疾病预测模型的方法,重点阐述了如何利用决策树和神经网络筛选奶牛疾病风险因子、预测疾病和疾病分类。同时,综述了机器学习预测代谢性疾病、跛行、乳房炎、热应激和传染性疾病的进展。     

基于机器学习算法的广西桉树适宜性研究

  目的  探索立地因子与桉树Eucalyptus适宜性之间的关系，开展树种适宜性研究，为桉树适宜性研究提供新思路，为科学造林提供支持。  方法  以广西桉树人工林为研究对象，选取广西国有高峰林场的1 883个森林资源小班调查数据，分别运用朴素贝叶斯、支持向量机、随机森林算法作为树种适宜性评价方法，构建桉树适宜性分类模型。输入为地貌类型、海拔、坡向、坡位、坡度、凋落物厚度、腐殖质层厚度、土层厚度、石砾含量、成土母质，土壤类型等11个立地因子信息，输出为桉树适宜性。  结果  3种算法构建的模型拟合精度依次为63.18%、69.73%、78.03%，泛化精度依次为64.33%、67.93%、78.18%。相比于朴素贝叶斯、支持向量机算法，随机森林算法分类效果更好。立地因子重要性排序由高到低依次为:海拔、土层厚度、坡向、坡度、石砾含量、凋落物厚度、坡位、腐殖质层厚度、土壤类型、地貌类型、成土母质。200~350 m海拔、80~100 cm土层厚度的地区比较适宜桉树生长。  结论  基于机器学习算法构建的桉树适宜性评价模型可以较好地对桉树的适宜性做出预测。     

基于卷积神经网络的蜜蜂采集花粉 行为的识别方法

实时监测蜜蜂觅食行为不仅有助于评估当地农作物授粉状况,也有助于及时采取措施提升蜜蜂产品的产量和品质。将计算机视觉技术引入蜜蜂觅食行为(是否携带花粉)的监测,设计5种浅层卷积神经网络(CNN)进行对比分析,并与深层网络GoogLeNet V1的迁移学习进行对比,寻找适合监测蜜蜂觅食行为的最优模型。发现GoogLeNet V1的识别准确率最高,达0.953 6,但训练耗时最长(7 326 s);浅层卷积神经网络中准确率最高的模型为11层神经网络模型(含4层卷积层),测试准确率为0.903 6,耗时相对较短(1 054 s)。最后,对比传统机器学习算法,发现深度学习优势明显。研究表明,GoogLeNet V1深层网络适用于精度要求高、设备条件好的蜜蜂监测环境;而11层卷积神经网络更符合智能养蜂的实际需求。     

机器学习在动物基因组选择中的研究进展

基因组选择是指利用覆盖在全基因组范围内的分子标记信息来估计个体育种值。利用基因组信息能够避免因系谱错误带来的诸多问题，提高选择准确性并缩短育种世代间隔。根据统计模型的不同，基因组选择方法可大致分为基于BLUP(best linear unbiased prediction, BLUP)理论的方法、基于贝叶斯理论的方法和其他方法。目前应用较多的是GBLUP及其改进方法 ssGBLUP。准确性是基因组选择模型最常用的评价指标，用来衡量真实值和估计值之间的相似程度。影响准确性的因素可以从模型中体现，大致分为可控因素和不可控因素。传统基因组选择方法促进了动物育种的快速发展，但这些方法目前都面临着多群体、多组学和计算等诸多挑战，不能捕获基因组高维数据间的非线性关系。作为人工智能的一个分支，机器学习是最贴近生物掌握自然语言处理能力的一种方式。机器学习从数据中提取特征并自动总结规律，利用该规律与新数据进行预测。对于基因组信息，机器学习无需进行分布假设，且所有的标记信息都能够被考虑进模型当中。相比于传统的基因组选择方法，机器学习更容易捕获基因型之间、表型与环境之间的复杂关系。因此，机器学习在动物基因组...