文摘
水葫芦(Eichhornia凤眼莲)是一种有效控制外来植物物种Neochetina种虫害象鼻虫。本研究旨在确定光谱数据可以用来预测insect-induced强调植物水葫芦。单目标回归树(开始于),多目标回归树(MTRTs)和多目标随机森林回归树(RF-MTRTs)被用来预测喂养疤痕破坏(FSD)和相对叶叶绿素含量从高光谱树冠反射率数据(RLCC)。本研究的结果显示,开始于的相关系数(训练精度:76% - -97%;验证精度:47% - -86%)执行比MTRTs(训练精度:74% - -90%;验证精度:45% - -77%)的感染水平但同时很难解释。相比之下,MTRTs(大小:23-35节点)比开始于更小更可说明的(大小:11-47节点),因为他们同时预测女性性功能障碍和RLCC。重要的是,RF-MTRTs(训练精度:95% - -98%;验证精度:55% - -88%)收益率比开始于更好的预测性能和MTRTs侵扰的水平。得出MTRTs模型可以用来解释他们更可判断的; however, RF-MTRTs offer an improved predictive performance.
1。介绍
水葫芦(Eichhornia凤眼莲)是一种外来入侵植物物种都是垫表面的淡水水体(1]。原产于巴西,水葫芦已传播到大多数热带和亚热带国家适合他们的发展2,3]。首次引入水葫芦南非附近海域1900年代(2),目前属于一个类别1 b入侵者根据南非立法,要求强制控制。这种高度的弹性入侵杂草可以归因于高度富营养化水域的患病率和没有天敌3- - - - - -5]。水葫芦植物已报告阻碍捕鱼活动,减少水的质量,阻碍水的使用,而且妨碍导航水道(6- - - - - -9]因此将南非有限水资源的严重压力。为了应对这一日益严重的生态问题,生物电控制程序已经启动,以减轻对淡水生态系统的生态影响。
生物防治剂的释放被认为是一个有效的解决方案可持续控制水葫芦单一栽培。Neochetina eichhorniae和Neochetina bruchi两个生物防治剂目前在南非引入淡水生态系统。他们的效用是必要的许多研究已经证明的有效性n eichhorniae和n bruchi象鼻虫减少杂草密度、植物活力,和生殖潜力(10,11]。成人象鼻虫实现这一目标通过喂养形成矩形疤痕表面的叶(12,13]。表皮组织的象鼻虫消除广泛的比例在叶表面以及饲料光合层叶表面以下(13,14]。随后连续损伤消极地影响叶绿体的功能相对叶叶绿素含量减少(RLCC)和树叶的光合能力15]。因此,喂养疤痕破坏(FSD)和RLCC适合作为可以作为一种形态和生理的伤害水葫芦植株。随着时间的推移,结合形态学和生理应激导致叶片死亡率增加,植物生物量的减少,和可能的植物的死亡率(16- - - - - -18]。量化生物防除造成的破坏的能力,也就是说,变量病害的RLCC和女性性功能障碍,建立生物防治剂的效率水平是至关重要的”来形容水葫芦植物的健康状况。
目前,侦察调查是由手动取样水葫芦植物定期确定生物防除造成损害的严重性和水葫芦植物的健康状况。最近,高光谱遥感技术已成为一个强大的工具,概括性地探测、监控和预测植被压力(19- - - - - -22]。实验室光谱研究有助于对探索的作战潜力预测不同严重程度的生物防除损害从遥感数据(23]。高光谱数据捕获在高光谱分辨率(10 nm)实施关键光谱区域的识别或诊断功能形式的叶光学特性相关的生化和/或植物的生物物理状态(24]。重要的是,确定光谱区域代表反应关键生理过程(叶绿素含量、叶绿素荧光、碳和氮)可用于检测植物压力影响之前被视觉(25]。一般来说,叶反射率的变化可见区域(350 - 700 nm)和近红外区域(700 - 1000 nm)电磁波谱的植被指示压力(26]。的能力与关键光谱区域或乐队生物防除损害参考测量的发展将使校准模型可能监视和预测理想和视觉生物防除损伤。因此,必须研究先进的建模技术来确定这些技术可能可以产生高短时预报和预测精度在处理高维数据集。
在过去的十年里,一套机器学习算法(如人工神经网络、支持向量机和模糊逻辑)已成为一个精确的替代传统参数线性建模技术。其中一个方法是单目标回归树(开始于)进行二元递归分区生产一套规则和回归模型预测单个响应变量(27,28]。几项研究已经成功地证明了公用事业的开始于一个强大的工具进行数据预测(29日- - - - - -31日]。本研究试图预测生物防除破坏植物水葫芦,作者的知识没有被探索过。开始于提供大量的优势作为一个潜在的生物防除伤害监测和预测的操作工具。开始于有效处理高维数据集时,产生一个描述性的模型(32]。重要的是,开始于不依赖数据分布假设和算法可以映射非线性特性之间的关系(即。,乐队)在复杂的数据和响应变量空间(32]。然而,开始于的一个限制是,每个训练只有一个响应变量可以预测。此外,开始于可导致复杂的树,不推广建设从导致过度拟合训练数据。确定和理解植物水葫芦的总体状况,环境管理者必须建造开始于每个响应变量,然后尝试聚合模型的输出。这个过程是费时和低效的行为。或者,一个更有效的方法是建立一个模型,该模型同时预测(即多个生物防除参数。与一个训练,反应)。
多目标回归树(MTRTs)同时预测多个数值响应变量29日在开始于),并提供几个优点。例如,MTRTs比开始于和小培训使他们更快更有效的实现(30.]。此外,MTRTs解释不同变量之间的依赖关系(30.),更可翻译的几个开始于(33]。几项研究的探索和成功地展示了效用MTRTs同时预测多个响应变量(29日,30.,33- - - - - -35]。但是,作者的知识,只有Stojanova et al。30.)使用MTRTs和开始于预测植被高度和林冠覆盖从遥感数据。结果表明,MTRTs表现明显优于开始于当预测林冠覆盖。这强调了操作的潜力MTRTs同时从高光谱数据预测RLCC和女性性功能障碍。本研究试图实现MTRTs不仅预测生物防除损害也确定最具影响力的乐队是重要的理解有影响力的乐队和响应变量之间的关系。尽管MTRTs构建更容易解释的模型具有良好的预测性能,它们是不稳定的。数据的微小变化可能导致完全不同的生成树。不稳定预测模型可以组合成一个整体改善预测性能。多目标随机森林回归树(RF-MTRTs)是一个结合时增加的预测模型预测性能的基本分类器(30.]。例如,Kocev et al。34]报道时的预测性能的改善实施RF-MTRTs相比MTRTs和由于合奏的改进方法。然而,尽管改善预测性能的优势,RF-MTRTs不是可翻译的因为数百MTRTs构造合奏。因此根据应用程序的目标,可以生成一个可说明的模型或模型,收益率高的预测性能。
鉴于上述情况,本研究旨在确定高光谱数据可以应用于监视和预测生物防除措施的变量水葫芦植物感染水平。更具体地说,本研究的目标是(1)比较开始于的可解释性和MTRTs预测FSD RLCC变量感染水平对水葫芦植物和(2)开始于的预测性能比较,MTRTs, RF-MTRTs预测女性性功能障碍和RLCC变量对水葫芦植物感染水平。
2。材料和方法
2.1。实验的程序
本研究实验过程中实现类似实现Agjee et al。23]。然而,在这项研究中,三个Neochetina种虫害侵扰的水平,也就是说,低(两个成年男性象鼻虫/植物),中(每个工厂四个成年男性象鼻虫)和高(每植物6个成年男性象鼻虫)被认为是植物光谱反射率模型生物防除措施(6]。三个侵扰水平然后申请所有后续分析。
2.2。叶变量
叶变量包括女性性功能障碍和RLCC采样。叶变量采样在最小的两个和两个古老展开叶子在每个工厂(13]。女性性功能障碍是由计算象鼻虫喂养疤痕的数量在近轴的叶片薄层的叶子。随后,每个叶片的叶绿素含量一直用spad - 502测量叶绿素仪(36]。spad - 502叶绿素计测量面积0.06厘米2并利用650 nm和940 nm波长估计相对叶绿素含量(37,38]。三个测量记录在每一个定位的树叶在受体窗口和关闭测量头。女性性功能障碍和RLCC测量平均为每个工厂。
2.3。树冠反射率测量
树冠反射率光谱被捕的低风险、中度风险和高感染水平以同样的方式,受雇于Agjee et al。23]在5周的侵扰。然而,在这项研究中,反射光谱捕获了每周每个侵扰水平相结合。
2.4。统计分析
2.4.1。方差分析
单向方差分析(方差分析)是用来确定不同变量之间的女性性功能障碍和RLCC发生感染水平。方差分析进行使用塔纳格拉版本1.4.50 [40]。
2.5。机器学习生物防除造型
2.5.1。单目标回归树
个人开始于构造预测女性性功能障碍和RLCC树冠反射率光谱为每个感染水平。开始于一个层次结构,递归分区是一个组的训练观察生产模型,预测单个响应变量从看不见的观察41]。开始于由一个根节点,分支机构,内部节点和叶子34]。最初,该算法从根节点开始,包含所有的训练观察。随后,数据集在每个内部节点递归划分子集的基础上预测测试。启发式函数用于选择预测测试在每个内部节点基于求和的星团内变异引起的子集预测测试(29日]。定义的星团内变异是 在哪里N集群中的例子的数量,T响应变量的数量,Var (yt响应变量的方差yt在集群中。
启发式函数的目的是指导算法对小树具有良好的预测性能(29日]。分区过程停止时终止准则满足(29日,34]。在这项研究中,F以及停止准则是使用一个节点将只有一个统计F以及表明子集内方差显著减少。的F以及价值优化使用以下值:0.001,0.005,0.01,0.05,0.1和0.125。终止,预测响应变量的值存储在每片叶子。预期值的平均值计算响应变量的观测数据存储在叶(30.]。
在这项研究中,开始于使用M5修剪修剪方法(42- - - - - -44]。M5修剪方法构建一个多元线性模型为每个节点使用节点的观测和预测测试子树(42- - - - - -44]。M5然后计算平均绝对偏差的线性模型,然后乘以一个启发式惩罚因子(42- - - - - -44]。由此产生的错误估计是那么与误差估计的子树相比,如果后者是更大的,子树修剪(42- - - - - -44]。开始于建造使用clu软件(45]。
2.5.2。多目标回归树
构建MTRT,同时预测女性性功能障碍和RLCC使用树冠反射率数据为每个感染水平。MTRT是集群的层次结构,同时产生一个模型来预测几个响应变量从看不见的观察29日]。最初,该算法从根节点开始它包含一组训练数据。随后,训练数据集使用启发式函数递归分割成更小的子集,在每个节点选择一个预测测试(29日]。类似于开始于,启发式函数用于选择预测测试在每个内部节点基于星团内变异求和诱发的子集预测测试(29日]。方差函数是标准化的,这样的相对贡献不同的目标启发式得分= (33]。分区过程停止时F以及停止准则满足(35]。(即终止,响应变量。,FSD and RLCC) are calculated for each leaf. The predicted value for each response variable is calculated as the mean value of the response variable for the observations that are stored in the corresponding leaf [30.]。MTRTs使用M5修剪修剪方法(42- - - - - -44]。在这项研究中,MTRTs建造使用clu软件(45]。
2.5.3。随机森林合奏的目标回归树
随机森林算法构造一个单独种植MTRTs(即响应的预测变量。、女性性功能障碍和RLCC)基于平均响应的预测变量的回归树在森林里(46- - - - - -48]。首先引导、聚合是用来创建新的引导样品49,50]。随后,单个MTRT每个引导建立样本和树种植完全没有修剪33]。因为随机森林回归过程引入了随机性,提高预测的准确性和个人MTRTs减少之间的相关性48,51]。随机森林引入了随机性通过装袋和选择一个随机的子集预测在每个分裂节点。每个响应变量的最终预测计算的平均输出预测合奏MTRT模型(30.]。随机森林中实现多目标分析clu软件(45]。在这项研究中,树的数量增长(ntree)合奏是500棵树。默认的mtry提供使用价值的功能F在哪里F=日志2(预测数+ 1)。
2.5.4。评估回归树
模型解释能力已经被确定评估后开始于和MTRT修剪的大小。回归树的大小计算节点的总和(内部节点和叶子)用于构造树(29日]。模型尺寸一定要注意,因为复杂的树越乐队使用和更复杂的解释。此外,每个开始于和MTRT模型检查来确定关键光谱区域和识别有影响力的乐队作为决策规则构造树。
10倍crossvalidation执行验证回归模型构建。最初的数据集划分为十层状次级样本,其中每个子样品被用作验证数据集,其余次级样本作为训练数据集(52]。然后为训练数据集构建回归模型和误差计算使用每个折叠的测试数据集(52]。最后一个错误是平均10折提供一个单一的误差估计。
所推荐的Stojanova et al。30.)和用于其他研究(29日,34,35),的预测性能开始于,MTRT, RF-MTRT评估通过计算皮尔逊相关系数和均方根误差(RMSE)。相关系数表示的方向和强度两个随机变量之间的线性关系,计算使用 在哪里和是我观测的变量x和y,n的总数对吗x - y观察。
的RMSE衡量价值预测的模型之间的差异和实际观察到的值。RMSE计算使用公式 在哪里观测值和吗预测的值吗我观察。
3所示。结果
3.1。生物防除损伤变量侵扰的水平
生物电控制损害的程度对水葫芦植物五周的三个侵扰水平在一段时间内图所示1。这是观察到植物水葫芦后感染水平低是健康的四个周的侵扰。植物与中、高侵袭水平显示中度和重度损伤后三周的侵扰。水葫芦植物暴露于高水平下降产生新的叶子和减少植物的大小。叶柄的基部被严重吃叶子干燥的迹象,最终下降的叶柄。
3.2。反射光谱变量侵扰的水平
图2显示了三个侵扰的光谱反射率水平在5周。很明显,感染水平低反射率光谱表现出高于中等和高侵扰的水平。此外,侵扰的光谱反射率水平变量对压力源的持续时间。
3.3。描述性统计
女性性功能障碍的描述性统计和RLCC测量提出了表1。最高的意思是RLCC实现的感染水平低(42.95 spad单位)。平均RLCC高感染水平(41.00 spad单位)低于中等水平(41.91 spad单位)。喂养的伤疤的平均数量逐步增加感染水平低( )高水平( )。
单向方差分析的结果表明,有显著差异( )喂养数量的变量之间的伤疤侵扰的水平。此外,单向方差分析的结果显示,有显著性差异( )之间的RLCC侵扰的水平。
3.4。单目标回归树
开始于模型被用作衡量大小的可解释性,因为越深模型,更多和更复杂的决策规则,从而减少模型的可解释性[29日]。开始于模型的可解释性用来预测女性性功能障碍模型的大小增加和减少的水平感染也增加了(低= 17个节点中= 56个节点,和高= 65节点)。然而,的大小和可解释性开始于模型用于预测RLCC变量在三侵扰水平(低= 71节点中= 41节点,和高= 53个节点)。最深和最可说明的模型是开始于模型用来预测RLCC侵扰低水平(大小= 71节点)。相比之下,最可说明的模型是开始于模型用来预测女性性功能障碍模型的感染水平低(大小= 17个节点)。总的来说,结果表明,开始于模型构造预测女性性功能障碍和RLCC大而深,表现出许多复杂的决策规则,很难解释。
虽然开始于模型难以解释,每个开始于模型检查来确定关键光谱区域和识别有影响力的乐队,被用作决策规则来构造模型。一般来说,乐队从所有三个光谱区域(可见、近红外、短波红外区)被用作决策规则来构建每个女性性功能障碍和RLCC模型(图3)。然而,乐队的可见区域(350 - 700 nm)被用作决策规则比乐队从近红外(700 - 1000 nm)和短波红外区(1000 - 2500海里),强调的重要性可见区域预测女性性功能障碍和RLCC。仔细观察开始于模型用来预测FSD透露,最具影响力的乐队在根节点位于696 nm、409 nm和384 nm低,介质,分别和高感染水平。最重要的乐队的根节点开始于模型用来预测RLCC位于695 nm, 629 nm和746 nm低,介质,分别和高感染水平。
(一)
(b)
开始于模型用来预测女性性功能障碍和RLCC高感染水平见图4。模型描述了重要的乐队影响女性性功能障碍和RLCC预测高感染水平。最具影响力的乐队定义女性性功能障碍模型位于384 nm, 355 nm、689 nm、406 nm、990 nm、583 nm、362 nm、363 nm和2383 nm而最具影响力的乐队定义RLCC模型位于746 nm、689 nm、351 nm、740 nm、929 nm和350 nm。检查两个模型之后,很明显,这两个模型是深的模型表现出许多不同的复杂的决策规则。女性性功能障碍和RLCC模型的复杂性阻碍了同声传译的模型。
(一)
(b)
相关系数和RMSE用来评估开始于模型用于预测女性性功能障碍的预测性能和RLCC三侵扰水平(表2)。这一研究获得的结果表明,验证集的相关系数确定增加的水平感染增加女性性功能障碍(低:r= 49%;介质:r= 51%;高:r= 57%)和RLCC(低:r= 64%;介质:r= 67%;高:r= 86%)。然而,RMSE决定女性性功能障碍的训练集和验证集和RLCC模型变量的分三种等级的侵扰。总的来说,它可以观察到验证设定了一个较弱的预测性能比女性性功能障碍的训练集和RLCC模型(表三感染水平2)。尽管减少,女性性功能障碍和RLCC模型构造的低水平仍然相对良好的表现。相对,开始于模型用来预测RLCC取得了更好的预测性能模型预测FSD三侵扰的水平(表2)。女性性功能障碍的最佳预测性能的验证为媒介实现侵扰级别(r= 51%,RMSE = 0.33),而最好的预测性能RLCC实现高感染水平(r= 86%,RMSE = 7.21)。
3.5。多目标回归树和随机森林合奏的目标回归树
MTRT模型用于同时预测女性性功能障碍和RLCC不同大小和可解释性三侵扰水平(低= 23节点中= 35节点,和高= 29节点)。最小的最可判断的MTRT模型构造的感染水平低(大小= 23个节点),而最大最小可说明的模型构造中感染水平(大小= 35节点)。总的来说,MTRT模型构建与一些决策规则导致小模型,更复杂,更解释。
每个MTRT模型检查来确定关键光谱区域和识别有影响力的乐队,被用作决策规则来构造模型。最具影响力的乐队用于分裂观察根节点位于可见区域(350 - 700 nm)在694 nm更具体地说,661 nm和689 nm低,介质,分别和高感染水平(图5)。一般来说,乐队的可见区域(350 - 700 nm)被用作决策规则构建每个模型分三种等级的侵扰。
图6同时说明了MTRT用来预测女性性功能障碍和RLCC高感染水平。最重要的乐队在根节点是乐队698海里位于红色边缘地区。然而,最具影响力的乐队生物防除损失预测是乐队的可见区域(350 nm、363 nm和689 nm)和近红外区域(743 nm、757 nm和1001 nm)。
预测的性能(相关系数和RMSE) MTRTs和RF-MTRTs三侵扰水平提出了表3。MTRT相关系数计算验证设置增加感染水平增加对女性性功能障碍(低:r= 45%;介质:r= 46%;高:r= 50%)和RLCC(低:r= 57%;介质:r= 59%;高:r= 77%)。然而,RMSE确定训练集和验证集变量对女性性功能障碍和RLCC分三种等级的侵扰。特别是,相关系数计算验证设置为45%时预测女性性功能障碍和57%预测RLCC侵扰水平低(表3)。尽管减少了训练集的预测性能,测试模型仍然概括看不见的观测结果相对较好。fromer博士补充说,“然而,最佳的预测性能和显示的RLCC验证设置高感染水平(表实现3)。总的来说,MTRTs预测RLCC比FSD分三种等级的侵扰的培训和验证精度(表所示3)。
RF-MTRTs不断达到更高的预测性能比单一MTRTs预测女性性功能障碍和RLCC三侵扰水平(表3)。MTRTs增加了FSD的整体相关系数在10%和20%之间相比单一MTRTs三侵扰的水平。同样,RF-MTRTs RLCC产生了一种改进的预测相关系数在6%和19%之间的单一MTRTs相比。这些结果是令人鼓舞的强调一个回归方法的实现和效用提高MTRTs的预测性能。结果通过MTRTs相似,相关系数计算验证设置增加感染水平增加对女性性功能障碍(低:r= 55%;介质:r= 63%;高:r= 70%)和RLCC(低:r= 63%;介质:r= 78%;高:r= 88%)。此外,RMSE变量在三侵扰水平(表3)。验证设置了较弱的预测性能,两个女性性功能障碍的训练集和RLCC三侵扰水平(表3)。RF-MTRT预测女性性功能障碍和RLCC侵扰水平低(表相对较好3)。fromer博士补充说,“然而,最佳的预测性能和显示的RLCC验证设置高感染水平(表实现3)。
4所示。讨论
4.1。模型大小和可解释性
MTRTs是最好的回归树模型来解释和理解反射光谱之间的关系和生物防除措施。大小的一个MTRT用于同时预测女性性功能障碍和RLCC小于开始于之和为每个响应变量构造三个感染水平。MTRTs较复杂的自然界中,因为它们捕获一般信息响应变量同时考虑响应变量之间的相互作用(33]。更有利于解释单个MTRT描述所有响应变量相比分别解释每个开始于和协调之间的决策规则树(34]。尽管研究没有预测生物防除措施从高光谱数据,这项研究的成果符合Stojanova等获得的结果。30.),Kocev et al。29日],和Kocev Džeroski [33]证明MTRTs一般规模较小,比开始于可判断的。总的来说,MTRTs很小可说明的模型,可以有效地实现从高光谱树冠反射率预测生物防除措施。
在这项研究中,最具影响力的乐队用于分区观察MTRT模型的根节点位于红色边缘地区在694 nm更具体地说,661 nm和689 nm低,介质,分别和高感染水平。红色边乐队直接与RLCC和受到植被影响的压力因此核心作用的观测是逻辑分区53,54]。红色边乐队的核心作用也表明RLCC是占主导地位的反应变量从光谱反射率预测。一般来说,乐队的可见区域(350 - 700 nm)作为决策规则构建每个模型三个感染水平。这是合理的因为象鼻虫喂养压力消极地影响植物进行光合作用的能力,导致叶绿素恶化,减少吸收的效率从而影响可见光反射率(15]。然而,象鼻虫喂养压力也影响叶的形态,特别是破坏叶片,表皮和叶肉细胞从而影响反射率在近红外区域(55,56]。尽管如此,最解释力的变量主要是选择的可见区域比近红外区域突出的重要性可见区域预测生物防除措施。
相对,开始于规模更大,更复杂的自然界中,和更少的可判断的,因为他们对响应变量捕获的更详细的信息。这项研究的结果表明,大小和复杂性的开始于受到侵扰的水平。开始于大小的预测RLCC侵扰水平下降而下降开始于预测女性性功能障碍的大小随着侵扰程度的增加而减少。这是由于更多的测试被要求分区侵扰的观察,因为水平增加对女性性功能障碍和减少RLCC,响应变量的方差减少。例如,对于高侵扰,FSD损坏是非常广泛和统一的记录值相似和方差低。同样,侵扰水平低,喂养损伤是最小的在这个阶段导致出没的植物有一个类似RLCC健康的植物。通常开始于构建女性性功能障碍和RLCC使用不同的乐队乐队的根节点和一个不同的序列模型为每个侵扰每个响应变量的水平。这增加了复杂性的解释开始于因为很难调和这两个树中包含的信息来确定变量最解释力。类似的观测指出Kocev et al。34)单目标相比,多目标,乐团模型复合植被指数条件。总的来说,开始于更大,更少的可翻译的,和更少的信息比MTRTs从高光谱树冠反射率预测生物防除措施。
4.2。单目标回归树和多目标回归树
的预测性能MTRTs和开始于感染水平是相对强劲的。比较MTRTs和开始于显示,开始于预测性能略高于MTRTs侵扰的水平(表2;表3)。较低的预测性能MTRTs可以归因于复杂的生物防除措施之间的相互作用的性质。这一研究获得的结果是类似于通过Kocev et al。29日)注意到,开始于同样或略优于MTRTs执行。MTRTs的较低的预测性能不应该阻止它的实现。许多研究仍主张其多目标预测的工具,因为它易于解释(29日,34]。的关键限制因素之一,然而开始于和MTRTs验证数据集上构造的树表现远低于在训练数据集构造的树感染水平。例如,MTRTs构造的相关系数中等水平的验证数据集是29%低于预测RLCC时的训练数据集。这一发现以前观察到Kocev et al。29日)的预测能力还指出,谁在看不见的观察开始于和MTRT模型是弱。尽管开始于和MTRTs overfit训练数据集,MTRTs和开始于预测RLCC所有感染水平比女性性功能障碍。特别是,它假定MTRTs和开始于更准确地预测女性性功能障碍的感染水平低,因为它是破坏的主要形式和减少RLCC只是取得了重大损害完成后(57]。然而,结果表明,两种生物防除措施,生理损伤预计更好的从光谱数据和主要生物防除措施在每个侵扰的水平。总的来说,这些发现表明MTRTs表现良好,因为它们是可翻译的的喜爱,然而,它们是次优,当预测生物防除措施。
4.3。多目标回归树和多目标随机森林回归树
在这项研究中,RF-MTRTs执行比开始于和MTRTs侵扰的水平(表2;表3)。RF-MTRTs所有侵扰的预测性能强劲水平。MTRTs相比,RF-MTRTs改善预测性能7%至21%之间的训练集和验证集的6%和20%。这是因为RF-MTRTs结合众多基础预测模型的预测从而提高模型的预测的整体性能(33]。这一研究获得的结果优于Stojanova等所做的研究。30.)和Kocev et al。58)表明,比MTRTs RF-MTRTs提供更好的预测性能。这显然表明RF-MTRTs作为造型技术的效用,因为它能同时预测多个响应变量,同时实现高预测性能。
RF-MTRTs预测生物防除措施低感染水平相对较高的准确性和比MTRTs更好。预测生物防除措施准确的初始阶段感染是非常有利于生物防除措施决定如果象鼻虫人口活着并建立在水葫芦的侵扰。这将使水资源管理者建立象鼻虫的功效,如果需要补充象鼻虫版本。最高的预测性能达到使用RF-MTRTs高感染水平。一般来说,这是预期的广泛损害生物防除措施。预测能力高和中等侵扰水平也是有益的,因为它提供了一个指示的地方不需要进一步的干预措施。然而,正如上一节所提到的,RF-MTRTs是有限的可解释性。Kocev et al。58)建议实施MTRTs和RF-MTRTs预测问题。MTRT提供树木,更可判断的知识提取而RF-MTRTs提供改进的预测性能。利用建模技术将大有益处当预测生物防除措施水葫芦植物。总的来说,这项研究结果demosntrate RF-MTRTs出色性能的预测生物防除措施从光谱信息。
5。结论
这项研究展示了实现MTRTs的好处和RF-MTRTs预测生物防除措施从高光谱数据在水葫芦植物。同时MTRTs预测多个生物防除措施比开始于更小更可判断的感染水平。变量的解释力最多的主要是位于可见区域突出的重要性可见区域预测生物防除措施。虽然MTRTs达到可接受的预测精度,RF-MTRTs雇佣一个方法更有效地评估生物防除措施实现更高的预测性能。然而,由于森林的大小,解释RF-MTRTs是不切实际的。因此,操作使用,水资源管理者应该寻求实现MTRTs信息生成但实现RF-MTRTs收益率高的预测精度。未来的研究应该调查MTRT的实现模型和RF-MTRT模型使用新一代卫星传感器,全球视界2号或Sentinel-2A带来例如,卫星传感器。此外,未来的研究应该探索检测和建模其他理想植被生理指标压力,如叶片含水量和叶绿素荧光,利用光谱信息。总的来说,这项研究强调了机会环境经理量化生物防除的损坏程度和评估生物防治剂的功效。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
作者要感谢国家研究基金会(NRF)提供的资金进行这项研究。