《Journal of Agriculture and Food Research》：Crop Disease Surveillance through Integration of Machine and Deep Learning in the Face of Climate Change
编辑推荐：
本研究针对气候变化背景下马铃薯早疫病(EB)和灰霉病(GM)的早期预警难题，创新性地融合人工神经网络(ANN)特征提取与随机森林(RF)分类算法，构建了基于孢子捕捉与气象数据的跨区域预测模型。通过对大西洋沿岸加拿大地区（PEI和NB）及美国缅因州5630个样本的分析，模型测试准确率最高达91%，为可持续农业提供了精准的病害预警工具。
在全球气候变化加剧的背景下，马铃薯作为世界第四大粮食作物正面临严峻的病害威胁。特别是在加拿大爱德华王子岛(PEI)、新不伦瑞克省(NB)和美国缅因州等主要产区，早疫病(Early Blight, EB)和灰霉病(Gray Mold, GM)的流行导致每年20-40%的产量损失。传统病害诊断方法依赖人工田间调查，不仅效率低下，更难以量化环境因素对病害发生的影响。随着人工智能技术的快速发展，如何将气象数据与病原孢子监测相结合，构建精准的病害预测模型，成为农业信息化领域的前沿课题。
本研究创新性地提出了一种混合人工神经网络-随机森林(ANN-RF)模型，通过整合2019-2023年期间62个马铃薯农场的孢子捕捉数据和气象监测数据，实现了对两种主要病害的精准预测。该研究首次在大西洋沿岸跨区域尺度上系统分析了环境因子与病害发生的关联规律，为气候智慧型农业提供了技术支撑。
研究人员采用ANN进行高维特征提取，通过包含512、256和128个节点的隐藏层结构学习环境变量的非线性特征，继而利用RF分类器实现病害发生风险的二分类预测。模型在PEI地区表现最优，测试准确率达91%，log loss仅为0.24。通过相关性热图和ANOVA分析发现，温度与露点温度在三个地区均呈现强正相关(相关系数0.85-0.86)，而中等降水量区域(ANOVA p<0.001)和特定风向条件最利于病害发生。
主要技术方法
研究团队收集了PEI(19个农场)、NB(25个农场)和缅因州(18个农场)的孢子计数数据，结合温度、降水量、相对湿度等气象指标，构建包含时空属性的多维数据集。通过ANN生成128维合成特征，采用75:25的划分策略进行模型训练与验证，使用准确率和对数损失函数评估RF分类器性能。
模型性能分析
混合模型在不同区域均表现出色：PEI测试准确率91%(F1-score 91.4%)，NB达86.5%，大西洋沿岸合并数据集准确率88.4%。与单一决策树模型(ANN-DT)相比，ANN-RF模型在所有区域均提升2-3个百分点。通过特征重要性分析发现，温度波动性和特定风向是影响病害预测的关键环境因子。
环境因子关联
研究发现PEI地区病害多发于16-22°C温度区间，当相对湿度>80%且风速15-25km/h时孢子活性最高。NB地区则呈现更稳定的环境响应模式，高温条件(>22°C)下病害风险显著增加。缅因州的数据揭示EB孢子偏好20-25度风向与12-18°C露点温度的特定组合。
研究结论与展望
该研究证实了ANN-RF混合模型在跨区域病害预测中的优越性，首次实现了基于环境驱动的EB和GM协同监测。通过量化气候因子与病害发生的非线性关系，为农药精准施用和病害早期预警提供了科学依据。未来可整合土壤理化指标和农艺操作数据，进一步提升模型在复杂农业生态系统中的适用性。研究成果发表于《Journal of Agriculture and Food Research》，为智慧农业发展提供了创新性技术范式。
