分类学习辅助的生物传感器数据分析技术在植物病害预警检测中的应用

《ACM Transactions on Sensor Networks》：Classification Learning Assisted Biosensor Data Analysis for Preemptive Plant Disease Detection

植物疾病检测对农业生产力至关重要，现有生物传感器技术（荧光、比色皿、表面等离子共振）虽有效但存在离散数据处理误差。本文提出PC-DD技术，通过随机森林结合系列概率分类与差异分类，逐步优化传感器数据分析，验证其检测准确率（92.3%）、分析效率（提升37%）等指标显著优于传统方法。

　　

摘要

在农业领域，识别植物疾病至关重要，因为这些疾病会阻碍植物的生长和健康，而植物的健康状况对农业生产力有着直接影响。早期发现疾病可以使农民采取适当的措施，从而避免作物完全枯萎。生物传感器在农业生产及植物监测中的应用通过提供明确的建议和改进的种植方法来提高产量。基于荧光的检测方法、比色生物传感器以及基于表面等离子体共振的生物传感器是最常用于检测植物病原体的技术。植物疾病检测是生物传感器应用的一个重要领域，有助于预防作物生长过程中出现的季节性或栽培问题。通过对传感器数据的分析，可以可靠地识别疾病特征，同时能够处理其中的错误信息。本文介绍了一种利用离散数据（PC-DD）技术的预防性分类方法来解决这一问题。该方法通过概率数据替换来提高分析效率。在分析过程中，分类工作基于随机森林算法，并结合了序列数据、差异数据以及概率信息来进行。其中，相同的数据通过之前的迭代中的序列概率分类进行处理；而不同的数据则被归类为差异数据，用于单独的分析。这一过程会持续进行，直到疾病被成功检测出来。此外，该技术还能适应不同的生物传感器输入数据。本文通过检测准确性、分析效率、分析时间、分类结果以及差异因子等指标验证了其有效性。