基于机器学习的橄榄叶片面积非破坏性估测模型开发与评估

《Scientific Reports》：Advanced olive leaf area prediction using machine learning methods

　　

摘要

准确的叶片面积估测对于理解橄榄树的生理特性、生产能力和胁迫适应性至关重要。本研究在伊朗塔罗姆橄榄研究站，利用30个不同品种的线性测量值（长度和宽度），开发并评估了用于非破坏性预测橄榄叶片面积的机器学习模型。六种机器学习算法——人工神经网络（ANN）、支持向量回归（SVR）、随机森林、决策树、AdaBoost和XGBoost——分别使用贝叶斯优化、遗传算法（GA）和粒子群优化（PSO）进行优化。结果表明，PSO在大多数模型中持续优于其他优化方法。经PSO优化的人工神经网络模型达到了最高的预测精度（R² = 0.9828，RMSE = 0.3009 cm²）。使用另外8个品种进行外部验证，证实了模型的泛化能力，通用人工神经网络模型的R²保持在0.98以上。本研究提供了一种稳健的非破坏性橄榄叶片面积估测方法，适用于多种品种，为精准农业、表型鉴定以及气候变化条件下的果园管理提供了实际意义。