简要摘要
准确预测杏仁园的害虫密度对于防止作物损害和减少不必要的农药使用至关重要。本研究提出了一种可解释的混合机器学习方法，该方法集成了基于MPSO的超参数优化、XGBoost分类和规则提取，通过评估气象数据、季节时间和树木生长特征来对害虫密度等级（低、中或高）进行分类。在与其他16种机器学习算法的对比测试中，所提出的方法达到了约80%的准确率。关键在于，该模型将复杂的预测结果转化为基于树木年龄和温度等阈值的清晰"如果—那么"规则，使农业专家能够检查模型决策背后的条件。
摘要
准确预测杏仁生产中的害虫密度和种群水平对于作物产量、防止质量损失以及综合病虫害管理（IPM）策略的有效性具有重要意义。农业田间数据中复杂的特征交互关系可能会影响机器学习模型的预测性能和可解释性。本研究开发了一种可解释的混合机器学习框架，该框架结合了变异粒子群优化（MPSO）、XGBoost分类和规则提取，用于对害虫密度等级进行分类。所提出的方法通过两种互补的验证设置进行评估。首先，在分层5折交叉验证下，将其与包括集成方法、深度学习和基于规则方法在内的16种分类算法进行对比，达到平均准确率79.63%和平均加权F1分数79.79%。此外，采用嵌套分层5折交叉验证将基于MPSO的超参数优化与外层性能评估分离开来。在这一更为严格的评估条件下，所提出的方法达到平均准确率79.27 ± 1.66%和平均加权F1分数79.29 ± 1.38%。此外，从训练好的XGBoost决策结构中派生了可解释的"如果—那么"决策规则，以透明地表示与分类决策相关的特征—阈值组合。
