Un efecto de temperatura de amortización logarítmica para el aprendizaje supervisado de la desinfestación solar del trigo del gorgojo del arroz Sitophilus oryzae (Coleoptera: Curculionidae) utilizando bolsas de plástico

Scientific Reports volumen 13, Número de artículo: 2655 (2023) Citar este artículo

719 Accesos

3 Altmetric

Detalles de métricas

Este trabajo investiga la efectividad del calentamiento solar utilizando bolsas de polietileno transparente contra el gorgojo del arroz Sitophilus oryzae (L.), que es una de las plagas de insectos más destructivas contra muchos granos estratégicos como el trigo. En este documento, nuestro objetivo es encontrar los parámetros clave que afectan el control del sistema de calefacción contra los insectos de granos almacenados mientras se asegura que se mantenga la calidad del grano de trigo. Proporcionamos un nuevo conjunto de datos de referencia, donde los datos experimentales y ambientales se recopilaron en base al trabajo de campo durante el verano en Canadá. Medimos la efectividad de la solución utilizando una fórmula novedosa para describir el efecto de la temperatura de amortización en el gorgojo del arroz. Adoptamos diferentes modelos de aprendizaje automático para predecir la efectividad de nuestra solución para alcanzar una condición de calentamiento letal para las plagas de insectos y, por lo tanto, medir la importancia de los parámetros. El rendimiento de nuestros modelos de aprendizaje automático se ha validado mediante una validación cruzada de 10 veces, que muestra una alta precisión del 99,5 % con un 99,01 % de recuperación, un 100 % de precisión y un 99,5 % de puntuación F1 obtenida por el modelo Random Forest. Nuestro estudio experimental sobre el aprendizaje automático con valores SHAP como un modelo post-hoc explicable proporciona las mejores condiciones y parámetros ambientales que tienen un efecto significativo en la desinfestación de los gorgojos del arroz. Nuestros hallazgos sugieren que existe una cantidad óptima de granos de tamaño mediano cuando se usan bolsas solares para la desinfestación térmica de insectos a temperaturas ambiente altas. El aprendizaje automático nos brinda un modelo versátil para predecir las temperaturas letales que son más efectivas para eliminar insectos de granos almacenados dentro de bolsas de plástico transparente. Usando esta poderosa tecnología, podemos obtener información valiosa sobre las condiciones óptimas para eliminar estas plagas. Nuestro modelo nos permite predecir si una determinada combinación de parámetros será efectiva en el tratamiento de insectos mediante control térmico. Ponemos a disposición del público nuestro conjunto de datos bajo una licencia Creative Commons para alentar a los investigadores a utilizarlo como punto de referencia para sus estudios.

Se ha estimado que la población mundial será de unos 7800 millones en 2020 y se espera que alcance los 9800 millones en 20501,2,3,4. Por lo tanto, aumentar la producción mundial de granos es un factor clave para satisfacer la demanda mundial de alimentos. Se espera que la producción y el consumo de alimentos aumenten aproximadamente entre un 50% y un 70% en 20501,2,3. Por otro lado, la pérdida posterior a la cosecha es responsable de un daño enorme en la producción total de alimentos, especialmente en algunos países africanos, y causa pérdidas de entre el 20 y el 40 %, que es una pérdida significativa en comparación con la baja producción de alimentos en los mismos países2. Los insectos son la causa principal del daño a los granos y se estima que las pérdidas de granos son del 30% al 90%2,5. Los esfuerzos para reducir las pérdidas posteriores a la cosecha tendrían un impacto significativo y mejorarían la disponibilidad y el suministro de alimentos en comparación con las limitaciones y desafíos para aumentar la producción de alimentos2,6.

El gorgojo del arroz Sitophilus oryzae (L.) (Coleoptera: Curculionidae) es una de las plagas de insectos más importantes del trigo almacenado y otros granos de cereales en todo el mundo5,7. Es un insecto primario de granos almacenados que ataca granos enteros y causa pérdidas significativas de granos7,8. La actividad de alimentación de S. oryzae conduce a una infestación secundaria de plagas, enfermedades fúngicas y deterioro del grano7,8. El gorgojo maduro del arroz crece de 3 a 4 mm de largo y las larvas se alimentan internamente dentro del grano a través de su escape, creando pequeños agujeros redondos distintivos conocidos como daño por gorgojo9. Los huevos se ponen en la superficie del grano y el período de incubación hasta la eclosión es de 2,62 a 5,85 días. Cuando hay comida disponible, la longevidad de los machos es de 42,63 a 58,72 días y la de las hembras de 60,69 a 77,23 días8. La tasa de fecundidad de las hembras es de 53,60 huevos/vida7. La aceleración del crecimiento del gorgojo del arroz ocurre en temperaturas de 25–30 \(^\circ\)C y 65–75% de humedad relativa (rh)7,8. La mayoría de los ecosistemas de almacenamiento de granos tienen una temperatura y una HR cercanas a las condiciones favorables para el crecimiento del gorgojo del arroz y otros insectos, lo que también provoca una gran pérdida de granos2,10.

Los insecticidas sintéticos y los fumigantes de fosfina son los métodos más efectivos para controlar los insectos de granos almacenados2,6. Estos fumigantes tienen algunas limitaciones, como un costo relativamente alto y la capacidad de los insectos para desarrollar resistencia a estos insecticidas2,5. Además, el uso inapropiado de fumigantes por parte de pequeños propietarios y agricultores podría generar riesgos para la salud y el medio ambiente11. En muchos países en desarrollo de África y Asia, la producción de cereales depende principalmente de los pequeños agricultores y propietarios en pequeña escala, más que de las instituciones gubernamentales a gran escala6. En estas áreas, los granos se almacenan en depósitos y graneros abiertos con un sistema de almacenamiento deficiente y sin tecnologías adecuadas6. Por lo tanto, se han utilizado varios métodos de control no químicos contra los insectos de granos almacenados, como el tratamiento con ozono de almacenamiento hermético (hermético) y el control térmico2,4,12. El control térmico contra insectos de granos almacenados se ha utilizado en muchos países desarrollados y en vías de desarrollo. El control de la calefacción a gran escala depende de la calefacción de edificios de almacenamiento, grandes almacenes y grandes silos13,14. Por otra parte, los pequeños agricultores de muchos países en desarrollo han adoptado muchos sistemas sencillos de calefacción. La desinfestación solar contra plagas de insectos se ha utilizado con éxito contra insectos del suelo, de museos y de granos almacenados14.

El control térmico depende del aumento de las temperaturas a 40–60 \(^\circ\)C, que es un límite letal para la mayoría de los insectos de granos almacenados15. El control térmico es una técnica prometedora sin riesgos para la salud ni desarrollo de resistencia a los insectos. Diferentes estudios han investigado el control térmico contra el picudo del arroz15,16,17. Se logró una mortalidad adulta completa del gorgojo del arroz después de 130, 50, 12 y 4 min a 44, 46, 48 y 50 \(^\circ\)C, respectivamente16. Otros estudios informaron que los adultos del gorgojo del arroz murieron después de 4 días y 40 segundos a 39 y 66 \(^\circ\)C, respectivamente15. Según Beckett17, el tiempo letal para matar el 99,9% de la población adulta del gorgojo del arroz es de 37,36 a 3,71 horas entre 42 y 48 \(^\circ\)C. En uno de los estudios previos de los autores, se utilizó la desinfestación solar contra el gorgojo del arroz dentro de bolsas de plástico de granos de trigo en condiciones de campo14. Estas bolsas de plástico pudieron calentar los granos a temperaturas letales para los insectos de 40–55 \(^\circ\)C y pudieron causar una mortalidad del 67,6 ± 30 % de los adultos del gorgojo del arroz14. En el mismo estudio se investigaron varios parámetros que podrían afectar la capacidad de calentamiento de las bolsas de plástico para matar el 100 % de los insectos adultos, pero no se desarrolló un modelo térmico para la distribución de la temperatura dentro de las bolsas de plástico. Por lo tanto, el trabajo actual tuvo como objetivo utilizar algoritmos de aprendizaje automático (ML) para examinar la interacción entre varios parámetros para predecir las mejores condiciones que conducen a una supresión completa de la población de insectos. Uno de los principales factores que se consideró investigar en el estudio inicial fue el grosor del grano dentro de las bolsas. Dado que los granos se consideran un buen aislante térmico14,18, se planteó la hipótesis de que el tiempo para calentar los granos, especialmente en el fondo de las bolsas, aumentará a medida que aumente el grosor del grano dentro de las bolsas. Por lo tanto, se utilizaron diferentes espesores de grano.

El aprendizaje automático (ML) se ha utilizado como una alternativa al modelado matemático y estadístico en diferentes campos, incluido el sector agrícola19,20. El aprendizaje automático es muy prometedor para monitorear y predecir la calidad del grano. Ha mostrado un gran potencial en la investigación de nuevas estrategias de almacenamiento de granos basadas en diferentes factores ambientales. Por ejemplo, las redes neuronales artificiales (ANN) de in21 se utilizaron como modelo predictivo en un flujo de trabajo de Internet de las cosas (IoT) en el que se supervisó la calidad de la ganancia para predecir la calidad del grano almacenado y, por lo tanto, su deterioro durante las etapas posteriores a la cosecha. In22, la calidad de las semillas de soja almacenadas se predijo bajo diferentes condiciones de temperatura y empaque utilizando varios modelos de aprendizaje automático, incluidos los algoritmos de árboles de decisión ANN, REPTree y M5P, Random Forest (RF) y modelos de regresión lineal (LR). El modelo RF ha superado a otros modelos en la predicción de los índices de calidad fisiológica de dichas semillas. También se utilizaron modelos matemáticos y análisis multivariado23 para evaluar las propiedades fisicoquímicas de la cosecha temprana de soja almacenada en diferentes envases y temperaturas. Se diseñó un prototipo de red de sensores inalámbricos en plataforma IoT24 para el monitoreo en tiempo real del contenido de humedad de equilibrio intergranular, donde se utilizaron algoritmos de redes neuronales para predecir la masa física, calidad físico-química y microbiológica del maíz almacenado en silos bolsa. Asimismo, se utilizó el prototipo de red de sensores inalámbricos, plataforma IoT y algoritmos de redes neuronales in25 para monitorear en tiempo real el contenido de humedad en equilibrio y predecir la calidad del grano de maíz almacenado en diferentes condiciones en silos y bolsas de rafia. Además, se han realizado intentos previos para estudiar el comportamiento térmico del aire interior en invernaderos, donde ML se usó para predecir el ambiente interior (por ejemplo, temperaturas) de invernaderos de plástico o calefacción solar para la desinfestación del suelo contra microbios y otros organismos. Por ejemplo, se utilizaron diferentes modelos de aprendizaje automático, como la regresión lineal múltiple, la máquina de vectores de soporte (SVM), los conjuntos de árboles y el proceso de regresión gaussiana19, para predecir las temperaturas del aire interior en un invernadero marroquí utilizando los datos exteriores, donde el modelo del proceso de regresión gaussiana superó otros modelos durante las etapas de validación y prueba. En 26, los modelos ANN y SVM se utilizaron para estimar tres variables: temperatura del aire interior, del suelo y de la planta, y el intercambio de energía en un invernadero de polietileno en la ciudad de Shahreza en Irán, mostrando un mejor desempeño de la función Radial Bias (RBF) como modelo ANN. en comparación con otros modelos.

A diferencia de los intentos anteriores, este documento presenta una solución de aprendizaje automático supervisado para ayudar a comprender mejor el comportamiento térmico dentro de las bolsas de plástico para maximizar la efectividad del calentamiento solar contra los insectos de granos almacenados. Esto se hace introduciendo una nueva fórmula para medir la efectividad de la solución y, por lo tanto, formular el problema como un problema de clasificación binaria. Hasta donde sabemos, el estudio es el primero de su tipo en predecir las condiciones de calentamiento letales de las plagas de insectos y es el primero en modelar la efectividad del control térmico (soluciones) utilizando el aprendizaje automático. Además, adoptamos la explicabilidad del modelo para brindarle a la comunidad las diferentes condiciones que pueden conducir a una solución de calefacción efectiva para la desinfestación de granos y ayudar a comprender mejor el efecto del espesor en nuestra solución.

Para investigar la eficacia del calentamiento solar utilizando bolsas de plástico transparente, se han examinado diferentes parámetros. Algunas de estas variables son la radiación solar, la temperatura del aire, la humedad del aire, el material del sustrato (suelo), la velocidad del viento, el grosor del grano y el contenido de humedad del grano14,27,28,29. También se ha asumido que mezclar granos y apilarlos dentro de cajas aislantes puede ayudar a minimizar el tiempo requerido para calentar los granos a temperaturas de 40–60 \(^\circ\)C. Por lo tanto, antes del experimento, el contenido de humedad del grano de trigo no estaba informado en 12,5% por un recipiente de metal giratorio. En campo, también se agregaron láminas de madera debajo de las bolsas de plástico para uniformar el sustrato con un material de baja conductividad térmica. Todos los datos ambientales y de temperatura se recopilaron durante un experimento de campo en Canadá en el verano de 2018. Hubo cuatro tratamientos diferentes de cantidades de trigo, 16, 21 y 25 kg de trigo dentro de bolsas de polietileno transparente con cajas de madera y 21 kg de trigo dentro una bolsa de polietileno transparente sin caja de madera. Se utilizó el trigo canadiense duro rojo de primavera Triticum aestivum L., (semilla certificada, variedad SY Slate). El trigo se compró a un proveedor de granos (Pitura Seeds, Manitoba, Canadá) con un contenido de humedad de 12,2 ± 0,0 %. Este trabajo se subdividió en dos partes; la primera parte se ejecutó durante 5 días desde las 11 am hasta las 8 pm, del 26 al 30 de julio de 2018, donde todos los tratamientos se mantuvieron en el campo durante el día y se mezclaron y apilaron en cajas de espuma durante la noche (Canadá 1, Fig. .1a). La segunda parte se llevó a cabo durante 6 días del 7 al 12 de agosto de 2018, donde todos los tratamientos se mantuvieron en el campo durante todo el día y la noche sin mezclar ni apilar las bolsas de plástico (Canadá 2, Fig. 1b). Las cantidades de 16, 21 y 25 kg de trigo representaban 9, 13 y 15 cm de espesor de trigo, respectivamente. Las fluctuaciones de temperatura dentro de las bolsas de plástico se registraron utilizando termopares cada 15 min en seis posiciones distribuidas en la escala vertical en el centro de cada bolsa. Estas posiciones eran la superficie exterior de la bolsa, la parte superior del grano dentro de la bolsa, la parte superior media, la mitad, la mitad inferior y la parte inferior del grano. Los termopares se distribuyeron verticalmente a igual distancia a lo largo del espesor de cada bolsa. Por lo tanto, se usaron cajas de madera para uniformar el grosor del grano, ver Fig. 1. Los datos meteorológicos se registraron durante el experimento usando una estación meteorológica en el sitio experimental. Una descripción detallada del protocolo experimental y cómo se recolectaron los datos se describe en el artículo original y en otro artículo de datos relacionado con el mismo trabajo14,30.

Diseño experimental: (a) Canadá 1, después de la exposición al sol, las bolsas de trigo se mezclaron y apilaron en las cajas de espuma. (b) Canadá 2, durante la noche todos los tratamientos se cubrieron con otras cajas de madera para evitar molestias a los animales.

Nuestro conjunto de datos se compone de 7871 observaciones y 14 características, son: 16 kg (de trigo dentro de una caja de madera), Humedad relativa del aire (HR%), Temperatura ambiente (\(^\circ\)C), 21 kg (no en una caja de madera, característica binaria), Radiación solar (Mj/m2), Densidad de flujo solar (Kj/m2), Velocidad del viento (m/s), Mezcla y apilamiento de los granos (característica binaria), Presión del aire (kpa) , 21 kg (de trigo dentro de una caja de madera, característica binaria), Dirección del viento (Deg), 25 kg (de trigo dentro de una caja de madera, característica binaria), Lluvia (característica binaria), y finalmente la Etiqueta de clase binaria que puede ser definido por la ecuación. (1).

donde \(g_t\) es el tiempo en minutos que dura la solución a una temperatura específica t, D es el tiempo en minutos por día (es decir, \(24 \times 60 = 1440\) minutos), y T es el umbral de temperatura para alcanzarse para iniciar una duración de una solución efectiva para alcanzar una condición de calentamiento letal para los insectos de granos almacenados. Para este estudio, \(T = 40\), basado en la literatura previa mencionada anteriormente en la sección de introducción. Según nuestra ecuación propuesta para el etiquetado de la solución, las temperaturas más altas afectarán la duración de la solución efectiva de manera logarítmicamente desproporcionada (es decir, toma menos tiempo para una solución efectiva cuando la temperatura es más alta). La Figura 2 muestra este efecto logarítmico. Vale la pena señalar que la ecuación se aplica cuando la temperatura es de 40 \(^\circ\)C o más. Una vez que la temperatura cae por debajo de 40 \(^\circ\)C, el valor de \({\hat{S}}\) se restablece a cero, para ser conservadores al etiquetar solo ciertas soluciones y, por lo tanto, modelar las condiciones que las crean. . Finalmente, se aplica la función de suelo (\(\lfloor . \rfloor\)) para dar como resultado el valor final de \({\hat{S}}\), donde el valor de cero indica una solución ineficaz, y cualquier valor \(\ge 1\) indica una solución efectiva.

El efecto logarítmico de la temperatura sobre el ritmo de alcanzar una solución efectiva.

Para examinar el conjunto de datos y medir la efectividad de la solución de desinfestación solar del trigo, utilizamos diferentes modelos de aprendizaje automático (consulte la Tabla 1) para predecir qué tan efectiva es la solución en términos de su efecto sobre el gorgojo del arroz dentro de las bolsas de calefacción solar. La elección de los métodos de aprendizaje automático supervisado se basa en los éxitos anteriores informados en la literatura que los utilizan en una variedad de aplicaciones. Además, nos inclinamos hacia un enfoque de aprendizaje automático poco profundo, ya que la explicabilidad es clave para la aplicación en la mano, como se discutirá más adelante.

Para evaluar el rendimiento de nuestros modelos de aprendizaje automático, utilizamos una validación cruzada de 10 veces y adoptamos métricas de precisión, recuperación, precisión y puntuación F1 para cuantificar correctamente los valores positivos verdaderos, la relación entre los valores positivos verdaderos y los positivos, y la media Armónica de Precisión y Recall, respectivamente36. Las fórmulas de las métricas adoptadas se pueden definir como:

donde, TP es el verdadero positivo en el caso de la solución efectiva y TN es el verdadero negativo en el caso de la solución inefectiva, mientras que FP y FN son las predicciones incorrectas del modelo para los casos no efectivos y efectivos.

Se estimó el tiempo por encima de 40 \(^\circ\)C y los grados-minutos (DM) dentro de las bolsas de plástico. La homogeneidad de las varianzas se probó mediante la prueba de Levene. Luego se realizó ANOVA unidireccional seguido de Tukey-Kramer HSD. El modelo DM se estimó de acuerdo con 14,30 para estudiar la relación entre la temperatura del grano, el tiempo de exposición al calor y la mortalidad del gorgojo del arroz.

En la primera parte del experimento, donde se mezclaron y apilaron las bolsas plásticas de trigo (Canadá 1), la duración de las temperaturas superiores a 40 \(^\circ\)C (tiempo superior a 40 \(^\circ\ )C) (min) en el fondo de cada bolsa de plástico para cada día fue significativamente mayor en 16 kg de trigo en comparación con otros tratamientos: 2,5 ± 0,6, 0,6 ± 0,2, 0,1 ± 0,1 y 0,1 ± 0,01 (min, media ± sem) para 16, 21, 25 kg de trigo dentro de cajas de madera y 21 kg de trigo sin caja de madera, respectivamente (Análisis de varianza de una vía (ANOVA): F\(_{3,8}\) = 14.4864, p = 0,0013). El tiempo por encima de 40 \(^\circ\)C en el fondo de 21 y 25 kg de trigo a granel y 21 kg de trigo sin caja de madera no fue significativamente diferente entre sí. La DM fue significativamente diferente entre los diferentes tratamientos (ANOVA unidireccional: F\(_{3,8}\) = 4,5996, P = 0,0375), véase la Fig. 3a.

En la segunda parte del experimento, donde las bolsas plásticas de trigo no se mezclaron ni se apilaron (Canadá 2), las temperaturas solo alcanzaron los 40 \(^\circ\)C y más en el fondo de los 16 kg de trigo. Ninguno de los otros tratamientos alcanzó los 40 \(^\circ\)C o más, excepto una réplica de tres réplicas en 21 kg de trigo en la caja de madera. La DM fue significativamente diferente entre todos los tratamientos (ANOVA unidireccional: F\(_{3,7}\) = 8,5934, P = 0,0096), véase la Fig. 3b.

(a) Grados-minutos/día (\(^\circ\)C-min, media \(+\) sem) de 16, 21 y 25 kg de trigo en bolsas de plástico dentro de cajas de madera y otros 21 kg de trigo en una bolsa de plástico sin caja de madera expuesta a la radiación solar durante más de 5 días en Canadá (Canadá1). (b) Grados-minutos/día (\(^\circ\)C-min, media \(+\) sem) de 16, 21 y 25 kg de trigo en bolsas de plástico dentro de cajas de madera y otros 21 kg de trigo en una bolsa de plástico sin caja de madera expuesta a la radiación solar durante 6 días en Canadá (Canadá 2, sin apilar). Todos los tratamientos se mantuvieron continuamente en el campo durante el experimento. Letras diferentes indican diferencias significativas entre tratamientos (P < 0.05).

Teniendo en cuenta que el principal desafío en este trabajo es cómo manejar las clases desequilibradas en nuestro conjunto de datos, como se muestra en la Fig. S1 (ver abajo a la izquierda), se realizaron cuatro experimentos para investigar el rendimiento de diferentes métodos de aprendizaje automático. El primer experimento se realizó sobre el conjunto de datos desequilibrado original y el objetivo es evaluar la capacidad de predicción de los diferentes algoritmos de aprendizaje automático sobre el desequilibrio de clases. Los resultados del primer experimento se presentan en la Tabla 2.

Los resultados que se muestran en la Tabla 2 indican que los tres modelos lograron una precisión de no menos del 98% en la predicción de las clases. Sin embargo, estos resultados no son confiables, ya que las métricas utilizadas no pueden proporcionar más información sobre qué clases se predicen correctamente y cuáles se predicen incorrectamente. En consecuencia, las matrices de confusión para los tres algoritmos se calculan y presentan en la Fig. S1 en el Material complementario. Como se ilustra en la Fig. S1, los resultados de este primer experimento muestran que confiar en la precisión de los métodos de aprendizaje automático cuando se trata de un conjunto de datos desequilibrado puede ser engañoso. Para abordar este desafío, se aplicaron tres técnicas de remuestreo de datos, a saber, sobremuestreo de la clase minoritaria, submuestreo de la clase mayoritaria y la técnica de sobremuestreo sintético de la minoría (SMOTE), a la clase de datos desequilibrados. Se evaluó el rendimiento de cada algoritmo en los conjuntos de datos remuestreados.

El conjunto de datos original se transforma mediante el sobremuestreo de la técnica de clase minoritaria. En esta técnica, las muestras de la clase minoritaria se replican aleatoriamente hasta que su número sea igual al de la clase mayoritaria. La figura S2 (ver abajo a la izquierda) muestra la distribución de las etiquetas de clase después de aplicar la técnica de sobremuestreo de la clase minoritaria. El segundo experimento se realizó en el conjunto de datos sobremuestreado para evaluar el rendimiento de los algoritmos de la máquina al clasificar las clases mayoritarias y minoritarias. La Tabla 3 presenta los resultados del segundo experimento en el conjunto de datos sobremuestreado. Los resultados que se muestran en la Tabla 3 indican que tanto DT como RF lograron hasta un 99 % de precisión, mientras que XGB registró una precisión del 95 %. Para informar con precisión el rendimiento de cada modelo, las matrices de confusión para los tres algoritmos se calculan y presentan en la Fig. S2 en el Material complementario. Como lo demuestra la Fig. S2, en el caso de predecir la clase minoritaria, se puede observar que los tres algoritmos predijeron correctamente todas las muestras de la clase minoritaria. A partir de estas salidas, los algoritmos DT y RF han logrado un mejor rendimiento que el algoritmo XGB.

El conjunto de datos original se transforma aplicando SMOTE (técnica de sobremuestreo de minorías sintéticas)37, consulte el material complementario. Esta técnica es similar al sobremuestreo de la técnica de clase minoritaria. Sin embargo, a diferencia de la técnica de sobremuestreo de la clase minoritaria donde se replican muestras de la clase minoritaria, en SMOTE, las muestras de la clase minoritaria se crean sintéticamente hasta que su número es igual al de la clase mayoritaria. La figura S3 muestra la distribución de las etiquetas de clase después de aplicar la técnica SMOTE. El tercer experimento se realizó en el conjunto de datos SMOTE para evaluar el rendimiento de los tres algoritmos. La Tabla 4 presenta los resultados del cuarto experimento. Los resultados presentados en la Tabla 4 muestran que tanto DT como RF lograron hasta un 99 % de precisión, mientras que XGB registró una precisión del 95 %. Para evaluar aún más el rendimiento de cada algoritmo al clasificar correctamente las clases mayoritarias y minoritarias, las matrices de confusión para los tres algoritmos se calculan y presentan en la Fig. S3 en Material complementario. La figura S3 muestra que XGB se desempeñó mejor en la predicción de la clase minoritaria, seguida de RF y luego de DT. Para predecir la clase mayoritaria, DT tuvo un buen desempeño, seguido de RF y luego XGB.

Ahora, el conjunto de datos original se transforma aplicando la técnica de submuestreo de la clase mayoritaria. En esta técnica, las muestras de la clase mayoritaria se eliminan aleatoriamente hasta que su número sea igual al de la clase minoritaria. La Figura 4 (ver abajo a la izquierda) muestra la distribución de las etiquetas de clase después de aplicar la técnica de submuestreo de la clase mayoritaria. El cuarto experimento se realizó en el conjunto de datos submuestreado para evaluar el rendimiento de los algoritmos de la máquina al clasificar las clases mayoritarias y minoritarias. La Tabla 5 presenta los resultados del tercer experimento en el conjunto de datos submuestreado. Los resultados que se muestran en la Tabla 5 indican que tanto DT como RF lograron hasta un 99 % de precisión, mientras que XGB registró una precisión del 96 %. Para demostrar con precisión el rendimiento de cada algoritmo (en la clasificación de las clases mayoritaria y minoritaria) en el conjunto de datos submuestreado, las matrices de confusión para los tres algoritmos se calculan y presentan en la Fig. 4.

Evaluación del desempeño utilizando matriz de confusión en conjuntos de datos submuestreados.

Como se ilustra en la Fig. 4, de 100 muestras para las clases mayoritaria y minoritaria, DT predijo correctamente 99 muestras y predijo incorrectamente 1 muestra para ambas clases. RF predijo 99 muestras de la clase mayoritaria correctamente, 1 muestra de la mayoría incorrectamente y todas las 100 muestras de la minoría correctamente. XGB predijo correctamente 99 muestras de la clase mayoritaria, incorrectamente 8 muestras de la clase mayoritaria y correctamente todas las 100 muestras de la clase minoritaria. A partir de estas salidas, el algoritmo de RF logró un mejor rendimiento que los algoritmos DT y XGB.

Como se describe en los resultados, el modelo de RF se desempeñó bien en el conjunto de datos submuestreado. Sin embargo, es un desafío explicar las predicciones de RF de manera inmediata. Para mitigar este desafío, aplicamos la técnica de Inteligencia Artificial explicable (XAI) conocida como SHAP (SHapley Additive exPlanations) para proporcionar una explicación intuitiva del funcionamiento interno del modelo de RF y aumentar su transparencia. Las explicaciones proporcionadas se basan en el modelo de RF entrenado en el conjunto de datos submuestreado. SHAP es una técnica de teoría de juegos para explicar el resultado del modelo de aprendizaje automático38. Proporciona explicaciones globales y locales utilizando los valores clásicos de Shapley de la teoría de juegos. Además de estimar la importancia de la característica que se enfoca en interpretar un modelo en su totalidad (global), el método SHAP proporciona interpretaciones de predicciones separadas de todo el modelo (local).

Aquí, los valores SHAP se combinan para revelar la contribución de cada predictor a los resultados del modelo (variables objetivo). La importancia de las características del modelo de RF para la solución efectiva del almacenamiento de granos de trigo se muestra como un gráfico de barras normal en la Fig. 5a y como un gráfico de resumen SHAP en la Fig. 5b. La Figura 5a enumera las características más influyentes en orden descendente para la solución eficiente (clase 1). Un color de barra rojo significa que la característica tiene un impacto positivo en la salida, mientras que un color azul significa un impacto negativo. Se puede observar que almacenar 21 kg de granos de trigo dentro de una caja de madera tiene un fuerte impacto positivo en la producción, seguido de la temperatura ambiente, la presión del aire, la velocidad del viento y, finalmente, la mezcla y el apilamiento. Por otro lado, la HR del aire tiene un fuerte impacto negativo en la producción, seguida de 25 kg de trigo dentro de una caja de madera, densidad de flujo solar, radiación solar, 16 kg de trigo dentro de una caja de madera, dirección del viento y finalmente 21 kg. de trigo sin caja de madera. La lluvia no tiene impacto en la salida.

(a) Gráfica de importancia de la característica, y (b) Gráfica de resumen SHAP que muestra la influencia de la característica en la solución de almacenamiento de granos de trigo.

La gráfica de resumen SHAP que se muestra en la Fig. 5b revela las relaciones positivas y negativas de las características con la variable objetivo. La gráfica de resumen revela los valores SHAP de cada característica y los puntos representan cada observación en el conjunto de datos. El gráfico enumera todas las características junto con su importancia en el eje y en orden descendente de influencia y demuestra si los efectos de sus valores están asociados con una predicción más baja o más alta. En el eje x, la posición de los puntos revela el impacto de las características en la predicción del modelo para cada observación. Para cada observación, los colores muestran si una característica es baja (en azul) o alta (en rojo). Por lo tanto, se puede observar que almacenar 21 kg de granos de trigo dentro de una caja de madera tiene un impacto alto y positivo en la salida del modelo. El alto impacto emerge del color rojo y el impacto positivo se muestra en el eje x. Asimismo, diremos que la característica "Air RH" tiene un impacto negativo en la salida del modelo.

En la Fig. 5a yb, los colores degradados dan una imagen del impacto que tiene cada función en la solución. Para comprender cómo llegó el modelo a tomar la decisión para cada observación, se crearon gráficos de fuerza SHAP para observaciones separadas. Por lo tanto, cada muestra de observación o datos obtiene su propio conjunto de valores SHAP que se utilizan para explicar por qué una observación recibe su predicción/salida y las contribuciones de los predictores. La Figura 6 muestra dos diagramas de fuerza para observaciones separadas en el conjunto de datos. Este contiene dos valores: uno como valor base y el otro como predicción del modelo. El valor base denota la salida promedio del modelo sobre el conjunto de datos, y la predicción del modelo denota la predicción del modelo. Estas visualizaciones mostraron las características responsables de la disparidad entre el resultado del modelo y el valor base. Las características que reducen la predicción se colorean de azul y las que aumentan la predicción se colorean de rojo. Estas parcelas tienen la capacidad de proporcionar recomendaciones que informarán a los tomadores de decisiones si un caso particular conducirá o no al almacenamiento efectivo de granos de trigo.

Ilustración de diagramas de fuerza SHAP para soluciones predichas ineficaces (a) y eficaces (b) de almacenamiento de granos de trigo.

El modelo de RF se desarrolló en base al umbral predeterminado de 0,5 de la biblioteca scikit-learn de Python, donde los valores entre 0 y 0,5 pertenecen a la clase 0 (soluciones ineficaces) y los que están entre 0,5 y 1 pertenecen a la clase 1 (soluciones eficaces). Para la observación que se muestra en la Fig. 6a, el modelo predijo un valor de 0,00 que es inferior al valor base de 0,4968, lo que indica una solución ineficaz para calentar los granos de trigo. Este gráfico de fuerza también muestra las características que hacen que la solución sea ineficaz. Esta solución tiene radiación solar = 143,9 (\(M_j/m^2\)). Esta función lleva la predicción a valores más altos, como se muestra en color rojo. Incluso con esta fuerza empujando hacia valores más altos, hay un grupo mucho más grande de características que empujan esta solución hacia valores más bajos, como se muestra en las barras de color azul. A cada una de estas características se le asigna un valor y su fuerza combinada hace que el modelo llegue a esta predicción. Esto simplemente significa que el calentamiento de los granos de trigo sería ineficaz si se calientan 21 kg de granos de trigo sin una caja de madera, a una temperatura ambiente de 19,86 \(^\circ\)C, HR del aire de 79,94 % y radiación solar de 143,9 (\(M_j/m^2\)). De manera similar, el modelo predijo una solución efectiva para calentar los granos de trigo en la Fig. 6b. Esto se muestra mediante el valor predicho del modelo de 1,00, que es mayor que el valor base. Este gráfico también se puede usar para identificar qué atributos de características lo convierten en una solución efectiva. Esta solución tiene un valor de mezcla y apilamiento de 0 que empuja la predicción hacia valores más bajos, como se muestra en colores azules. Incluso con esta fuerza empujando hacia los valores más bajos, hay un grupo mucho más grande de características que empujan esta solución hacia los valores más altos, como se muestra en las barras de color rojo. A cada una de estas características se le asigna un valor y su fuerza combinada hace que el modelo llegue a esta predicción. Esto significa que calentar granos de trigo sería efectivo si se calientan 21 kg de granos de trigo dentro de una caja de madera, a una HR del aire = 38,72 %, radiación solar = 78,89 (\(M_j/m^2\)), y temperatura ambiente de 33,8 \(^\circ\)C.

Los resultados muestran que la cantidad de granos de tamaño mediano dentro de una caja de madera (21 kg de granos de trigo) tuvo un efecto significativo en nuestra solución para elevar las temperaturas a más de 40 \(^\circ\)C para matar el gorgojo del arroz. La superioridad de calentamiento de la caja de 21 kg en comparación con otras cantidades de granos, especialmente la que tiene una cantidad menor de 16 kg, se debe principalmente a que los granos se consideran un buen aislante18,39,40. Recientemente, los granos inflados se han utilizado como un aislamiento ecológico de base biológica en la construcción de edificios18. Cuanto más gruesa sea la cantidad de granos (aislante), menor será la tasa de transferencia de calor41. Esto significa que cuanto más gruesa sea la cantidad de granos, menor será la tasa de ganancia de calor del grano y menor la tasa de pérdida de calor del grano. El espesor de grano óptimo para lograr el equilibrio entre estos dos procesos es una cantidad media de grano. Otra característica importante para optimizar nuestra solución es la alta temperatura ambiente. Este estudio se llevó a cabo en julio y agosto en Canadá, donde la temperatura máxima del aire fue de 28 a 32 \(^\circ\)C (Apéndices A; Tablas A.1 y Tabla A.2)42. El rendimiento de nuestras bolsas de calefacción solar mejorará en diferentes áreas del mundo con regímenes de temperatura más altos de 30 a 37 \(^\circ\)C. Las estaciones de verano y otoño son las mejores épocas del año para utilizar este sistema de calefacción, donde la diferencia diaria entre las temperaturas máximas y mínimas del aire es la mínima entre mayo y octubre41. El aumento diario de la temperatura del aire es más rápido (alrededor de 8 horas) que el descenso del máximo al mínimo durante la noche (alrededor de 15 horas)41. Por lo tanto, la cantidad de grano de tamaño mediano tendrá un mejor rendimiento que otras cantidades, especialmente durante las estaciones cálidas. En línea con nuestros resultados, en ciencia térmica, estudios previos investigaron el efecto del grosor del material en su aislamiento térmico41,43. Estos estudios reportaron que existe un espesor óptimo para cada material aislante.

Finalmente, mezclar y apilar bolsas de plástico tuvo un impacto significativo en el logro de nuestro objetivo. Este efecto podría despreciarse en algunos casos, cuando se han cumplido otras características, como una temperatura alta de 33,8 \(^\circ\)C y el uso de 21 kg de trigo dentro de una caja de madera. La producción de SHAP es bastante similar a los resultados experimentales, ya que la mezcla y el apilamiento de bolsas de plástico aumentaron la MS de los granos, Fig. 3. En los resultados experimentales, la MS de 16, 21 y 25 kg de trigo no fueron significativas entre sí, Fig. 3a, mientras que según la salida de SHAP, la cantidad de granos de tamaño mediano tuvo un efecto positivo en comparación con otros, Fig. 5a. Finalmente, el modelo ML parece ser satisfactorio para predecir las temperaturas dentro de nuestras bolsas de plástico de calentamiento cerrado. Del mismo modo, en los últimos años se han desarrollado diferentes modelos de ML que utilizan los mismos datos ambientales para predecir la temperatura dentro del invernadero cerrado para la siembra o la desinfestación del suelo19,20,26,44.

El aprendizaje automático es una alternativa prometedora a los modelos matemáticos y estadísticos para estudiar el comportamiento térmico dentro de los sistemas de calefacción utilizados para el control térmico poscosecha. Los algoritmos de aprendizaje automático pueden examinar de manera efectiva la interacción entre varios parámetros para predecir las temperaturas letales efectivas para los insectos de granos almacenados dentro de bolsas de plástico transparente. En este trabajo, proporcionamos un nuevo conjunto de datos de referencia, donde se recopilaron los datos experimentales y ambientales en función del trabajo de campo durante el verano en Canadá. Introdujimos una solución de aprendizaje automático supervisado para ayudar a comprender mejor el comportamiento térmico dentro de las bolsas de plástico transparente para maximizar el sistema de calefacción solar efectivo contra los insectos de granos almacenados y garantizar que se mantenga la calidad del grano de trigo. Utilizamos la técnica de inteligencia artificial explicable (XAI) conocida como SHAP (SHapley Additive exPlanations) para proporcionar una explicación intuitiva del funcionamiento interno del modelo Random Forest y aumentar su transparencia. Nuestro principal hallazgo es que una cantidad óptima de granos de tamaño mediano dentro de una caja de madera (21 kg de granos de trigo) tuvo un efecto significativo en nuestra solución para elevar temperaturas superiores a 40 \(^\circ\)C contra el gorgojo del arroz Sitophilus oryzae (L).

Confirmamos que la investigación experimental y los estudios de campo en plantas cumplen con las directrices y la legislación institucional, nacional e internacional pertinente.

Hemos publicado el conjunto de datos bajo una licencia internacional Creative Commons Attribution 4.0, que se puede descargar en https://sandbox.zenodo.org/record/1067714.

Affognon , H. , Mutungi , C. , Sanginga , P. & Borgemeister , C. Análisis de las pérdidas poscosecha en el África subsahariana: un metanálisis . Desarrollo mundial 66 , 49–6 https://doi.org/10.1016/j.worlddev.2014.08.002 (2015).

Artículo Google Académico

Kumar, D. & Kalita, P. Reducción de las pérdidas poscosecha durante el almacenamiento de cultivos de cereales para fortalecer la seguridad alimentaria en los países en desarrollo. Alimentos 6, 8. https://doi.org/10.3390/foods6010008 (2017).

Artículo PubMed PubMed Central Google Académico

Mesterhazy, A., Olah, J. & Popp, J. Pérdidas en la cadena de suministro de granos: Causas y soluciones. Sostenibilidad 12, 2342. https://doi.org/10.3390/su12062342 (2020).

Artículo Google Académico

Odokonyero, K., Gallo Junior, A. & Mishra, H. Bolsas de yute recubiertas de cera inspiradas en la naturaleza para reducir las pérdidas de almacenamiento poscosecha. ciencia Rep.https://doi.org/10.1038/s41598-021-93247-z (2021).

Artículo PubMed PubMed Central Google Académico

Jasrotia, P. et al. Nanomateriales para el manejo poscosecha de insectos plaga: estado actual y perspectivas futuras. Frente. Nanotecnología.https://doi.org/10.3389/fnano.2021.811056 (2022).

Artículo Google Académico

Luo, Y., Huang, D., Li, D. y Wu, L. Sobre el almacenamiento agrícola, las pérdidas de almacenamiento y los efectos de la reducción de pérdidas en China. recurso Conservar reciclar 162, 105062. https://doi.org/10.1016/j.resconrec.2020.105062 (2020).

Artículo Google Académico

Rita Devi, S., Thomas, A., Rebijith, KB & Ramamurthy, VV Biología, morfología y caracterización molecular de Sitophilus oryzae y s. zeamais (coleóptera: Curculionidae). J. Prod. Almacenada. Res. 73, 135–141. https://doi.org/10.1016/j.jspr.2017.08.004 (2017).

Artículo Google Académico

Okram, S. & Hath, TK Biología de Sitophilus oryzae (L.) (coleóptera: Curculionidae) en granos de arroz almacenados durante diferentes estaciones en la agroecología de Terai en Bengala Occidental. En t. J. Curr. Microbiol. aplicación ciencia 8, 1955–1963 (2019).

Artículo Google Académico

Mansoor-ul Hasan, AA et al. Efecto de la temperatura y la humedad relativa en el desarrollo de Sitophilus oryzae L. (coleoptera: Curculionidae). J. Entomol. Zool. Semental. 5, 85–90 (2017).

Google Académico

Padmasri, A. et al. Manejo del picudo del arroz (Sitophilus oryzae L.) en maíz mediante tratamientos botánicos de semillas. En t. J. Curr. Microbiol. aplicación ciencia 6, 3543–3555 (2017).

Artículo Google Académico

Rajendran, S. y Sriranjini, V.-R. Uso de la fumigación para el manejo de la calidad del grano. Postcosecha de Stewart Rev. 3, 1–8. https://doi.org/10.2212/spr.2007.6.9 (2007).

Artículo Google Académico

Amoah, BA & Mahroof, RM Desinfestación de trigo infestado con Sitophilus oryzae utilizando gas ozono. J. Agric. Entomol Urbano. 36, 35–46. https://doi.org/10.3954/1523-5475-36.1.35 (2020).

Artículo Google Académico

Mourier, H. & Poulsen, KP Control de insectos y ácaros en granos usando una técnica de alta temperatura/corto tiempo (HTST). J. Prod. Almacenada. Res. 36, 309–318 (2000).

Artículo CAS PubMed Google Académico

Fawki, S., Fields, PG, Jian, F. & Yousery, A. Control de Sitophilus oryzae (coleoptera: Curculionidae) en bolsas de trigo usando radiación solar. J. Prod. Almacenada. Res. 96, 101941. https://doi.org/10.1016/j.jspr.2022.101941 (2022).

Artículo Google Académico

Fields, PG El control de insectos y ácaros de productos almacenados con temperaturas extremas. J. Prod. Almacenada. Res. 28, 89–118. https://doi.org/10.1016/0022-474X(92)90018-L (1992).

Artículo Google Académico

Yan, R., Huang, Z., Zhu, H., Johnson, JA y Wang, S. Cinética de muerte térmica de Sitophilus oryzae adulto y efectos de la velocidad de calentamiento en la termotolerancia. J. Prod. Almacenada. Res. 59, 231–236. https://doi.org/10.1016/j.jspr.2014.03.006 (2014).

Artículo Google Académico

Beckett, S., Morton, R. & Darby, J. La mortalidad de Rhyzopertha dominica (F.) (coleóptera: Bostrychidae) y Sitophilus oryzae (L.) (coleóptera: Curculionidae) a temperaturas moderadas. J. Prod. Almacenada. Res. 34, 363–376. https://doi.org/10.1016/S0022-474X(98)00022-8 (1998).

Artículo Google Académico

Khoukhi, M., Dar Saleh, A., Mohammad, AF, Hassan, A. y Abdelbaqi, S. Rendimiento térmico y análisis estadístico de un nuevo material de aislamiento de base biológica producido mediante la técnica de inflado de granos. Constr. Construir. Mate. 345, 128311. https://doi.org/10.1016/j.conbuildmat.2022.128311 (2022).

Artículo CAS Google Académico

Allouhi, A., Choab, N., Hamrani, A. y Saadeddine, S. Algoritmos de aprendizaje automático para evaluar el comportamiento térmico de un invernadero agrícola marroquí. Limpio. Ing. Tecnología 5, 100346 (2021).

Artículo Google Académico

Luna, T. et al. Interpolación de datos ambientales de invernadero utilizando perceptrón multicapa. computar Electrón. agricola 166, 105023. https://doi.org/10.1016/j.compag.2019.105023 (2019).

Artículo Google Académico

Lutz, E. & Coradi, PC Aplicaciones de nuevas tecnologías para monitorear y predecir la calidad de granos almacenados: Sensores, internet de las cosas e inteligencia artificial. Medida 188, 110609 (2021).

Artículo Google Académico

da Silva Andre, G., Coradi, PC, Teodoro, LPR & Teodoro, PE Predicción de la calidad de semillas de soja almacenadas en diferentes ambientes y empaques usando aprendizaje automático. ciencia Rep. 12, 1–13 (2022).

Artículo Google Académico

Lima, RE et al. Modelos matemáticos y análisis multivariado aplicados a las condiciones de secado y almacenamiento asociadas a la cosecha más temprana de soja y sus influencias en la calidad fisicoquímica del grano. ciencia Rep. 11, 1–20 (2021).

Artículo Google Académico

Coradi, PC et al. Prototipo de red de sensores inalámbricos y plataforma de Internet de las cosas para monitorear en tiempo real el contenido de humedad de equilibrio intergranular y predecir la calidad del maíz almacenado en bolsas de silos. Sistema experto aplicación 208, 118242 (2022).

Artículo Google Académico

Lutz, É. et al. Monitoreo del contenido de humedad en equilibrio en tiempo real para predecir la calidad del grano de maíz almacenado en silos y bolsas de rafia. J. Ing. de Procesos de Alimentos. 45, e14076 (2022).

Artículo CAS Google Académico

Taki, M., Mehdizadeh, SA, Rohani, A., Rahnama, M. y Rahmati-Joneidabad, M. Aprendizaje automático aplicado en simulación de invernaderos; nueva aplicación y análisis. información Proceso. agricola 5, 253–268 (2018).

Google Académico

Al-Mahdouri, A., Baneshi, M., Gonome, H., Okajima, J. y Maruyama, S. Evaluación de las propiedades ópticas y el rendimiento térmico de diferentes materiales de cobertura de invernaderos. Sol. Energía 96, 21–32. https://doi.org/10.1016/j.solener.2013.06.029 (2013).

Artículo ADS CAS Google Académico

Choab, N. et al. Revisión sobre microclima de invernadero y aplicación: parámetros de diseño, modelado térmico y simulación, tecnologías de control climático. Sol. Energía 191, 109–137. https://doi.org/10.1016/j.solener.2019.08.042 (2019).

Artículo ANUNCIOS Google Académico

Pei, W., Ming, F., Zhang, M. & Wan, X. Un modelo de conductividad térmica para materiales de aislamiento considerando el efecto de la humedad en regiones frías. Registro frío. ciencia Tecnología 207, 103770. https://doi.org/10.1016/j.coldregions.2022.103770 (2023).

Artículo Google Académico

Fawki, S. & Yousery, A. Conjunto de datos de comportamiento térmico y datos meteorológicos de la desinfestación térmica de Sitophilus oryzae en bolsas de plástico mediante calentamiento solar. Resumen de datos 42, 108029. https://doi.org/10.1016/j.dib.2022.108029 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Charbuty, B. & Abdulazeez, A. Clasificación basada en el algoritmo del árbol de decisiones para el aprendizaje automático. Aplicación J. ciencia Tecnología Tendencias 2, 20–28 (2021).

Artículo Google Académico

Aroef, C., Rivan, Y. & Rustam, Z. Comparación de bosques aleatorios y máquinas de vectores de soporte para la clasificación del cáncer de mama. Telkomnika 18, 815–821 (2020).

Artículo Google Académico

Bühlmann, P. Métodos de embolsado, refuerzo y conjunto. En Handbook of Computational Statistics 985–1022 (Springer, 2012).

Capítulo Google Académico

Dietterich, TG Una comparación experimental de tres métodos para construir conjuntos de árboles de decisión: embolsado, impulso y aleatorización. Mach. Aprender. 40, 139–157 (2000).

Artículo Google Académico

Chen, T. & Guestrin, C. Xgboost: Un sistema escalable de refuerzo de árboles. En Actas de la 22.ª Conferencia Internacional ACM SIGKDD sobre Descubrimiento de Conocimiento y Minería de Datos 785–794 (2016).

Powers, DM Evaluación: Desde precisión, recuperación y medida f hasta roc, información, marcado y correlación. preimpresión de arXiv arXiv:2010.16061 (2020).

Jeatrakul, P., Wong, KW y Fung, CC Clasificación de datos desequilibrados mediante la combinación de la red neuronal complementaria y el algoritmo smote. En Conferencia Internacional sobre Procesamiento de Información Neural 152–159 (Springer, 2010).

Lundberg, SM et al. IA explicable para árboles: desde explicaciones locales hasta comprensión global. preimpresión de arXiv arXiv:1905.04610 (2019).

Jian, F., Jayas, DS & White, NDG Calor específico, difusividad térmica y densidad aparente de canola genéticamente modificada con alto contenido de aceite a diferentes contenidos de humedad, temperaturas y tiempos de almacenamiento. Trans. ASABE 56, 1077–1083. https://doi.org/10.13031/trans.56.10067 (2013).

Artículo Google Académico

Muhammad, AA, Akhlaque, A., Tasneem, A. & Muhammad, A. Uso de la radiación solar a nivel de aldea para la desinfestación térmica del trigo almacenado en contenedores de acero galvanizado. Pak. Entomol. 28, 57–64 (2006).

Google Académico

Sahu, DK, Sen, PK, Sahu, GC, Sharma, R. & Bohidar, S. Una revisión sobre el aislamiento térmico y su espesor óptimo para reducir la pérdida de calor. En t. J.Innov. Res. ciencia Tecnología 2, 1–6 (2015).

CAS Google Académico

Artículo CAS PubMed PubMed Central Google Scholar

Mahlia, TM, Taufiq, BN, Ismail y Masjuki, HH Correlación entre la conductividad térmica y el espesor de materiales aislantes seleccionados para paredes de edificios. Construcción de energía. 39, 182–187. https://doi.org/10.1016/j.enbuild.2006.06.002 (2007).

Artículo Google Académico

D'Emilio, A. Modelado de regímenes térmicos del suelo durante un tratamiento de solarización en invernadero cerrado por medio de regresión simbólica mediante programación genética 279–286 (Avances en materiales de ingeniería civil, 2020).

Descargar referencias

Agradecemos a Paul G. Fields, Agriculture and Agri-Food Canada, y Fuji Jian, Profesor Asistente, Ingeniería de Biosistemas, Universidad de Manitoba, Canadá por diseñar el trabajo de campo y proporcionar todas las instalaciones en Canadá. Gracias de nuevo a Paul G. Fields por sus valiosos comentarios. Gracias a Liam Carlin, Colin Demianyk y Kim Hamilton por su asistencia técnica. También nos gustaría agradecer a Esther Aramide, Universidad de la ciudad de Birmingham, por su ayuda en el modelado ML. Este trabajo está financiado por el Fondo para el Desarrollo de la Ciencia y la Tecnología (STDF), El Cairo, Egipto.

Escuela de Informática y Tecnología Digital, Universidad de la Ciudad de Birmingham, Birmingham, B4 7BD, Reino Unido

Mohammed M. Abdelsamea, Mohamed Medhat Gaber, Aliyuda Ali y Marios Kyriakou

Facultad de Informática e Información, Universidad de Assiut, Assiut, 71515, Egipto

Mohamed M. Abdelsamea

Facultad de Informática e Ingeniería, Universidad de Galala, Suez, 435611, Egipto

Mohamed Medhat Gaber

Departamento de Entomología, Facultad de Ciencias, Universidad Ain Shams, El Cairo, 11566, Egipto

falsificaciones fawki

También puede buscar este autor en PubMed Google Scholar

MMA y MMG dieron forma a la investigación y concibieron los experimentos, AA realizó los experimentos de aprendizaje automático, MK preparó el conjunto de datos y SF realizó los experimentos de campo y analizó los resultados. Todos los autores escribieron el manuscrito.

Correspondencia a Mohammed M. Abdelsamea.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Abdelsamea, MM, Gaber, MM, Ali, A. et al. Un efecto de temperatura de amortización logarítmica para el aprendizaje supervisado de la desinfestación solar del trigo del gorgojo del arroz Sitophilus oryzae (Coleoptera: Curculionidae) utilizando bolsas de plástico. Informe científico 13, 2655 (2023). https://doi.org/10.1038/s41598-023-29594-w

Descargar cita

Recibido: 07 junio 2022

Aceptado: 07 febrero 2023

Publicado: 14 febrero 2023

DOI: https://doi.org/10.1038/s41598-023-29594-w

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.

Noticias

Un efecto de temperatura de amortización logarítmica para el aprendizaje supervisado de la desinfestación solar del trigo del gorgojo del arroz Sitophilus oryzae (Coleoptera: Curculionidae) utilizando bolsas de plástico