Un effet de température à amortissement logarithmique pour l'apprentissage supervisé de la désinfestation solaire du blé par le charançon du riz Sitophilus oryzae (Coleoptera: Curculionidae) à l'aide de sacs en plastique

Rapports scientifiques volume 13, Numéro d'article : 2655 (2023) Citer cet article

712 accès

3 Altmétrique

Détails des métriques

Ce travail étudie l'efficacité du chauffage solaire à l'aide de sacs en polyéthylène transparent contre le charançon du riz Sitophilus oryzae (L.), qui est l'un des insectes ravageurs les plus destructeurs contre de nombreuses céréales stratégiques telles que le blé. Dans cet article, nous visons à trouver les paramètres clés qui affectent le système de chauffage de contrôle contre les insectes du grain stocké tout en s'assurant que la qualité du grain de blé est maintenue. Nous fournissons un nouvel ensemble de données de référence, où les données expérimentales et environnementales ont été recueillies sur la base de travaux de terrain pendant l'été au Canada. Nous mesurons l'efficacité de la solution à l'aide d'une nouvelle formule pour décrire l'effet d'amortissement de la température sur le charançon du riz. Nous avons adopté différents modèles d'apprentissage automatique pour prédire l'efficacité de notre solution à atteindre une condition de chauffage létale pour les insectes nuisibles, et donc mesurer l'importance des paramètres. Les performances de nos modèles d'apprentissage automatique ont été validées à l'aide d'une validation croisée 10 fois, montrant une précision élevée de 99,5 % avec un rappel de 99,01 %, une précision de 100 % et un F1-Score de 99,5 % obtenu par le modèle Random Forest. Notre étude expérimentale sur l'apprentissage automatique avec les valeurs SHAP en tant que modèle post-hoc eXplainable fournit les meilleures conditions environnementales et les paramètres qui ont un effet significatif sur la désinfestation des charançons du riz. Nos résultats suggèrent qu'il existe une quantité optimale de grains de taille moyenne lors de l'utilisation de sacs solaires pour la désinfestation thermique des insectes à des températures ambiantes élevées. L'apprentissage automatique nous fournit un modèle polyvalent pour prédire les températures létales les plus efficaces pour éliminer les insectes des céréales stockées dans des sacs en plastique transparents. Grâce à cette technologie puissante, nous pouvons obtenir des informations précieuses sur les conditions optimales pour éliminer ces ravageurs. Notre modèle nous permet de prédire si une certaine combinaison de paramètres sera efficace dans le traitement des insectes par contrôle thermique. Nous rendons notre ensemble de données accessible au public sous une licence Creative Commons pour encourager les chercheurs à l'utiliser comme référence pour leurs études.

La population mondiale a été estimée à environ 7,8 milliards en 2020 et devrait atteindre 9,8 milliards en 20501,2,3,4. Par conséquent, l'augmentation de la production mondiale de céréales est un facteur clé pour répondre à la demande alimentaire mondiale. La production et la consommation alimentaires devraient augmenter d'environ 50 à 70 % en 20501,2,3. D'autre part, les pertes post-récolte sont responsables d'énormes dommages à la production alimentaire totale, en particulier dans certains pays africains, et entraînent une perte d'environ 20 à 40 %, ce qui représente une perte importante par rapport à la faible production alimentaire dans les mêmes pays2. Les insectes sont la principale cause de dommages aux grains et les pertes de grains sont estimées à 30–90%2,5. Les efforts visant à réduire les pertes après récolte auraient un impact significatif et amélioreraient la disponibilité et l'approvisionnement alimentaires par rapport aux limitations et aux défis d'augmenter la production alimentaire2,6.

Le charançon du riz Sitophilus oryzae (L.) (Coleoptera : Curculionidae) est l'un des insectes ravageurs les plus importants du blé entreposé et d'autres céréales dans le monde5,7. Il s'agit d'un insecte primaire des grains entreposés qui attaque les grains entiers et cause d'importantes pertes de grains7,8. L'activité alimentaire de S. oryzae entraîne une infestation secondaire de ravageurs, de maladies fongiques et de détérioration des grains7,8. Le charançon du riz mature atteint 3 à 4 mm de long et les larves se nourrissent à l'intérieur du grain du grain en s'échappant, créant de minuscules trous ronds distinctifs connus sous le nom de dommages causés par le charançon9. Les œufs sont pondus à la surface du grain et la période d'incubation pour éclore est de 2,62 à 5,85 jours. Lorsque la nourriture est disponible, la longévité des mâles est de 42,63 à 58,72 jours et celle des femelles de 60,69 à 77,23 jours8. Le taux de fécondité des femelles est de 53,60 œufs/vie7. L'accélération de la croissance du charançon du riz se produit à des températures de 25–30 \(^\circ\)C et 65–75% d'humidité relative (rh)7,8. La plupart des écosystèmes de stockage des céréales ont une température et une humidité relative proches des conditions favorables à la croissance des charançons du riz et d'autres insectes, ce qui entraîne également une perte importante de céréales2,10.

Les insecticides synthétiques et les fumigants à base de phosphine sont la méthode la plus efficace utilisée pour lutter contre les insectes des grains entreposés2,6. Ces fumigants ont certaines limites telles que le coût relativement élevé et la capacité des insectes à développer une résistance à ces insecticides2,5. De plus, une mauvaise utilisation des fumigants par les petits exploitants et les agriculteurs pourrait entraîner des risques pour la santé et l'environnement11. Dans de nombreux pays en développement d'Afrique et d'Asie, la production céréalière dépend principalement de petits agriculteurs et de petits exploitants plutôt que d'institutions gouvernementales à grande échelle6. Dans ces zones, les céréales sont stockées dans des entrepôts et des greniers à ciel ouvert avec un système de stockage médiocre et le manque de technologies adéquates6. Par conséquent, plusieurs méthodes de lutte non chimiques ont été utilisées contre les insectes des grains entreposés, comme le traitement à l'ozone pour l'entreposage hermétique (hermétique) et le contrôle thermique2,4,12. La lutte thermique contre les insectes des céréales entreposées a été utilisée dans de nombreux pays développés et en développement. Le contrôle du chauffage à grande échelle dépend du chauffage des bâtiments de stockage, des grands entrepôts et des grands silos13,14. D'autre part, de nombreux systèmes de chauffage simples ont été adoptés par les petits agriculteurs dans de nombreux pays en développement. La désinfestation solaire contre les insectes ravageurs a été utilisée avec succès contre les insectes du sol, des musées et des céréales entreposées14.

Le contrôle thermique dépend de l'augmentation des températures à 40–60 \(^\circ\)C, ce qui est la limite létale pour la plupart des insectes du grain entreposé15. La lutte thermique est une technique prometteuse sans danger pour la santé ni développement de résistance des insectes. Différentes études ont étudié le contrôle thermique contre le charançon du riz15,16,17. Une mortalité adulte complète du charançon du riz a été obtenue après 130, 50, 12 et 4 min à 44, 46, 48 et 50 \(^\circ\)C, respectivement16. D'autres études ont rapporté que les adultes de charançons du riz étaient tués après 4 jours et 40 secondes à 39 et 66 \(^\circ\)C, respectivement15. Selon Beckett17, le temps mortel pour tuer 99,9 de la population adulte de charançons du riz est de 37,36 à 3,71 heures entre 42 et 48 \(^\circ\)C. Dans l'une des études précédentes des auteurs, la désinfestation solaire a été utilisée contre le charançon du riz à l'intérieur de sacs en plastique de grains de blé dans des conditions de terrain14. Ces sacs en plastique ont été capables de chauffer les grains à des températures létales pour les insectes de 40 à 55 \(^\circ\)C et ont pu causer une mortalité de 67,6 ± 30 % des charançons du riz adultes14. Dans la même étude, divers paramètres susceptibles d'affecter la capacité de chauffage des sacs en plastique à tuer 100 % des insectes adultes ont été étudiés, mais aucun modèle thermique n'a été développé pour la distribution de la température à l'intérieur des sacs en plastique. Par conséquent, les travaux en cours visaient à utiliser des algorithmes d'apprentissage automatique (ML) pour examiner l'interaction entre divers paramètres afin de prédire les meilleures conditions conduisant à une suppression complète de la population d'insectes. L'épaisseur du grain à l'intérieur des sacs était l'un des principaux facteurs à étudier dans l'étude initiale. Étant donné que les grains sont considérés comme un bon isolant thermique14,18, on a émis l'hypothèse que le temps nécessaire pour chauffer les grains, en particulier au fond des sacs, augmenterait à mesure que l'épaisseur des grains à l'intérieur des sacs augmenterait. Par conséquent, différentes épaisseurs de grains ont été utilisées.

L'apprentissage automatique (ML) a été utilisé comme alternative à la modélisation mathématique et statistique dans différents domaines, y compris le secteur agricole19,20. L'apprentissage automatique est très prometteur pour surveiller et prédire la qualité du grain. Il a montré un grand potentiel dans l'étude de nouvelles stratégies de stockage des céréales basées sur différents facteurs environnementaux. Par exemple, les réseaux de neurones artificiels (ANN) in21 ont été utilisés comme modèle prédictif dans un flux de travail Internet des objets (IoT) où la qualité du gain a été surveillée pour prédire la qualité du grain stocké et donc sa détérioration pendant les étapes post-récolte. In22, la qualité des graines de soja stockées a été prédite dans différentes conditions de température et d'emballage à l'aide de plusieurs modèles d'apprentissage automatique, notamment les algorithmes d'arbre de décision ANN, REPTree et M5P, les modèles de forêt aléatoire (RF) et de régression linéaire (LR). Le modèle RF a surpassé les autres modèles dans la prédiction des indices de qualité physiologique de ces graines. La modélisation mathématique et l'analyse multivariée ont également été utilisées23 pour évaluer les propriétés physicochimiques de la récolte précoce de soja entreposée à différents emballages et températures. Un prototype de réseau de capteurs sans fil dans la plate-forme IoT a été conçu24 pour la surveillance en temps réel de la teneur en humidité à l'équilibre intergranulaire, où des algorithmes de réseau neuronal ont été utilisés pour prédire la masse physique, physique, chimique et microbiologique du maïs stocké dans des silos à sacs. De même, un prototype de réseau de capteurs sans fil, une plate-forme IoT et des algorithmes de réseau neuronal ont été utilisés dans25 pour surveiller en temps réel la teneur en humidité à l'équilibre et prédire la qualité du grain de maïs stocké dans différentes conditions dans des silos et des sacs de raphia. En outre, des tentatives antérieures ont été faites pour étudier le comportement thermique de l'air intérieur dans les serres, où ML a été utilisé pour prédire l'environnement intérieur (par exemple, les températures) des serres en plastique ou le chauffage solaire pour la désinfestation du sol contre les microbes et autres organismes. Par exemple, différents modèles d'apprentissage automatique tels que la régression linéaire multiple, la machine à vecteurs de support (SVM), les ensembles d'arbres et le processus de régression gaussienne ont été utilisés19 pour prédire les températures de l'air intérieur dans une serre marocaine à l'aide des données extérieures, où le modèle de processus de régression gaussienne a surpassé les autres modèles lors des étapes de validation et de test. In26, les modèles ANN et SVM ont été utilisés pour estimer trois variables : l'air intérieur, les températures du sol et des plantes, et l'échange d'énergie dans une serre en polyéthylène de la ville de Shahreza en Iran, montrant une meilleure performance de la fonction de biais radial (RBF) en tant que modèle ANN par rapport aux autres modèles.

Contrairement aux tentatives précédentes, cet article présente une solution d'apprentissage automatique supervisé pour aider à mieux comprendre le comportement thermique à l'intérieur des sacs en plastique afin de maximiser l'efficacité du chauffage solaire contre les insectes des céréales stockées. Cela se fait en introduisant une nouvelle formule pour mesurer l'efficacité de la solution, et donc formuler le problème comme un problème de classification binaire. À notre connaissance, l'étude est la première du genre à prédire les conditions de chauffage mortelles des insectes nuisibles et est la première à modéliser l'efficacité du contrôle thermique (solutions) à l'aide de l'apprentissage automatique. De plus, nous avons adopté l'explicabilité du modèle pour fournir à la communauté les différentes conditions qui peuvent conduire à une solution de chauffage efficace pour la désinfestation des grains et aider à mieux comprendre l'effet de l'épaisseur sur notre solution.

Afin d'étudier l'efficacité du chauffage solaire à l'aide de sacs en plastique transparent, différents paramètres ont été examinés. Certaines de ces variables sont le rayonnement solaire, la température de l'air, l'humidité de l'air, le matériau du substrat (sol), la vitesse du vent, l'épaisseur du grain et la teneur en humidité du grain14,27,28,29. On a également supposé que mélanger les grains et les empiler dans des boîtes isolantes peut aider à minimiser le temps nécessaire pour chauffer les grains à des températures de 40 à 60 \(^\circ\)C. Par conséquent, avant l'expérience, la teneur en humidité du grain de blé était non renseignée à 12,5 % par un récipient métallique rotatif. Sur le terrain, des feuilles de bois ont également été ajoutées sous les sacs en plastique pour uniformiser le substrat avec un matériau à faible conductivité thermique. Toutes les données environnementales et de température ont été recueillies lors d'une expérience sur le terrain au Canada à l'été 2018. Il y avait quatre traitements différents de quantités de blé, 16, 21 et 25 kg de blé dans des sacs en polyéthylène transparent avec des boîtes en bois et 21 kg de blé dans un sac en polyéthylène transparent sans boîte en bois. Le blé de force roux de printemps canadien Triticum aestivum L. (semence certifiée, variété SY Slate) a été utilisé. Le blé a été acheté auprès d'un fournisseur de céréales (Pitura Seeds, Manitoba, Canada) avec une teneur en humidité de 12,2 ± 0,0 %. Ce travail a ensuite été subdivisé en deux parties; la première partie s'est déroulée sur 5 jours d'environ 11 h à 20 h, du 26 au 30 juillet 2018, où tous les traitements ont été conservés sur le terrain pendant la journée et ont été mélangés et empilés dans des boîtes en mousse pendant la nuit (Canada 1, Fig. 1a). La deuxième partie a été réalisée sur 6 jours du 7 au 12 août 2018, où tous les traitements ont été maintenus au champ toute la journée et la nuit sans mélanger ni empiler les sacs en plastique (Canada 2, Fig. 1b). Les quantités de 16, 21 et 25 kg de blé représentaient respectivement 9, 13 et 15 cm d'épaisseur de blé. Les fluctuations de température à l'intérieur des sacs en plastique ont été enregistrées à l'aide de thermocouples toutes les 15 min dans six positions réparties sur l'échelle verticale au centre de chaque sac. Ces positions étaient la surface extérieure du sac, le haut du grain à l'intérieur du sac, le haut-milieu, le milieu, le milieu-bas et le bas du grain. Les thermocouples étaient répartis verticalement à égale distance le long de l'épaisseur de chaque sac. Par conséquent, des caisses en bois ont été utilisées pour uniformiser l'épaisseur du grain, voir Fig. 1. Les données météorologiques ont été enregistrées pendant l'expérience à l'aide d'une station météorologique sur le site expérimental. Une description détaillée du protocole expérimental et de la manière dont les données ont été collectées est décrite dans l'article original et dans un autre article de données lié au même travail14,30.

Conception expérimentale : (a) Canada 1, après exposition au soleil, les sacs de blé ont été mélangés et empilés dans les boîtes en mousse. (b) Canada 2, pendant la nuit, tous les traitements ont été recouverts d'une autre boîte en bois pour éviter toute perturbation des animaux.

Notre jeu de données est composé de 7871 observations et 14 caractéristiques, ce sont : 16 kg (de blé dans une caisse en bois), Air Relative Humidity (RH%), Températures ambiantes (\(^\circ\)C), 21 kg (pas dans une caisse en bois, caractéristique binaire), Rayonnement solaire (Mj/m2), Densité de flux solaire (Kj/m2), Vitesse du vent (m/s), Mélange et empilement des grains (caractéristique binaire), Pression atmosphérique (kpa), 21 kg (de blé à l'intérieur d'une boîte en bois, caractéristique binaire), Direction du vent (Deg), 25 kg (de blé dans une boîte en bois, caractéristique binaire), Pluie (caractéristique binaire), et enfin l'étiquette de classe binaire qui peut être définie par Eq. (1).

où \(g_t\) est le temps en minutes pendant lequel la solution dure à une température spécifique t, D est le temps en minutes par jour (c'est-à-dire \(24 \times 60 = 1440\) minutes), et T est le seuil de température à atteindre pour démarrer une durée d'une solution efficace pour atteindre des conditions de chauffage mortelles pour les insectes du grain stocké. Pour cette étude, \(T = 40\), basée sur la littérature précédente mentionnée plus haut dans la section d'introduction. Selon notre équation proposée pour l'étiquetage de la solution, les températures plus élevées affecteront la durée de la solution efficace de manière logarithmique disproportionnée (c'est-à-dire qu'il faut un temps plus court pour une solution efficace lorsque la température est plus élevée). La figure 2 montre cet effet logarithmique. Il convient de noter que l'équation est appliquée lorsque la température est de 40 \(^\circ\)C ou plus. Une fois que la température descend en dessous de 40 \(^\circ\)C, la valeur de \({\hat{S}}\) est remise à zéro, pour être prudent quant à l'étiquetage de certaines solutions uniquement, et donc à la modélisation des conditions qui les créent. Enfin, la fonction de plancher (\(\lfloor . \rfloor\)) est appliquée pour aboutir à la valeur finale de \({\hat{S}}\), où la valeur de zéro indique une solution inefficace, et toute valeur \(\ge 1\) indique une solution efficace.

L'effet logarithmique de la température sur le rythme d'obtention d'une solution efficace.

Pour examiner l'ensemble de données et mesurer l'efficacité de la solution de désinfestation solaire du blé, nous avons utilisé différents modèles d'apprentissage automatique (voir tableau 1) pour prédire l'efficacité de la solution en termes d'effet sur le charançon du riz à l'intérieur des sacs chauffants solaires. Le choix des méthodes d'apprentissage automatique supervisé est basé sur les succès antérieurs rapportés dans la littérature les utilisant dans une variété d'applications. De plus, nous nous sommes penchés vers une approche d'apprentissage automatique superficiel, car l'explicabilité est la clé de l'application en main, comme nous le verrons plus loin.

Pour évaluer les performances de nos modèles d'apprentissage automatique, nous avons utilisé une validation croisée multipliée par 10 et adopté des mesures d'exactitude, de rappel, de précision et de score F1 pour quantifier correctement les valeurs vraies positives, le rapport entre les valeurs vraies positives et positives, et la moyenne harmonique de précision et de rappel, respectivement36. Les formules des métriques adoptées peuvent être définies comme suit :

où, TP est le vrai positif dans le cas de la solution efficace et TN est le vrai négatif dans le cas de la solution inefficace, tandis que FP et FN sont les prédictions incorrectes du modèle pour les cas non efficaces et efficaces.

Le temps au-dessus de 40 \(^\circ\)C et les degrés-minutes (DM) à l'intérieur des sacs en plastique ont été estimés. L'homogénéité des variances a été testée à l'aide du test de Levene. Ensuite, une ANOVA à un facteur a été effectuée, suivie du HSD de Tukey-Kramer. Le modèle DM a été estimé selon14,30 pour étudier la relation entre les températures des grains, le temps d'exposition à la chaleur et la mortalité par le charançon du riz.

Dans la première partie de l'expérience, où les sacs en plastique de blé étaient mélangés et empilés (Canada 1), la durée des températures supérieures à 40 \(^\circ\)C (temps au-dessus de 40 \(^\circ\)C) (min) au fond de chaque sac en plastique pour chaque jour était significativement plus élevée dans 16 kg de blé par rapport aux autres traitements : 2,5 ± 0,6, 0,6 ± 0,2, 0,1 ± 0,1 et 0,1 ± 0,01 (min, moyenne ± sem) pour 16, 21, 25 kg de blé dans des caisses en bois et 21 kg de blé sans caisse en bois, respectivement (Analyse de variance à un facteur (ANOVA) : F\(_{3,8}\) = 14,4864, P = 0,0013). Le temps au-dessus de 40 \(^\circ\)C au fond de 21 et 25 kg de blé en vrac et de 21 kg de blé sans caisse en bois n'était pas significativement différent l'un de l'autre. Les DM étaient significativement différents entre les différents traitements (ANOVA à un facteur : F\(_{3,8}\) = 4,5996, P = 0,0375), voir Fig. 3a.

Dans la deuxième partie de l'expérience, où les sacs plastiques de blé n'étaient ni mélangés ni empilés (Canada 2), les températures n'atteignaient que 40 \(^\circ\)C et plus au fond des 16 kg de blé. Aucun des autres traitements n'a atteint 40 \(^\circ\)C ou plus, sauf une répétition sur trois répétitions dans 21 kg de blé dans la boîte en bois. Les DM étaient significativement différents entre tous les traitements (ANOVA à un facteur : F\(_{3,7}\) = 8,5934, P = 0,0096), voir Fig. 3b.

(a) Degrés-minutes/jour (\(^\circ\)C-min, moyenne \(+\) sem) de 16, 21 et 25 kg de blé dans des sacs en plastique à l'intérieur de caisses en bois et de 21 kg supplémentaires de blé dans un sac en plastique sans caisse en bois exposés au rayonnement solaire pendant 5 jours au Canada (Canada1). (b) Degrés-minutes/jour (\(^\circ\)C-min, moyenne \(+\) sem) de 16, 21 et 25 kg de blé dans des sacs en plastique à l'intérieur de caisses en bois et de 21 kg supplémentaires de blé dans un sac en plastique sans caisse en bois exposés au rayonnement solaire pendant 6 jours au Canada (Canada 2, sans empilement). Tous les traitements ont été maintenus en continu dans le champ pendant l'expérience. Des lettres différentes indiquent des différences significatives entre les traitements (P < 0,05).

Considérant que le défi majeur de ce travail est de savoir comment gérer les classes déséquilibrées dans notre ensemble de données, comme le montre la figure S1 (voir en bas à gauche), quatre expériences ont été réalisées pour étudier les performances de différentes méthodes d'apprentissage automatique. La première expérience a été réalisée sur l'ensemble de données original déséquilibré et l'objectif est d'évaluer la capacité de prédiction des différents algorithmes d'apprentissage automatique sur le déséquilibre de classe. Les résultats de la première expérience sont présentés dans le tableau 2.

Les résultats présentés dans le tableau 2 indiquent que les trois modèles ont atteint une précision d'au moins 98 % dans la prédiction des classes. Cependant, ces résultats ne sont pas fiables, car les métriques utilisées ne sont pas en mesure de fournir des informations supplémentaires sur les classes qui sont prédites correctement et celles qui sont prédites de manière incorrecte. Par conséquent, les matrices de confusion pour les trois algorithmes sont calculées et présentées à la Fig. S1 dans le matériel supplémentaire. Comme l'illustre la figure S1, les résultats de cette première expérience montrent que s'appuyer sur la précision des méthodes d'apprentissage automatique pour faire face à un ensemble de données déséquilibré peut être trompeur. Pour relever ce défi, trois techniques de rééchantillonnage des données ont été appliquées, à savoir le suréchantillonnage de la classe minoritaire, le sous-échantillonnage de la classe majoritaire et la technique de suréchantillonnage synthétique de la minorité (SMOTE), aux données déséquilibrées de la classe. La performance de chaque algorithme sur les ensembles de données rééchantillonnés a été évaluée.

L'ensemble de données d'origine est transformé en suréchantillonnant la technique des classes minoritaires. Dans cette technique, les échantillons de la classe minoritaire sont répliqués au hasard jusqu'à ce que leur nombre soit égal à celui de la classe majoritaire. La figure S2 (voir en bas à gauche) montre la distribution des étiquettes de classe après l'application du suréchantillonnage de la technique des classes minoritaires. La deuxième expérience a été menée sur l'ensemble de données suréchantillonné pour évaluer les performances des algorithmes de la machine dans la classification des classes majoritaires et minoritaires. Le tableau 3 présente les résultats de la deuxième expérience sur le jeu de données suréchantillonné. Les résultats présentés dans le tableau 3 indiquent que DT et RF ont atteint jusqu'à 99 % de précision tandis que XGB a enregistré une précision de 95 %. Pour rendre compte avec précision des performances de chaque modèle, les matrices de confusion pour les trois algorithmes sont calculées et présentées à la Fig. S2 dans le matériel supplémentaire. Comme le montre la figure S2, dans le cas de la prédiction de la classe minoritaire, on peut observer que les trois algorithmes ont correctement prédit tous les échantillons de la classe minoritaire. À partir de ces sorties, les algorithmes DT et RF ont obtenu de meilleures performances par rapport à l'algorithme XGB.

L'ensemble de données d'origine est transformé en appliquant SMOTE (Synthetic Minority Oversampling Technique)37, voir le matériel supplémentaire. Cette technique est similaire au suréchantillonnage de la technique des classes minoritaires. Cependant, contrairement à la technique de suréchantillonnage de la classe minoritaire où les échantillons de la classe minoritaire sont répliqués, dans SMOTE, les échantillons de la classe minoritaire sont créés synthétiquement jusqu'à ce que leur nombre soit égal à celui de la classe majoritaire. La figure S3 montre la distribution des étiquettes de classe après l'application de la technique SMOTE. La troisième expérience a été réalisée sur le jeu de données SMOTE pour évaluer les performances des trois algorithmes. Le tableau 4 présente les résultats de la quatrième expérience. Les résultats présentés dans le tableau 4 montrent que DT et RF ont atteint jusqu'à 99 % de précision tandis que XGB a enregistré une précision de 95 %. Pour évaluer davantage les performances de chaque algorithme dans la classification correcte des classes majoritaires et minoritaires, les matrices de confusion pour les trois algorithmes sont calculées et présentées à la Fig. S3 dans le matériel supplémentaire. La figure S3 montre que XGB a obtenu de meilleurs résultats pour prédire la classe minoritaire, suivi de RF, puis de DT. Pour prédire la classe majoritaire, DT a obtenu de bons résultats, suivi de RF, puis de XGB.

Maintenant, l'ensemble de données d'origine est transformé en appliquant la technique de sous-échantillonnage de la classe majoritaire. Dans cette technique, les échantillons de la classe majoritaire sont prélevés au hasard jusqu'à ce que leur nombre soit égal à celui de la classe minoritaire. La figure 4 (voir en bas à gauche) montre la distribution des étiquettes de classe après application du sous-échantillonnage de la technique de la classe majoritaire. La quatrième expérience a été menée sur l'ensemble de données sous-échantillonné pour évaluer les performances des algorithmes de la machine dans la classification des classes majoritaires et minoritaires. Le tableau 5 présente les résultats de la troisième expérience sur le jeu de données sous-échantillonné. Les résultats présentés dans le tableau 5 indiquent que DT et RF ont atteint jusqu'à 99 % de précision tandis que XGB a enregistré une précision de 96 %. Pour démontrer avec précision les performances de chaque algorithme (dans la classification des classes majoritaires et minoritaires) sur l'ensemble de données sous-échantillonné, les matrices de confusion pour les trois algorithmes sont calculées et présentées à la Fig. 4.

Évaluation des performances à l'aide d'une matrice de confusion sur un ensemble de données sous-échantillonné.

Comme l'illustre la figure 4, sur 100 échantillons pour les classes majoritaires et minoritaires, DT a correctement prédit 99 échantillons et a prédit incorrectement 1 échantillon pour les deux classes. RF a prédit correctement 99 échantillons de la classe majoritaire, 1 échantillon de la majorité de manière incorrecte et tous les 100 échantillons de la minorité correctement. XGB a prédit correctement 99 échantillons de la classe majoritaire, 8 échantillons de la classe majoritaire de manière incorrecte et tous les 100 échantillons de la classe minoritaire correctement. À partir de ces sorties, l'algorithme RF a obtenu de meilleures performances par rapport aux algorithmes DT et XGB.

Comme décrit dans les résultats, le modèle RF a bien fonctionné sur l'ensemble de données sous-échantillonné. Cependant, il est difficile d'expliquer les prédictions de RF hors de la boîte. Pour atténuer ce défi, nous appliquons la technique d'intelligence artificielle eXplainable (XAI) connue sous le nom de SHAP (SHapley Additive exPlanations) pour fournir une explication intuitive du fonctionnement interne du modèle RF et augmenter sa transparence. Les explications fournies sont basées sur le modèle RF formé sur l'ensemble de données sous-échantillonné. SHAP est une technique de la théorie des jeux pour expliquer la sortie du modèle d'apprentissage automatique38. Il fournit des explications globales et locales en utilisant les valeurs classiques de Shapley issues de la théorie des jeux. En plus d'estimer l'importance des caractéristiques qui se concentre sur l'interprétation d'un modèle dans son intégralité (global), la méthode SHAP fournit des interprétations de prédictions distinctes de l'ensemble du modèle (local).

Ici, les valeurs SHAP sont combinées pour révéler la contribution de chaque prédicteur aux sorties du modèle (variables cibles). L'importance des caractéristiques du modèle RF pour une solution efficace de stockage des grains de blé est représentée sous la forme d'un diagramme à barres normal sur la Fig. 5a et sous la forme d'un graphique récapitulatif SHAP sur la Fig. 5b. La figure 5a répertorie les caractéristiques les plus influentes par ordre décroissant pour la solution efficace (classe 1). Une couleur de barre rouge signifie que la fonctionnalité a un impact positif sur la sortie, tandis qu'une couleur bleue signifie un impact négatif. On peut observer que le stockage de 21 kg de grains de blé dans une caisse en bois a un fort impact positif sur le rendement suivi de la température ambiante, de la pression atmosphérique, de la vitesse du vent et enfin du mélange et de l'empilage. Par contre, l'humidité relative de l'air a un fort impact négatif sur le rendement, suivi de 25 kg de blé à l'intérieur d'une caisse en bois, de la densité de flux solaire, du rayonnement solaire, de 16 kg de blé à l'intérieur d'une caisse en bois, de la direction du vent, puis enfin de 21 kg de blé sans caisse en bois. La pluie n'a aucun impact sur le rendement.

(a) Graphique d'importance des caractéristiques et (b) Graphique récapitulatif SHAP montrant l'influence des caractéristiques sur la solution de stockage des grains de blé.

Le tracé récapitulatif SHAP illustré à la Fig. 5b révèle les relations positives et négatives des caractéristiques avec la variable cible. Le tracé récapitulatif révèle les valeurs SHAP de chaque entité et les points représentent chaque observation dans le jeu de données. Le graphique répertorie toutes les caractéristiques avec leur importance sur l'axe des ordonnées par ordre décroissant d'influence et montre si les effets de leurs valeurs sont associés à une prédiction inférieure ou supérieure. Sur l'axe des abscisses, la position des points révèle l'impact des caractéristiques sur la prédiction du modèle pour chaque observation. Pour chaque observation, les couleurs indiquent si une caractéristique est faible (en bleu) ou élevée (en rouge). Ainsi, on peut observer que le stockage de 21 kg de grains de blé dans une boîte en bois a un impact élevé et positif sur la sortie du modèle. L'impact élevé émerge de la couleur rouge et l'impact positif est affiché sur l'axe des abscisses. De même, nous dirons que la fonctionnalité "Air RH" a un impact négatif sur la sortie du modèle.

Dans les figures 5a et b, les dégradés de couleurs donnent une image de l'impact de chaque caractéristique sur la solution. Pour comprendre comment le modèle est parvenu à prendre la décision pour chaque observation, des graphiques de force SHAP ont été créés pour des observations distinctes. Par conséquent, chaque observation ou échantillon de données obtient son propre ensemble de valeurs SHAP qui sont utilisées pour expliquer pourquoi une observation reçoit sa prédiction/sortie et les contributions des prédicteurs. La figure 6 montre deux diagrammes de force pour des observations distinctes dans l'ensemble de données. Celui-ci contient deux valeurs : l'une comme valeur de base et l'autre comme prédiction de modèle. La valeur de base indique la sortie moyenne du modèle sur l'ensemble de données, et la prédiction du modèle indique la prédiction du modèle. Ces visualisations ont montré les caractéristiques responsables de la disparité entre la sortie du modèle et la valeur de base. Les caractéristiques qui réduisent la prédiction sont colorées en bleu et celles qui augmentent la prédiction sont colorées en rouge. Ces parcelles ont la capacité de fournir des recommandations qui informeront les décideurs si un cas particulier conduira ou non à un stockage efficace des grains de blé.

Illustration des graphiques de force SHAP pour les solutions prédites inefficaces (a) et efficaces (b) de stockage des grains de blé.

Le modèle RF a été développé sur la base du seuil par défaut de 0,5 de la bibliothèque scikit-learn de Python où les valeurs entre 0 et 0,5 appartiennent à la classe 0 (solutions inefficaces) et celles entre 0,5 et 1 appartiennent à la classe 1 (solutions efficaces). Pour l'observation présentée sur la figure 6a, le modèle a prédit une valeur de 0,00 qui est inférieure à la valeur de base de 0,4968, ce qui indique une solution inefficace pour chauffer les grains de blé. Ce diagramme de force montre également les caractéristiques qui rendent la solution inefficace. Cette solution a un rayonnement solaire = 143,9 (\(M_j/m^2\)). Cette fonctionnalité pousse la prédiction vers des valeurs plus élevées, comme indiqué en rouge. Même avec cette force poussant vers des valeurs plus élevées, il existe un groupe beaucoup plus important de fonctionnalités poussant cette solution vers des valeurs plus basses, comme indiqué dans les barres de couleur bleue. Chacune de ces caractéristiques se voit attribuer une valeur et leur force combinée amène le modèle à arriver à cette prédiction. Cela signifie simplement que le chauffage des grains de blé serait inefficace si 21 kg de grains de blé étaient chauffés sans caisse en bois, à une température ambiante de 19,86 \(^\circ\)C, une HR de l'air de 79,94 % et un rayonnement solaire de 143,9 (\(M_j/m^2\)). De même, le modèle a prédit une solution efficace pour chauffer les grains de blé sur la figure 6b. Ceci est illustré par la valeur prédite du modèle de 1,00 qui est supérieure à la valeur de base. Ce tracé peut également être utilisé pour identifier les attributs d'entité qui en font une solution efficace. Cette solution a une valeur de mélange et d'empilement de 0 qui pousse la prédiction vers des valeurs inférieures, comme indiqué en bleu. Même avec cette force poussant vers les valeurs inférieures, il existe un groupe beaucoup plus important de fonctionnalités poussant cette solution vers les valeurs supérieures, comme indiqué dans les barres de couleur rouge. Chacune de ces caractéristiques se voit attribuer une valeur et leur force combinée amène le modèle à arriver à cette prédiction. Cela signifie que le chauffage des grains de blé serait efficace si 21 kg de grains de blé étaient chauffés à l'intérieur d'une boîte en bois, à une humidité relative de l'air = 38,72 %, un rayonnement solaire = 78,89 (\(M_j/m^2\)) et une température ambiante de 33,8 \(^\circ\)C.

Les résultats montrent que la quantité de grains de taille moyenne à l'intérieur d'une boîte en bois (21 kg de grains de blé) a eu un effet significatif sur notre solution pour élever des températures supérieures à 40 \(^\circ\)C pour tuer le charançon du riz. La supériorité chauffante de la boîte de 21 kg par rapport aux autres quantités de grains notamment celle qui a une quantité moindre de 16 kg est principalement due au fait que les grains sont considérés comme un bon isolant18,39,40. Récemment, les grains soufflés ont été utilisés comme isolant écologique biosourcé dans la construction de bâtiments18. Plus la quantité de grains (isolant) est épaisse, plus le taux de transfert de chaleur est faible41. Cela signifie que plus la quantité de grains est épaisse, plus le taux de gain de chaleur du grain est faible et plus le taux de perte de chaleur du grain est faible. L'épaisseur de grain optimale pour atteindre l'équilibre entre ces deux processus est une quantité moyenne de grain. Une autre caractéristique importante pour optimiser notre solution est la température ambiante élevée. Cette étude a été réalisée en juillet et août au Canada, où la température maximale de l'air était de 28 à 32 \(^\circ\)C (annexes A; tableaux A.1 et tableau A.2)42. Les performances de nos sacs chauffants solaires seront améliorées dans différentes régions du monde avec des régimes de température plus élevés de 30 à 37 \(^\circ\)C. Les saisons d'été et d'automne sont les meilleures périodes de l'année pour utiliser ce système de chauffage, où la différence quotidienne entre les températures maximales et minimales de l'air est minimale entre mai et octobre41. La montée quotidienne de la température de l'air est plus rapide (environ 8 heures) que la baisse du maximum au minimum pendant la nuit (environ 15 heures)41. Par conséquent, la quantité de grains de taille moyenne sera plus performante que les autres quantités, en particulier pendant les saisons chaudes. Conformément à nos résultats, en science thermique, des études antérieures ont étudié l'effet de l'épaisseur du matériau sur son isolation thermique41,43. Ces études ont rapporté qu'il existe une épaisseur optimale pour chaque matériau isolant.

Enfin, mélanger et empiler les sacs plastiques a eu un impact significatif sur l'atteinte de notre objectif. Cet effet peut être négligé dans certains cas, lorsque d'autres caractéristiques ont été respectées, telles qu'une température élevée de 33,8 \(^\circ\)C et l'utilisation de 21 kg de blé dans une caisse en bois. La sortie SHAP est assez similaire aux résultats expérimentaux, car le mélange et l'empilement des sacs en plastique ont augmenté la MS des grains, Fig. 3. Dans les résultats expérimentaux, la MS de 16, 21 et 25 kg de blé n'était pas significative l'une de l'autre, Fig. 3a, tandis que selon la sortie SHAP, la quantité moyenne de grains avait un effet positif par rapport aux autres, Fig. 5a. Enfin, le modèle ML semble être satisfaisant pour prédire les températures à l'intérieur de nos sacs plastiques à chauffage fermé. De même, ces dernières années, différents modèles ML ont été développés pour utiliser les mêmes données environnementales afin de prédire la température à l'intérieur d'une serre fermée pour la plantation ou la désinfestation du sol19,20,26,44.

L'apprentissage automatique est une alternative prometteuse aux modèles mathématiques et statistiques pour étudier le comportement thermique à l'intérieur des systèmes de chauffage utilisés pour le contrôle thermique post-récolte. Les algorithmes d'apprentissage automatique peuvent examiner efficacement l'interaction entre divers paramètres pour prédire les températures létales efficaces pour les insectes des céréales stockés dans des sacs en plastique transparents. Dans ce travail, nous avons fourni un nouvel ensemble de données de référence, où les données expérimentales et environnementales ont été recueillies sur la base de travaux de terrain pendant l'été au Canada. Nous avons introduit une solution d'apprentissage automatique supervisé pour aider à mieux comprendre le comportement thermique à l'intérieur des sacs en plastique transparent afin de maximiser l'efficacité du système de chauffage solaire contre les insectes du grain stocké tout en garantissant le maintien de la qualité du grain de blé. Nous avons utilisé la technique d'intelligence artificielle eXplainable (XAI) connue sous le nom de SHAP (SHapley Additive exPlanations) pour fournir une explication intuitive du fonctionnement interne du modèle Random Forest et augmenter sa transparence. Notre principale découverte est qu'une quantité optimale de grains de taille moyenne à l'intérieur d'une boîte en bois (21 kg de grains de blé) a eu un effet significatif sur notre solution pour élever des températures supérieures à 40 \(^\circ\)C contre le charançon du riz Sitophilus oryzae (L.).

Nous confirmons que la recherche expérimentale et les études de terrain sur les plantes sont conformes aux directives et législations institutionnelles, nationales et internationales pertinentes.

Nous avons publié l'ensemble de données sous une licence internationale Creative Commons Attribution 4.0, qui peut être téléchargée sur https://sandbox.zenodo.org/record/1067714.

Affognon , H. , Mutungi , C. , Sanginga , P. & Borgemeister , C. Analyse des pertes post-récolte en Afrique subsaharienne : une méta-analyse . Dév. 66 , 49–6 https://doi.org/10.1016/j.worlddev.2014.08.002 (2015).

Article Google Scholar

Kumar, D. & Kalita, P. Réduire les pertes post-récolte pendant le stockage des céréales pour renforcer la sécurité alimentaire dans les pays en développement. Aliments 6, 8. https://doi.org/10.3390/foods6010008 (2017).

Article PubMed PubMed Central Google Scholar

Mesterhazy, A., Olah, J. & Popp, J. Pertes dans la chaîne d'approvisionnement en céréales : causes et solutions. Durabilité 12, 2342. https://doi.org/10.3390/su12062342 (2020).

Article Google Scholar

Odokonyero, K., Gallo Junior, A. & Mishra, H. Sacs en jute enduits de cire inspirés de la nature pour réduire les pertes de stockage après la récolte. Sci. Rep.https://doi.org/10.1038/s41598-021-93247-z (2021).

Article PubMed PubMed Central Google Scholar

Jasrotia, P. et al. Nanomatériaux pour la gestion post-récolte des insectes ravageurs : état actuel et perspectives futures. Devant. Nanotechnol.https://doi.org/10.3389/fnano.2021.811056 (2022).

Article Google Scholar

Luo, Y., Huang, D., Li, D. & Wu, L. Stockage à la ferme, pertes de stockage et effets de la réduction des pertes en Chine. Resour. Conserv. Recycl. 162, 105062. https://doi.org/10.1016/j.resconrec.2020.105062 (2020).

Article Google Scholar

Rita Devi, S., Thomas, A., Rebijith, KB & Ramamurthy, VV Biologie, morphologie et caractérisation moléculaire de Sitophilus oryzae et s. zeamais (coléoptères : Curculionidae). J. Stocké Prod. Rés. 73, 135–141. https://doi.org/10.1016/j.jspr.2017.08.004 (2017).

Article Google Scholar

Okram, S. & Hath, TK Biologie de Sitophilus oryzae (L.) (coléoptères : Curculionidae) sur les grains de riz stockés pendant différentes saisons dans l'agro-écologie du Terai du Bengale occidental. Int. J. Curr. Microbiol. Appl. Sci. 8, 1955-1963 (2019).

Article Google Scholar

Mansoor-ul Hasan, AA et al. Effet de la température et de l'humidité relative sur le développement de Sitophilus oryzae L. (coléoptères : Curculionidae). J. Entomol. Zool. Étalon. 5, 85–90 (2017).

Google Scholar

Padmasri, A. et al. Lutte contre le charançon du riz (Sitophilus oryzae L.) dans le maïs par traitements botaniques des semences. Int. J. Curr. Microbiol. Appl. Sci. 6, 3543–3555 (2017).

Article Google Scholar

Rajendran, S. & Sriranjini, V.-R. Utilisation de la fumigation pour gérer la qualité du grain. Stewart Post-récolte Rév. 3, 1–8. https://doi.org/10.2212/spr.2007.6.9 (2007).

Article Google Scholar

Amoah, BA & Mahroof, RM Désinfestation du blé infesté par Sitophilus oryzae à l'aide de gaz ozone. J. Agric. Entomol urbain. 36, 35–46. https://doi.org/10.3954/1523-5475-36.1.35 (2020).

Article Google Scholar

Mourier, H. & Poulsen, KP Lutte contre les insectes et les acariens dans le grain à l'aide d'une technique à haute température/courte durée (HTST). J. Stocké Prod. Rés. 36, 309-318 (2000).

Article CAS PubMed Google Scholar

Fawki, S., Fields, PG, Jian, F. & Yousery, A. Contrôle de Sitophilus oryzae (coléoptères : Curculionidae) dans des sacs de blé en utilisant le rayonnement solaire. J. Stocké Prod. Rés. 96, 101941. https://doi.org/10.1016/j.jspr.2022.101941 (2022).

Article Google Scholar

Champs, PG Le contrôle des insectes et des acariens des produits entreposés à des températures extrêmes. J. Stocké Prod. Rés. 28, 89–118. https://doi.org/10.1016/0022-474X(92)90018-L (1992).

Article Google Scholar

Yan, R., Huang, Z., Zhu, H., Johnson, JA et Wang, S. Cinétique de mort thermique de Sitophilus oryzae adulte et effets de la vitesse de chauffage sur la thermotolérance. J. Stocké Prod. Rés. 59, 231–236. https://doi.org/10.1016/j.jspr.2014.03.006 (2014).

Article Google Scholar

Beckett, S., Morton, R. & Darby, J. La mortalité de Rhyzopertha dominica (F.) (coléoptères : Bostrychidae) et de Sitophilus oryzae (L.) (coléoptères : Curculionidae) à des températures modérées. J. Stocké Prod. Rés. 34, 363–376. https://doi.org/10.1016/S0022-474X(98)00022-8 (1998).

Article Google Scholar

Khoukhi, M., Dar Saleh, A., Mohammad, AF, Hassan, A. & Abdelbaqi, S. Performance thermique et analyse statistique d'un nouveau matériau d'isolation biosourcé produit à l'aide de la technique de soufflage de grains. Constr. Construire. Mater. 345, 128311. https://doi.org/10.1016/j.conbuildmat.2022.128311 (2022).

Article CAS Google Scholar

Allouhi, A., Choab, N., Hamrani, A. & Saadeddine, S. Algorithmes d'apprentissage automatique pour évaluer le comportement thermique d'une serre agricole marocaine. Faire le ménage. Ing. Technol. 5, 100346 (2021).

Article Google Scholar

Moon, T. et al. Interpolation des données sur l'environnement des serres à l'aide du perceptron multicouche. Calcul. Électron. Agric. 166, 105023. https://doi.org/10.1016/j.compag.2019.105023 (2019).

Article Google Scholar

Lutz, E. & Coradi, PC Applications des nouvelles technologies pour le suivi et la prédiction de la qualité des grains stockés : capteurs, internet des objets et intelligence artificielle. Mesure 188, 110609 (2021).

Article Google Scholar

da Silva Andre, G., Coradi, PC, Teodoro, LPR & Teodoro, PE Prédire la qualité des graines de soja stockées dans différents environnements et emballages à l'aide de l'apprentissage automatique. Sci. Rép. 12, 1–13 (2022).

Article Google Scholar

Lima, RE et al. La modélisation mathématique et l'analyse multivariée ont appliqué les conditions de séchage et de stockage associées à la première récolte de soja et les influences sur la qualité physicochimique du grain. Sci. Rép. 11, 1–20 (2021).

Article Google Scholar

Coradi, PC et al. Réseau prototype de capteurs sans fil et plate-forme Internet des objets pour la surveillance en temps réel de la teneur en humidité d'équilibre intergranulaire et prédire la qualité du maïs stocké dans des sacs silos. Système expert. Appl. 208, 118242 (2022).

Article Google Scholar

Lutz, É. et coll. Surveillance en temps réel de la teneur en humidité d'équilibre pour prédire la qualité du grain de maïs stocké dans des silos et des sacs de raphia. J. Génie des procédés alimentaires. 45, e14076 (2022).

Article CAS Google Scholar

Taki, M., Mehdizadeh, SA, Rohani, A., Rahnama, M. & Rahmati-Joneidabad, M. Apprentissage automatique appliqué à la simulation de serre ; nouvelle application et analyse. Inf. Processus. Agric. 5, 253–268 (2018).

Google Scholar

Al-Mahdouri, A., Baneshi, M., Gonome, H., Okajima, J. & Maruyama, S. Évaluation des propriétés optiques et des performances thermiques de différents matériaux de revêtement de serre. Sol. Énergie 96, 21–32. https://doi.org/10.1016/j.solener.2013.06.029 (2013).

Article ADS CAS Google Scholar

Choab, N. et al. Examen du microclimat des serres et application : paramètres de conception, modélisation et simulation thermiques, technologies de contrôle du climat. Sol. Énergie 191, 109–137. https://doi.org/10.1016/j.solener.2019.08.042 (2019).

Annonces d'article Google Scholar

Pei, W., Ming, F., Zhang, M. et Wan, X. Un modèle de conductivité thermique pour les matériaux d'isolation tenant compte de l'effet de l'humidité dans les régions froides. Froid Rég. Sci. Technol. 207, 103770. https://doi.org/10.1016/j.coldregions.2022.103770 (2023).

Article Google Scholar

Fawki, S. & Yousery, A. Ensemble de données sur le comportement thermique et les données météorologiques de la désinfestation thermique de Sitophilus oryzae dans des sacs en plastique utilisant le chauffage solaire. Fiche de données 42, 108029. https://doi.org/10.1016/j.dib.2022.108029 (2022).

Article CAS PubMed PubMed Central Google Scholar

Charbuty, B. & Abdulazeez, A. Classification basée sur l'algorithme d'arbre de décision pour l'apprentissage automatique. J. Appl. Sci. Technol. Tendances 2, 20–28 (2021).

Article Google Scholar

Aroef, C., Rivan, Y. & Rustam, Z. Comparaison des machines à vecteurs de forêt et de support aléatoires pour la classification du cancer du sein. Telkomnika 18, 815–821 (2020).

Article Google Scholar

Bühlmann, P. Méthodes d'ensachage, de renforcement et d'ensemble. Dans Handbook of Computational Statistics 985–1022 (Springer, 2012).

Chapitre Google Scholar

Dietterich, TG Une comparaison expérimentale de trois méthodes de construction d'ensembles d'arbres de décision : Bagging, boosting et randomisation. Mach. Apprendre. 40, 139-157 (2000).

Article Google Scholar

Chen, T. & Guestrin, C. Xgboost : Un système évolutif de boost d'arbres. Dans Actes de la 22e Conférence internationale ACM SIGKDD sur la découverte des connaissances et l'exploration de données 785–794 (2016).

Pouvoirs, DM Évaluation : de la précision, du rappel et de la mesure f au roc, à l'information, au marquage et à la corrélation. prétirage arXiv arXiv:2010.16061 (2020).

Jeatrakul, P., Wong, KW & Fung, CC Classification des données déséquilibrées en combinant le réseau neuronal complémentaire et l'algorithme smote. Dans Conférence internationale sur le traitement de l'information neuronale 152–159 (Springer, 2010).

Lundberg, SM et al. IA explicable pour les arbres : des explications locales à la compréhension globale. prétirage arXiv arXiv:1905.04610 (2019).

Jian, F., Jayas, DS & White, NDG Chaleur spécifique, diffusivité thermique et densité apparente du canola génétiquement modifié à forte teneur en huile à différentes teneurs en humidité, températures et durées de stockage. Trans. ASABE 56, 1077–1083. https://doi.org/10.13031/trans.56.10067 (2013).

Article Google Scholar

Muhammad, AA, Akhlaque, A., Tasneem, A. & Muhammad, A. Utilisation du rayonnement solaire au niveau du village pour la désinfestation thermique du blé stocké dans des bacs en acier galvanisé. Pack. Entomol. 28, 57–64 (2006).

Google Scholar

Sahu, DK, Sen, PK, Sahu, GC, Sharma, R. & Bohidar, S. Un examen de l'isolation thermique et de son épaisseur optimale pour réduire les pertes de chaleur. Int. J. Innov. Rés. Sci. Technol. 2, 1–6 (2015).

CAS Google Scholar

Article CAS PubMed PubMed Central Google Scholar

Mahlia, TM, Taufiq, BN, Ismail & Masjuki, HH Corrélation entre la conductivité thermique et l'épaisseur des matériaux d'isolation sélectionnés pour les murs de construction. Construire de l'énergie. 39, 182–187. https://doi.org/10.1016/j.enbuild.2006.06.002 (2007).

Article Google Scholar

D'Emilio, A. Modélisation des régimes thermiques du sol lors d'un traitement de solarisation en serre fermée au moyen d'une régression symbolique via la programmation génétique 279–286 (Advances in Civil Engineering Materials, 2020).

Télécharger les références

Nous remercions Paul G. Fields, Agriculture et Agroalimentaire Canada, et Fuji Jian, professeur adjoint, génie des biosystèmes, Université du Manitoba, Canada pour avoir conçu le travail sur le terrain et fourni toutes les installations au Canada. Merci encore à Paul G. Fields pour ses précieux commentaires. Merci à Liam Carlin, Colin Demianyk et Kim Hamilton pour leur assistance technique. Nous tenons également à remercier Esther Aramide, Birmingham City University, pour son aide dans la modélisation ML. Ce travail est financé par le Fonds de développement scientifique et technologique (STDF), Le Caire, Égypte.

École d'informatique et de technologie numérique, Birmingham City University, Birmingham, B4 7BD, Royaume-Uni

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

Faculté d'informatique et d'information, Université d'Assiut, Assiut, 71515, Égypte

Mohamed M. Abdelsamea

Faculté d'informatique et d'ingénierie, Université Galala, Suez, 435611, Égypte

Mohamed Medhat Gaber

Département d'entomologie, Faculté des sciences, Université Ain Shams, Le Caire, 11566, Égypte

Shams Fawki

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

MMA et MMG ont façonné la recherche et conçu les expériences, AA a mené les expériences d'apprentissage automatique, MK a préparé l'ensemble de données et SF a mené les expériences sur le terrain et analysé les résultats. Tous les auteurs ont rédigé le manuscrit.

Correspondance à Mohammed M. Abdelsamea.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Abdelsamea, MM, Gaber, MM, Ali, A. et al. Un effet de température à amortissement logarithmique pour l'apprentissage supervisé de la désinfestation solaire du blé par le charançon du riz Sitophilus oryzae (Coleoptera: Curculionidae) à l'aide de sacs en plastique. Sci Rep 13, 2655 (2023). https://doi.org/10.1038/s41598-023-29594-w

Télécharger la citation

Reçu : 07 juin 2022

Accepté : 07 février 2023

Publié: 14 février 2023

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.

Nouvelles

Un effet de température à amortissement logarithmique pour l'apprentissage supervisé de la désinfestation solaire du blé par le charançon du riz Sitophilus oryzae (Coleoptera: Curculionidae) à l'aide de sacs en plastique