DOI: https://doi.org/10.1371/journal.pone.0346494
PMID: https://pubmed.ncbi.nlm.nih.gov/41931572
تاريخ النشر: 2026-04-03
المؤلف: Yunus Güral
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تتناول هذه الدراسة التحديات التي تطرحها التغيرات العالية والعلاقات غير الخطية في مجموعات البيانات البيئية، والتي تعيق فعالية النماذج الإحصائية التقليدية. من خلال استخدام مجموعة بيانات زراعية تركزت على ملاحظات السكان من *Cimbex quadrimaculata* في تركيا من 2020 إلى 2022، تقارن الدراسة بشكل منهجي أداء طرق التعلم الآلي المعتمدة على الذكاء الاصطناعي عبر ثلاثة أساليب نمذجة: التصنيف الثنائي، التصنيف متعدد الفئات، والانحدار. تضمنت مقاييس التقييم لمهام التصنيف الدقة، ودرجة F1، وAUC، التي تم تقييمها من خلال مخطط التحقق المتقاطع ذو 10 طيات. تشير النتائج إلى أن نماذج التعلم الآلي، وخاصة طرق التجميع، تظهر دقة تنبؤية متفوقة وموثوقية في التقاط العلاقات البيئية المعقدة.
تكشف النتائج أن الخوارزميات التجميعية، مثل تعزيز التدرج وXGBoost، تتفوق بشكل كبير على الطرق الإحصائية التقليدية، حيث حقق تعزيز التدرج دقة بلغت 94.3% وAUC قدره 0.983. في مهام الانحدار، أظهرت LightGBM والغابات العشوائية أداءً قويًا في التعميم (CV $R^2 \approx 0.731$ و$0.721$، على التوالي)، بينما كانت النماذج الخطية ذات أداء ضعيف (CV $R^2 \approx 0.15$). ومن الجدير بالذكر أن درجة الحرارة والرطوبة النسبية ظهرت كعوامل حاسمة تؤثر على ديناميات سكان الآفات. تؤكد هذه الدراسة على أهمية اختيار الخوارزمية وتعريف المشكلة في النمذجة البيئية وتقترح أن الدراسات المستقبلية يجب أن تتضمن مجموعات بيانات تحقق مستقلة وتحليلات متعددة المقاييس لتعزيز قابلية تطبيق النموذج وقابليته للتعميم.
مقدمة
تسلط المقدمة الضوء على تعقيد الأنظمة البيئية والزراعية، التي تتميز بهياكل بيانات غير متجانسة ناتجة عن تفاعلات معقدة بين العوامل البيئية والبيولوجية. تؤثر هذه التفاعلات متعددة الأبعاد بشكل كبير على التوزيع المكاني والزمني لسكان الآفات، مثل Cimbex quadrimaculata، وهي آفة تؤثر على زراعة اللوز في تركيا. غالبًا ما تفشل الطرق الإحصائية التقليدية المعتمدة على المعلمات في التقاط العلاقات الكامنة داخل مثل هذه المجموعات البيانية المعقدة، مما يستدعي اعتماد تقنيات علم البيانات المتقدمة. توفر التطورات الأخيرة في الذكاء الاصطناعي والتعلم الآلي بدائل قوية، خاصة من خلال خوارزميات التعلم التجميعي مثل الغابات العشوائية، وتعزيز التدرج، وXGBoost، وLightGBM، التي أظهرت قدرات تنبؤية متفوقة في النمذجة البيئية.
على الرغم من تزايد الأدبيات حول تطبيقات التعلم الآلي في توقع سكان الآفات، تركز العديد من الدراسات على أساليب نمذجة فردية أو مجموعة محدودة من الخوارزميات. على سبيل المثال، أثبتت الأبحاث السابقة وجود علاقات قوية بين كثافة سكان C. quadrimaculata والمتغيرات المناخية باستخدام طرق شجرة القرار والغابات العشوائية. ومع ذلك، هناك نقص ملحوظ في الدراسات التي تقارن بشكل منهجي بين نماذج التعلم الآلي المختلفة (سواء التصنيف أو الانحدار) على نفس مجموعات البيانات البيئية. يبرز هذا الفجوة أهمية الأساليب النمذجة المتكاملة التي تأخذ في الاعتبار العوامل البيئية لتطوير استراتيجيات إدارة آفات مستدامة.
طرق
في هذه الدراسة، تم إنشاء مجموعة بيانات تجريبية شاملة من خلال قياس كثافة اليرقات من *Cimbex quadrimaculata* جنبًا إلى جنب مع المعلمات الجوية والبيولوجية المتزامنة خلال الدراسات الميدانية التي أجريت في إلاذيغ وديار بكر من 2020 إلى 2022. خدمت هذه المجموعة كمدخل أساسي لتطوير نماذج التعلم الآلي التي تهدف إلى تحليل الديناميات البيئية للنوع.
شملت سير العمل المنهجي عدة مراحل حاسمة، بما في ذلك معالجة البيانات، وتدريب النموذج، وتحسين المعلمات الفائقة، وتقييم الأداء. بالإضافة إلى ذلك، تم إجراء تحليل قابلية التفسير المعتمد على SHAP (SHapley Additive exPlanations) لتفسير مخرجات النموذج. تم تقديم مخطط يوضح هذه العمليات في الشكل 1، موضحًا النهج المنهجي المتبع في الدراسة.
نتائج
استخدمت نتائج هذه الدراسة ثلاثة أساليب نمذجة—التصنيف الثنائي، التصنيف متعدد الفئات، والانحدار—لتحقيق العلاقة بين كثافة سكان Cimbex quadrimaculata ومتغيرات بيئية مختلفة. أظهرت الخوارزميات المعتمدة على التجميع، وخاصة تعزيز التدرج، أداءً تنبؤيًا متفوقًا، حيث حققت دقة بلغت 94.3% وAUC قدره 0.983، مقارنة بالنماذج الخطية التقليدية، التي أظهرت مقاييس أداء أقل بكثير. كشفت التحليلات عن عتبات خطر الإصابة المحددة حسب الموقع، مع ظروف درجة حرارة ورطوبة مميزة تؤثر على توقعات كثافة الآفات عبر عينات اللوز المختلفة.
في تحليلات الانحدار، حققت نماذج LightGBM والغابات العشوائية أعلى أداء تنبؤي، مع قيم R² المعتمدة على التحقق المتقاطع قدرها 0.731 و0.721، على التوالي، مما يبرز فعالية طرق التجميع في التقاط التفاعلات غير الخطية داخل مجموعات البيانات البيئية. أبرزت الدراسة أن أداء النموذج حساس لتوزيع البيانات، حيث يوفر التحقق المتقاطع المتداخل تقييمًا أكثر موثوقية لقابلية التعميم مقارنة بتقسيم البيانات البسيط. بالإضافة إلى ذلك، تم تحديد المتغيرات المناخية الدقيقة الرئيسية، وخاصة الرطوبة النسبية ودرجة الحرارة، كمتنبئات هامة لديناميات الآفات، مما يعزز أهمية أساليب النمذجة المعتمدة على التجميع في فهم العلاقات البيئية المعقدة.
مناقشة
في هذه الدراسة، قام المؤلفون بتحليل منهجي لكثافة سكان *Cimbex quadrimaculata* باستخدام خوارزميات تعلم آلي مختلفة عبر ثلاثة سيناريوهات نمذجة: التصنيف الثنائي، التصنيف متعدد الفئات، والانحدار. تشير النتائج إلى أن طرق التجميع، وخاصة تعزيز التدرج وXGBoost، تتفوق على النماذج الخطية التقليدية والنماذج ذات الشجرة الواحدة في التقاط التفاعلات المعقدة وغير الخطية التي تتميز بها مجموعات البيانات البيئية. يتماشى هذا مع الأدبيات الحالية التي تؤكد فعالية التعلم التجميعي في النمذجة البيئية. كما تسلط الدراسة الضوء على التحديات المرتبطة بتصنيف سكان الآفات متوسطة الكثافة، منسوبة هذه الصعوبة إلى عدم اليقين الإحصائي بدلاً من قيود النموذج.
استخدمت الأبحاث إطار تحقق متداخل قوي لضمان تقديرات أداء موثوقة، مؤكدة فعالية الغابات العشوائية وLightGBM في مهام الانحدار. كشفت تحليل SHAP أن درجة الحرارة والرطوبة النسبية كانت أكثر المتنبئات تأثيرًا عبر جميع أساليب النمذجة، مما يبرز دورها الحاسم في ديناميات سكان الآفات. ومع ذلك، يحذر المؤلفون من تفسير مساهمات هذه المتغيرات كعلاقات سببية مباشرة، مؤكدين الحاجة إلى مزيد من التحقق باستخدام مجموعات بيانات مستقلة لتعزيز قابلية تعميم النتائج. بشكل عام، تسهم هذه الدراسة في فهم أعمق لتطبيقات التعلم الآلي في تحليل البيانات البيئية وتوفر إطارًا مقارنًا للبحوث المستقبلية في النمذجة الزراعية والبيئية.
DOI: https://doi.org/10.1371/journal.pone.0346494
PMID: https://pubmed.ncbi.nlm.nih.gov/41931572
Publication Date: 2026-04-03
Author(s): Yunus Güral
Primary Topic: Smart Agriculture and AI
Overview
This study addresses the challenges posed by high variability and nonlinear relationships in ecological datasets, which hinder the effectiveness of classical statistical models. By utilizing an agricultural dataset focused on the population observations of *Cimbex quadrimaculata* in Türkiye from 2020 to 2022, the research systematically compares the performance of various AI-based machine learning methods across three modeling approaches: binary classification, multiclass classification, and regression. The evaluation metrics for classification tasks included accuracy, F1 score, and AUC, assessed through a stratified 10-fold cross-validation scheme. The findings indicate that machine learning models, particularly ensemble methods, demonstrate superior predictive accuracy and robustness in capturing complex ecological relationships.
The results reveal that ensemble algorithms, such as Gradient Boosting and XGBoost, significantly outperform traditional statistical methods, with Gradient Boosting achieving an accuracy of 94.3% and an AUC of 0.983. In regression tasks, LightGBM and Random Forest exhibited strong generalization performance (CV $R^2 \approx 0.731$ and $0.721$, respectively), while linear models performed poorly (CV $R^2 \approx 0.15$). Notably, temperature and relative humidity emerged as critical factors influencing pest population dynamics. This research underscores the importance of algorithm selection and problem definition in ecological modeling and suggests that future studies should incorporate independent validation datasets and multi-scale analyses to enhance model applicability and generalizability.
Introduction
The introduction highlights the complexity of ecological and agricultural systems, characterized by heterogeneous data structures resulting from intricate interactions among environmental and biotic factors. These multidimensional interactions significantly influence the spatial and temporal distribution of pest populations, such as Cimbex quadrimaculata, a pest affecting almond cultivation in Turkey. Traditional parametric statistical methods often fall short in capturing the latent relationships within such complex datasets, necessitating the adoption of advanced data science techniques. Recent advancements in artificial intelligence and machine learning provide robust alternatives, particularly through ensemble learning algorithms like Random Forest, Gradient Boosting, XGBoost, and LightGBM, which have demonstrated superior predictive capabilities in ecological modeling.
Despite the growing body of literature on machine learning applications in pest population prediction, many studies focus on single modeling approaches or a limited set of algorithms. For instance, previous research has established strong correlations between C. quadrimaculata population density and climatic variables using Decision Tree and Random Forest methods. However, there is a notable scarcity of studies that systematically compare various machine learning paradigms (both classification and regression) on the same ecological datasets. This gap underscores the importance of integrated modeling approaches that consider environmental factors to develop sustainable pest management strategies.
Methods
In this study, a comprehensive empirical dataset was established by measuring the larval density of *Cimbex quadrimaculata* alongside concurrent meteorological and biotic parameters during field studies conducted in Elazığ and Diyarbakır from 2020 to 2022. This dataset served as the foundational input for the development of machine learning models aimed at analyzing the ecological dynamics of the species.
The methodological workflow encompassed several critical stages, including data preprocessing, model training, hyperparameter optimization, and performance evaluation. Additionally, an SHAP (SHapley Additive exPlanations)-based explainability analysis was conducted to interpret the model outputs. A flowchart summarizing these processes is provided in Figure 1, illustrating the systematic approach taken in the study.
Results
The results of this study employed three modeling approaches—binary classification, multiclass classification, and regression—to investigate the relationship between Cimbex quadrimaculata population density and various ecological variables. Ensemble-based algorithms, particularly Gradient Boosting, demonstrated superior predictive performance, achieving an accuracy of 94.3% and an AUC of 0.983, compared to traditional linear models, which exhibited significantly lower performance metrics. The analysis revealed location-specific infestation risk thresholds, with distinct temperature and humidity conditions influencing pest density predictions across different almond samples.
In regression analyses, LightGBM and Random Forest models yielded the highest predictive performance, with cross-validated R² values of 0.731 and 0.721, respectively, underscoring the effectiveness of ensemble methods in capturing nonlinear interactions within ecological datasets. The study highlighted that model performance is sensitive to data distribution, with nested cross-validation providing a more reliable assessment of generalizability compared to simple data splitting. Additionally, key microclimatic variables, particularly relative humidity and temperature, were identified as significant predictors of pest dynamics, reinforcing the importance of ensemble-based modeling approaches in understanding complex ecological relationships.
Discussion
In this study, the authors systematically analyzed the population density of *Cimbex quadrimaculata* using various machine learning algorithms across three modeling scenarios: binary classification, multiclass classification, and regression. The findings indicate that ensemble methods, particularly Gradient Boosting and XGBoost, outperform traditional linear and single-tree models in capturing the complex, nonlinear interactions typical of ecological datasets. This aligns with existing literature that emphasizes the efficacy of ensemble learning in ecological modeling. The study also highlights the challenges associated with classifying medium-density pest populations, attributing this difficulty to statistical uncertainties rather than model limitations.
The research employed a robust nested cross-validation framework to ensure reliable performance estimates, confirming the effectiveness of Random Forest and LightGBM in regression tasks. SHAP analysis revealed that temperature and relative humidity were the most influential predictors across all modeling approaches, underscoring their critical role in pest population dynamics. However, the authors caution against interpreting these variable contributions as direct causal relationships, emphasizing the need for further validation with independent datasets to enhance the generalizability of the findings. Overall, this study contributes to a deeper understanding of machine learning applications in ecological data analysis and provides a comparative framework for future research in agricultural and environmental modeling.