基于机器学习的杀虫剂二元分类抗性风险模型OA北大核心CSTPCD

随着杀虫剂的大量使用,害虫对其产生的抗药性问题日益严重。尽管杀虫剂的室内抗性实验可获得杀虫剂的抗性倍数,但存在实验周期长、实验试材获取困难等问题。采用机器学习模型快速、合理评估杀虫剂的潜在抗性风险是一种行之有效的方法。本研究基于节肢动物抗性数据库(arthropod pesticide resistance database,APRD)、英国作物生产委员会(British crop production council,BCPC)和SPECS数据库,选择结构相似性低的样本组成训练集,结合6种机器学习算法:线性判别分析(linear discriminant analysis,LDA)、支持向量机(support vector machine,SVM)、人工神经网络(artificial neural network,ANN)、决策树(decision tree,DT)、随机森林(random forest,RF)、自组织映射聚类算法(self-organizing map,SOM),分别构建了杀虫剂的二元分类抗性风险模型,基于测试集对预测模型进行参数优化,并用最优模型对外部验证集进行了预测。单一模型中,DT在外部验证集中预测准确率达到了84.62%;同时,采用投票机制整合了6种模型,其在外部验证集中阳性样本预测准确率为78.95%,阴性样本预测准确率为65%。本研究构建的抗性模型可为新杀虫剂的潜在抗性风险提供理论评估,有助于指导杀虫剂在农田中的科学使用以延缓其抗性产生。