Herbicide resistance prediction: a mechanistic model vs a random forest model
Herbicide Resistance is a major issue in weed control. Prediction tools can help to detect herbicide resistance development in early stages and enable farmers to take countermeasures. These tools can be simulation models combining population dynamics and genetics or AI methods like random forest. To evaluate and train prediction models the data base used is important. Models using population dynamics and genetics depend on a numerous number of plant physiological traits such as seed dormancy, germination probability or seed production, and knowledge about the genetical inheritance (how many genes are involved). Furthermore, the initial conditions like the distribution of the seedbank or proportion of resistant plants in the population are important. To train an AI based prediction tool a large data set of field history data together with the resistance status of the fields is needed. We show that a random forest model trained with an artificial data set generated by a mechanistic model (HERRMANN, 2000) is able to make predictions of the resistance status for real data sets with acceptable accuracies. Simulated model data are therefore equivalent to field data and can be used to investigate the effect of sampling schemes on the detection of resistance.
Herbizidresistenz ist ein aktuelles Problem der Unkrautbekämpfung. Prognosetools können helfen, die Entwicklung von Herbizidresistenzen in frühen Stadien zu erkennen und Landwirte in die Lage zu versetzen, Gegenmaßnahmen zu ergreifen. Diese Prognose-Werkzeuge können Simulationsmodelle sein, die Populationsdynamik und -genetik kombinieren, oder KI-Methoden wie Random Forest-Modelle, die Populationsdynamik und -genetik verwenden. Prognose-Modelle benötigen eine Vielzahl von pflanzenphysiologischen Merkmalen wie Samenruhe, Keimungswahrscheinlichkeit oder Samenproduktion und Kenntnisse über die genetische Vererbung. Weiterhin sind die Ausgangsbedingungen wie die Verteilung der Samenbank oder der Anteil resistenter Pflanzen in der Population relevant. Um ein KI- basiertes Vorhersagetool zu trainieren, wird ein großer Datensatz mit Feldverlaufsdaten zusammen mit dem Resistenzstatus der Felder benötigt. Wir zeigen, dass ein Random-Forest-Modell, das mit einem durch ein Simulationsmodell erzeugten künstlichen Datensatz trainiert wurde, in der Lage ist, Vorhersagen für einen realen Datensatz mit akzeptabler Genauigkeit zu treffen. Simulierte Modelldaten sind daher äquivalent zu Felddaten und können verwendet werden, um den Einfluss von Probenahmeschemata auf den Nachweis von Resistenzen zu untersuchen.
Vorschau
Zitieren
Zugriffsstatistik
Rechte
Nutzung und Vervielfältigung:
