ビニール袋を用いたイネゾウムシSitophilus oryzae（鞘翅目：キンポウゲ科）のコムギ太陽光消毒の教師あり学習における対数償却温度効果

Scientific Reports volume 13、記事番号: 2655 (2023) この記事を引用

712 アクセス

3 オルトメトリック

メトリクスの詳細

この研究では、小麦などの多くの戦略的穀物に対して最も破壊的な害虫の 1 つであるイネゾウムシ Sitophilus oryzae (L.) に対する透明なポリエチレン袋を使用した太陽熱加熱の有効性を調査します。 この論文では、小麦粒の品質を確実に維持しながら、貯蔵穀物害虫に対する制御加熱システムに影響を与える重要なパラメータを見つけることを目的としています。 私たちは、カナダの夏のフィールドワークに基づいて収集された実験データと環境データを含む、新しいベンチマーク データセットを提供します。 私たちは、イネゾウムシに対する償却温度の影響を記述する新しい式を使用して、ソリューションの有効性を測定します。 さまざまな機械学習モデルを採用して、害虫にとって致死的な加熱条件に達するソリューションの有効性を予測し、パラメーターの重要性を測定しました。 当社の機械学習モデルのパフォーマンスは、10 分割相互検証を使用して検証されており、ランダム フォレスト モデルによって得られた 99.01% の再現率、100% の精度、および 99.5% の F1 スコアで 99.5% の高い精度を示しています。 説明可能な事後モデルとしてのSHAP値を用いた機械学習に関する私たちの実験研究は、イネゾウムシの駆除に重大な影響を与える最良の環境条件とパラメータを提供します。 私たちの調査結果は、高い周囲温度下で熱昆虫駆除にソーラーバッグを使用する場合、最適な中サイズの穀物の量が存在することを示唆しています。 機械学習は、透明なビニール袋の中に保管されている穀物昆虫を駆除するのに最も効果的な致死温度を予測するための多用途モデルを提供します。 この強力なテクノロジーを使用すると、これらの害虫を駆除するための最適な条件に関する貴重な情報を得ることができます。 私たちのモデルを使用すると、パラメータの特定の組み合わせが熱制御を使用した昆虫の治療に効果的かどうかを予測できます。 研究者が研究のベンチマークとしてデータセットを使用することを奨励するために、当社はクリエイティブ コモンズ ライセンスに基づいてデータセットを公開しています。

世界の人口は 2020 年に約 78 億人と推定され、2050 年には 98 億人に達すると予想されています1,2,3,4。 したがって、世界の穀物生産の増加は、世界の食糧需要を満たすための重要な要素です。 食料生産と消費は 2050 年に約 50 ～ 70% 増加すると予想されています 1,2,3。 一方で、収穫後の損失は、特に一部のアフリカ諸国では食料生産全体に大きな損害を与え、約 20 ～ 40% の損失を引き起こしており、これは同じ国の食料生産が低い場合に比べて重大な損失です2。 昆虫は穀物被害の主な原因であり、穀物の損失は 30 ～ 90% と推定されています 2,5。 収穫後の損失を削減する取り組みは、食料生産を増やすための制限や課題と比較して、食料の入手可能性と食料供給に大きな影響を与え、改善するでしょう2,6。

イネゾウムシ Sitophilus oryzae (L.) (鞘翅目: Curculionidae) は、世界中で貯蔵されている小麦やその他の穀物の最も重要な害虫の 1 つです5,7。 これは全粒穀物を攻撃し、穀物の重大な損失を引き起こす主要な貯蔵穀物昆虫です7,8。 S. オリゼーの摂食活動は、害虫の二次侵入、真菌性疾患、穀物の腐敗を引き起こします7,8。 成熟したイネゾウムシは体長 3 ～ 4 mm に成長し、幼虫はその脱出経路を通じて穀粒の内部を摂食し、ゾウムシ被害として知られる独特の小さな丸い穴を形成します9。 卵は穀物の表面に産み付けられ、孵化するまでの潜伏期間は2.62～5.85日です。 食料が入手可能な場合、男性の寿命は 42.63 ～ 58.72 日、女性の寿命は 60.69 ～ 77.23 日です8。 雌の受胎率は 53.60 個/生涯です7。 イネゾウムシの成長促進は、温度 25 ～ 30 \(^\circ\)C および相対湿度 (rh) 65 ～ 75% で発生します7,8。 ほとんどの穀物貯蔵生態系の温度と相対湿度は、イネゾウムシやその他の昆虫の生育に好ましい条件に近く、これも穀物の膨大な損失を引き起こします2,10。

合成殺虫剤とホスフィン燻蒸剤は、貯蔵穀物昆虫を防除するために使用される最も効果的な方法です2,6。 これらの燻蒸剤には、比較的高価であること、昆虫がこれらの殺虫剤に対する耐性を獲得する能力があることなど、いくつかの制限があります2,5。 さらに、小規模自作農や農民による燻蒸剤の不適切な使用は、健康や環境への危害を引き起こす可能性があります11。 アフリカやアジアの多くの発展途上国では、穀物生産は大規模な政府機関ではなく、主に小規模農家や小規模農家に依存しています6。 これらの地域では、穀物は、貧弱な保管システムと適切な技術の欠如を備えた倉庫やオープン穀倉に保管されています6。 したがって、密閉（密封）貯蔵オゾン処理や熱制御など、貯蔵穀物害虫に対していくつかの非化学的防除方法が使用されてきました2,4,12。 貯蔵穀物害虫に対する温度制御は、多くの先進国および発展途上国で使用されています。 大規模な暖房制御は、貯蔵建物、大規模倉庫、大型サイロの暖房に依存しています13,14。 一方、多くの発展途上国の小規模農家では、多くの単純な暖房システムが採用されています。 害虫に対する太陽光消毒は、土壌、博物館、および保管されている穀物の害虫に対して効果的に使用されています14。

熱制御は温度を 40 ～ 60 \(^\circ\)C まで上げるかどうかに依存します。これは、貯蔵されている穀物昆虫のほとんどにとって致死限界です 15。 温度制御は、健康被害や昆虫の抵抗性の発達を伴わない有望な技術です。 さまざまな研究でイネゾウムシに対する熱制御が研究されています15、16、17。 イネゾウムシの完全成虫死亡率は、44、46、48、50 \(^\circ\)C でそれぞれ 130、50、12、4 分後に達成されました16。 他の研究では、イネゾウムシの成虫は、それぞれ39 \(^\circ\)C で4日と40秒後に死亡したと報告されています15。 Beckett17 によると、イネゾウムシの成虫の 99.9 匹を殺す致死時間は、42 ～ 48 \(^\circ\)C で 37.36 ～ 3.71 時間です。 著者らの以前の研究の1つでは、野外条件下で小麦粒が入ったビニール袋内のイネゾウムシに対して太陽光消毒が使用されました14。 これらのビニール袋は穀物を昆虫の致死温度である 40 ～ 55 \(^\circ\)C まで加熱することができ、イネゾウムシ成虫の 67.6 ± 30 % の死亡率を引き起こすことができました 14。 同じ研究では、成虫を 100% 殺すためのビニール袋の加熱能力に影響を与える可能性のあるさまざまなパラメーターが調査されましたが、ビニール袋内の温度分布に関する熱モデルは開発されていませんでした。 したがって、現在の研究は、機械学習 (ML) アルゴリズムを使用してさまざまなパラメーター間の相互作用を調査し、昆虫の個体数を完全に抑制する最適な条件を予測することを目的としています。 初期の研究で調査されると考えられた主な要因の 1 つは、バッグ内の粒子の厚さでした。 穀物は優れた断熱材であると考えられているため14,18、袋内の穀物の厚さが増すにつれて、穀物、特に袋の底部を加熱する時間が長くなるという仮説が立てられました。 したがって、異なる粒子厚さが使用されました。

機械学習 (ML) は、農業部門を含むさまざまな分野で数学的および統計的モデリングの代替として使用されてきました 19,20。 機械学習は穀物の品質の監視と予測において非常に有望です。 これは、さまざまな環境要因に基づいた新しい穀物貯蔵戦略の研究において大きな可能性を示しています。 たとえば、in21 人工ニューラル ネットワーク (ANN) は、モノのインターネット (IoT) ワークフローの予測モデルとして使用され、ゲインの品質を監視して、保管されている穀物の品質と収穫後の段階での劣化を予測しました。 In22 では、ANN、REPTree、M5P 決定木アルゴリズム、ランダム フォレスト (RF)、線形回帰 (LR) モデルを含むいくつかの機械学習モデルを使用して、さまざまな温度と包装条件下で保管される大豆種子の品質が予測されました。 RF モデルは、そのような種子の生理学的品質指数の予測において他のモデルよりも優れています。 数学的モデリングと多変量解析も使用され 23、さまざまなパッケージと温度で保管された初期収穫大豆の物理化学的特性が評価されました。 IoT プラットフォームのプロトタイプのワイヤレス センサー ネットワークは、粒界平衡含水量をリアルタイムで監視するために設計され24、ニューラル ネットワーク アルゴリズムを使用して、バッグ サイロに保管されているトウモロコシの物理的、物理的品質、化学的および微生物学的質量を予測しました。 同様に、ワイヤレス センサー ネットワーク プロトタイプ、IoT プラットフォーム、およびニューラル ネットワーク アルゴリズムが、サイロやラフィア バッグ内のさまざまな条件で保管されているトウモロコシのリアルタイム平衡含水量モニタリングと穀粒品質の予測に使用されました25。 さらに、温室内の室内空気の熱挙動を研究する以前の試みも行われており、ML は、微生物や他の生物に対する土壌消毒のためのビニール温室の内部環境 (温度など) や太陽熱の予測に使用されていました。 たとえば、多重線形回帰、サポート ベクター マシン (SVM)、ツリー アンサンブル、ガウス回帰プロセスなどのさまざまな機械学習モデルを使用して 19、屋外データを使用してモロッコの温室の室内気温を予測しました。この場合、ガウス回帰プロセス モデルの方が優れたパフォーマンスを示しました。検証およびテスト段階での他のモデル。 In26 では、ANN と SVM モデルを使用して、イランのシャレザ市にあるポリエチレン温室における内気、土壌と植物の温度、エネルギー交換の 3 つの変数を推定しました。これにより、ANN モデルとしての放射バイアス関数 (RBF) による優れたパフォーマンスが示されました。他のモデルと比較して。

これまでの試みとは異なり、この論文では、ビニール袋内の熱挙動をより深く理解し、貯蔵されている穀物の害虫に対する太陽熱の効果を最大化するのに役立つ教師あり機械学習ソリューションを紹介します。 これは、解決策の有効性を測定するための新しい式を導入することによって行われ、問題を二項分類問題として定式化します。 私たちの知る限り、この研究は害虫の致死的な加熱条件を予測するこの種の最初の研究であり、機械学習を使用して熱制御（ソリューション）の有効性をモデル化した最初の研究です。 さらに、穀物駆除のための効果的な加熱ソリューションにつながるさまざまな条件をコミュニティに提供し、ソリューションに対する厚さの影響をより深く理解するのに役立つモデルの説明可能性を採用しました。

透明なビニール袋を使用した太陽熱暖房の有効性を調査するために、さまざまなパラメーターが調査されました。 これらの変数には、日射量、気温、湿度、基材 (地面) の材質、風速、穀物の厚さ、穀物の水分含量などがあります 14、27、28、29。 また、穀物を混合して断熱箱の中に積み重ねることで、穀物を 40 ～ 60 \(^\circ\)C の温度に加熱するのに必要な時間を最小限に抑えることができると考えられています。 したがって、実験前は、小麦粒の水分含有量が 12.5% であることは、回転する金属容器からは知らされていませんでした。 現場では、低熱伝導率の材料で基材を均一にするために、ビニール袋の下に木のシートも追加されました。 すべての環境データと温度データは、2018 年の夏にカナダで行われた野外実験中に収集されました。小麦の量については 4 つの異なる処理が行われ、木箱付きの透明なポリエチレン袋に 16、21、25 kg の小麦が入っており、その中に 21 kg の小麦が入っていました。木箱なしの透明ポリエチレン袋。 カナダ産ハードレッドスプリングコムギ Triticum aestivum L. (認証種子、SY Slate 品種) を使用しました。 小麦は穀物供給業者 (Pitura Seeds、カナダ、マニトバ州) から購入したもので、水分含量は 12.2 ± 0.0% でした。 この研究はさらに 2 つの部分に分割されました。 最初の部分は、2018 年 7 月 26 日から 30 日までの午前 11 時頃から午後 8 時までの 5 日間にわたって実施され、日中はすべての処理剤が現場に保管され、夜間は混合されて発泡箱に積み上げられました (カナダ 1、図.1a)。 第 2 部は 2018 年 8 月 7 日から 12 日までの 6 日間にわたって実施され、ビニール袋を混ぜたり積み重ねたりすることなく、昼夜を問わずすべての処理が現場で行われました (カナダ 2、図 1b)。 小麦 16、21、25 kg の量は、それぞれ小麦の厚さ 9、13、15 cm に相当します。 ビニール袋内の温度変動は、熱電対を使用して、各袋の中央の縦軸に配置された 6 つの位置で 15 分ごとに記録されました。 これらの位置は、袋の外面、袋の内側の穀物の上部、穀物の上部中央、中央、中央下部、下部であった。 熱電対は、各バッグの厚さに沿って等距離に垂直に配置されました。 したがって、粒子の厚さを均一にするために木箱が使用されました。図 1 を参照してください。気象データは、実験サイトの測候所を使用して実験中に記録されました。 実験プロトコルとデータの収集方法の詳細な説明は、元の記事と、同じ研究に関連する別のデータ記事に記載されています14,30。

実験計画: (a) カナダ 1、日光にさらした後、小麦袋を混合し、発泡箱の中に積み上げました。 (b) カナダ 2、夜間、動物による暴動を防ぐために、すべての治療は別の木箱で覆われました。

私たちのデータセットは 7871 の観測値と 14 の特徴で構成されています。それらは、16 kg (木箱の中の小麦)、空気の相対湿度 (RH%)、周囲温度 (\(^\circ\)C)、21 kg (そうでないもの) です。木箱入り、バイナリ特徴）、日射量（Mj/m2）、日射束密度（Kj/m2）、風速（m/s）、穀物の混合と積み重ね（バイナリ特徴）、気圧（kpa） 、21 kg (木箱の中の小麦、バイナリ特徴)、風向 (度)、25 kg (木箱の中の小麦、バイナリ特徴)、雨 (バイナリ特徴)、そして最後に、バイナリ クラス ラベルを指定できます。式で定義されます。 (1)。

ここで、\(g_t\) は特定の温度 t で溶液が持続する時間 (分単位)、D は 1 日あたりの時間 (分単位) (つまり、\(24 \times 60 = 1440\) 分)、T は温度しきい値です。貯蔵穀物昆虫にとって致死的な加熱条件に達するための効果的な解決策の持続期間が開始されるまでに達する必要がある。 この研究では、\(T = 40\) は、導入セクションで前述した以前の文献に基づいています。 私たちが提案した溶液ラベル付けの方程式によると、温度が高いほど、効果的な溶液の持続時間は対数的に不均衡に影響を受けます（つまり、温度が高いほど、効果的な溶液が得られるまでの時間が短くなります）。 図 2 は、この対数効果を示しています。 この式は温度が 40 \(^\circ\)C 以上の場合に適用されることに注意してください。 温度が 40 \(^\circ\)C を下回ると、\({\hat{S}}\) の値はゼロにリセットされ、特定の解のみにラベルを付けることを控えめにして、その解を生み出す条件をモデル化します。 。 最後に、床関数 (\(\lfloor . \rfloor\)) が適用されて、最終値 \({\hat{S}}\) が得られます。ここで、値 0 は非効果的な解を示し、任意の値を示します。 \(\ge 1\) は効果的な解決策を示します。

効果的な解決策に到達するペースに対する温度の対数効果。

データセットを調べて小麦の太陽光消毒ソリューションの有効性を測定するために、さまざまな機械学習モデル (表 1 を参照) を利用して、太陽熱加熱バッグ内のイネゾウムシに対する影響という点でソリューションがどの程度効果的かを予測しました。 教師あり機械学習手法の選択は、さまざまなアプリケーションでそれらを利用した文献で報告されている以前の成功例に基づいています。 また、後で説明するように、説明可能性が手持ちのアプリケーションの鍵となるため、浅い機械学習アプローチに傾きました。

機械学習モデルのパフォーマンスを評価するために、10 分割相互検証を使用し、精度、再現率、適合率、および F1 スコアのメトリクスを採用して、正確な真陽性値、真陽性値と陽性値の比率を定量化しました。それぞれ精度と再現率の調和平均36。 採用されたメトリクスの式は次のように定義できます。

ここで、TP は効果的な解決策の場合の真の陽性、TN は非効果的な解決策の場合の真の陰性であり、FP と FN は非効果的な場合と効果的な場合の不正確なモデル予測です。

ビニール袋内の温度が 40 \(^\circ\)C を超える時間と度分 (DM) が推定されました。 分散の均一性は、Levene の検定を使用して検定されました。 次に、一元配置分散分析を実行し、続いて Tukey-Kramer HSD を実行しました。 DM モデルは、穀物の温度、熱への曝露時間、イネゾウムシの死亡率の関係を研究するために 14,30 に従って推定されました。

小麦の入ったビニール袋を混ぜて積み重ねた実験の最初の部分 (カナダ 1) では、40 \(^\circ\)C を超える温度が継続しました (40 \(^\circ\) )C) 毎日の各ビニール袋の底の (分) は、他の処理と比較して 16 kg の小麦で有意に高かった: 2.5 ± 0.6、0.6 ± 0.2、0.1 ± 0.1、および 0.1 ± 0.01 (分、平均 ± sem) 木箱に入った小麦 16、21、25 kg、および木箱なしの小麦 21 kg についてそれぞれ (一元配置分散分析 (ANOVA): F\(_{3,8}\) = 14.4864、 P = 0.0013)。 21 kg と 25 kg の小麦バルク、および木箱なしの 21 kg の小麦の底部で 40 \(^\circ\)C を超える時間は、互いに有意な差はありませんでした。 DMは、異なる治療間で有意に異なりました（一元配置分散分析：F\(_{3,8}\) = 4.5996、P = 0.0375）、図3aを参照してください。

実験の第 2 部では、小麦のビニール袋を混ぜたり積み重ねたりしませんでしたが (カナダ 2)、温度は 16 kg の小麦の底の温度が 40 \(^\circ\)C 以上に達しただけでした。 木箱に入った小麦 21 kg での 3 回の反復のうち 1 回を除き、他の処理では 40 \(^\circ\)C 以上の温度には達しませんでした。 DMはすべての治療間で有意に異なりました（一元配置分散分析：F\(_{3,7}\) = 8.5934、P = 0.0096）、図3bを参照してください。

(a) 小麦 16、21、25 kg をビニール袋に入れて木箱に入れ、さらに 21 kg の小麦を木箱に入れて、1 日あたり度分 (\(^\circ\)C-min、平均 \(+\) sem)カナダで、木箱のないビニール袋が 5 日間にわたって太陽光にさらされました (カナダ 1)。 (b) 16 kg、21 kg、25 kg の小麦をビニール袋に入れて木箱に入れ、さらに 21 kg の小麦を木箱に入れ、1 日あたり度分 (\(^\circ\)C-min、平均 \(+\) sem)木箱のないビニール袋をカナダで 6 日間にわたって太陽光にさらしたもの (カナダ 2、積み重ねなし)。 実験中、すべての処理は現場で継続的に行われました。 異なる文字は、治療間の有意な差を示します (P < 0.05)。

この作業における主な課題は、図 S1 (左下を参照) に示すように、データセット内の不均衡なクラスをどのように処理するかであることを考慮して、さまざまな機械学習手法のパフォーマンスを調査するために 4 つの実験が実行されました。 最初の実験は元の不均衡なデータセットに対して実行されました。目的は、クラスの不均衡に対するさまざまな機械学習アルゴリズムの予測能力を評価することです。 最初の実験の結果を表 2 に示します。

表 2 に示す結果は、3 つのモデルがクラスの予測において 98% 以上の精度を達成したことを示しています。 ただし、使用されたメトリクスでは、どのクラスが正しく予測され、どのクラスが誤って予測されたかについてのさらなる情報が得られないため、これらの結果は信頼できません。 その結果、3 つのアルゴリズムの混同行列が計算され、補足資料の図 S1 に示されます。 図S1に示されているように、この最初の実験の結果は、不均衡なデータセットに対処するときに機械学習手法の精度に依存することは誤解を招く可能性があることを示しています。 この課題に対処するために、少数派クラスのオーバーサンプリング、多数派クラスのアンダーサンプリング、および合成少数派オーバーサンプリング手法 (SMOTE) という 3 つのデータ リサンプリング手法がクラスの不均衡データに適用されました。 リサンプリングされたデータセットに対する各アルゴリズムのパフォーマンスが評価されました。

元のデータセットは、少数派クラス手法のオーバーサンプリングによって変換されます。 この手法では、少数派クラスのサンプルが、多数派クラスのサンプル数と等しくなるまでランダムに複製されます。 図 S2 (左下を参照) は、少数派クラス手法のオーバーサンプリングを適用した後のクラス ラベルの分布を示しています。 2 番目の実験は、多数派クラスと少数派クラスの両方を分類する際のマシン アルゴリズムのパフォーマンスを評価するために、オーバーサンプリングされたデータセットに対して実行されました。 表 3 は、オーバーサンプリングされたデータセットに関する 2 番目の実験の結果を示しています。 表 3 に示す結果は、DT と RF の両方が最大 99% の精度を達成し、XGB が 95% の精度を記録したことを示しています。 各モデルのパフォーマンスを正確に報告するために、3 つのアルゴリズムの混同行列が計算され、補足資料の図 S2 に示されています。 図S2に示されているように、少数派クラスを予測する場合、3つのアルゴリズムすべてが少数派クラスのすべてのサンプルを正しく予測したことが観察できます。 これらの出力から、DT アルゴリズムと RF アルゴリズムの両方が XGB アルゴリズムよりも優れたパフォーマンスを達成しています。

元のデータセットは、SMOTE (合成マイノリティ オーバーサンプリング技術) 37 を適用することによって変換されます。補足資料を参照してください。 この手法は、マイノリティ クラス手法のオーバーサンプリングに似ています。 ただし、少数派クラスのサンプルが複製される少数派クラスのオーバーサンプリング手法とは異なり、SMOTE では、少数派クラスのサンプルは、その数が多数派クラスの数と等しくなるまで合成的に作成されます。 図 S3 は、SMOTE 手法を適用した後のクラス ラベルの分布を示しています。 3 番目の実験は、3 つのアルゴリズムのパフォーマンスを評価するために SMOTE データセットに対して実行されました。 表 4 は 4 番目の実験の結果を示しています。 表 4 に示す結果は、DT と RF の両方が最大 99% の精度を達成し、XGB が 95% の精度を記録したことを示しています。 多数派クラスと少数派クラスの両方を正しく分類する際の各アルゴリズムのパフォーマンスをさらに評価するために、3 つのアルゴリズムの混同行列が計算され、補足資料の図 S3 に示されています。 図 S3 は、少数派クラスの予測において XGB がより優れたパフォーマンスを示し、次いで RF、次に DT であることを示しています。 マジョリティクラスの予測では、DT が良好なパフォーマンスを示し、次に RF、XGB の順でした。

ここで、元のデータセットは、マジョリティ クラス手法のアンダーサンプリングを適用することによって変換されます。 この手法では、多数派クラスのサンプルが、少数派クラスの数と等しくなるまでランダムに削除されます。 図 4 (左下を参照) は、多数派クラス手法のアンダーサンプリングを適用した後のクラス ラベルの分布を示しています。 4 番目の実験は、多数派クラスと少数派クラスの両方を分類する際のマシン アルゴリズムのパフォーマンスを評価するために、アンダーサンプリングされたデータセットに対して実行されました。 表 5 は、アンダーサンプリングされたデータセットに対する 3 回目の実験の結果を示しています。 表 5 に示す結果は、DT と RF の両方が最大 99% の精度を達成し、XGB が 96% の精度を記録したことを示しています。 アンダーサンプリングされたデータセットで各アルゴリズムのパフォーマンス (多数派クラスと少数派クラスの両方を分類する際) を正確に示すために、3 つのアルゴリズムの混同行列が計算され、図 4 に示されています。

サンプリングされたデータセットの混同行列を使用したパフォーマンス評価。

図 4 に示すように、多数派クラスと少数派クラスの両方の 100 サンプルのうち、DT は両方のクラスで 99 サンプルを正しく予測し、1 サンプルを誤って予測しました。 RF は、多数派クラスの 99 サンプルを正しく予測し、多数派クラスの 1 サンプルは誤って予測し、少数派クラスの 100 サンプルすべてを正しく予測しました。 XGB は、多数派クラスの 99 サンプルを正しく予測し、多数派クラスの 8 サンプルは誤って予測し、少数派クラスの 100 サンプルすべてを正しく予測しました。 これらの出力から、RF アルゴリズムは DT および XGB アルゴリズムよりも優れたパフォーマンスを達成しました。

結果で説明したように、RF モデルはアンダーサンプリングされたデータセットで良好なパフォーマンスを示しました。 ただし、RF の予測をそのまま説明するのは困難です。 この課題を軽減するために、SHAP (SHapley Additive exPlanations) として知られる説明可能な人工知能 (XAI) 技術を適用して、RF モデルの内部機能の直感的な説明を提供し、その透明性を高めます。 提供される説明は、アンダーサンプリングされたデータセットでトレーニングされた RF モデルに基づいています。 SHAP は、機械学習モデルの出力を説明するためのゲーム理論的な手法です 38。 ゲーム理論の古典的な Shapley 値を使用して、グローバルおよびローカルの説明を提供します。 SHAP メソッドは、モデル全体 (グローバル) の解釈に重点を置いた特徴量の重要度の推定に加えて、モデル全体 (ローカル) の個別の予測の解釈を提供します。

ここでは、SHAP 値が結合されて、モデルの出力 (ターゲット変数) に対する各予測子の寄与が明らかになります。 小麦粒の貯蔵の効果的な解決策に対するRFモデルの特徴の重要性は、図5aに通常の棒グラフとして、図5bにSHAP要約プロットとして示されています。 図 5a は、効率的なソリューション (クラス 1) について、最も影響力のある機能を降順でリストしています。 赤いバーの色はその機能が出力にプラスの影響を与えることを意味し、青色はマイナスの影響を意味します。 21 kg の小麦粒を木箱の中に保管すると、生産量、次に周囲温度、気圧、風速、そして最終的には混合と積み重ねに強いプラスの影響があることが観察できます。 一方、空気 RH は生産量に大きなマイナスの影響を及ぼし、次に木箱の中の 25 kg の小麦、太陽束密度、日射量、木箱の中の 16 kg の小麦、風向き、そし​​て最後に 21 kg です。木箱なしの小麦。 雨は出力に影響を与えません。

(a) 特徴重要度プロット、および (b) 小麦粒の保存溶液に対する特徴の影響を示す SHAP 要約プロット。

図 5b に示す SHAP 要約プロットは、特徴とターゲット変数の正および負の関係を明らかにします。 概要プロットでは、各フィーチャの SHAP 値が明らかになり、ドットはデータセット内の各観測値を表します。 プロットでは、すべての特徴とその重要度が影響度の降順で Y 軸にリストされ、値の影響が低い予測と高い予測のどちらに関連しているかを示します。 X 軸のドットの位置は、各観測値に対するモデルの予測に対する特徴の影響を示します。 観測ごとに、特徴が低い (青) か高い (赤) かを色で示します。 したがって、木箱内に 21 kg の小麦粒を保管すると、モデルの出力に高いだけでなくプラスの影響も与えることがわかります。 強いインパクトは赤色から現れ、プラスのインパクトは X 軸に表示されます。 同様に、「Air RH」機能がモデルの出力にマイナスの影響を与えるとします。

図 5a と b では、グラデーションの色が各機能がソリューションに与える影響を示しています。 モデルが各観測値に対してどのように決定を下すに至ったのかを理解するために、SHAP 力チャートが個別の観測値に対して作成されました。 したがって、各観測またはデータ サンプルは、観測がその予測/出力と予測子の寄与を受け取る理由を説明するために使用される独自の SHAP 値のセットを取得します。 図 6 は、データセット内の個別の観察に対する 2 つの力のプロットを示しています。 これには 2 つの値が含まれます。1 つは基本値として、もう 1 つはモデル予測としてです。 基本値はデータセット全体の平均モデル出力を示し、モデル予測はモデルからの予測を示します。 これらの視覚化により、モデルの出力と基本値の間の差異の原因となっている特徴が示されました。 予測を低くする特徴は青で色付けされ、予測を高くする特徴は赤で色付けされます。 これらのプロットには、特定のケースが小麦粒の効果的な保管につながるかどうかを意思決定者に知らせる推奨事項を提供する機能があります。

小麦粒の貯蔵の非効果的 (a) および効果的 (b) 予測ソリューションの SHAP 力プロットの図。

RF モデルは、Python の scikit-learn ライブラリのデフォルトのしきい値 0.5 に基づいて開発されました。0 ～ 0.5 の値はクラス 0 (非効果的なソリューション) に属し、0.5 ～ 1 の値はクラス 1 (効果的なソリューション) に属します。 図6aに示す観察では、モデルは、小麦粒を加熱するための非効果的な解決策を示す基準値0.4968よりも低い値0.00を予測しました。 この力のプロットは、ソリューションの効果を無効にする特徴も示しています。 この解の日射量は = 143.9 (\(M_j/m^2\)) となります。 この機能は、赤色で示されているように、予測をより高い値に押し上げます。 この力がより高い値に向かって押し進められているとしても、青色のカラー バーで示されているように、このソリューションをより低い値に押し上げるはるかに大きな特徴グループが存在します。 これらの各特徴には値が割り当てられており、それらの組み合わせの力によってモデルはこの予測に到達します。 これは単に、周囲温度 19.86 \(^\circ\)C、空気相対湿度 79.94%、日射量 143.9% で、木箱なしで 21 kg の小麦粒を加熱した場合、小麦粒の加熱は効果がないことを意味します。 (\(M_j/m^2\))。 同様に、モデルは図 6b の小麦粒を加熱するための効果的な解決策を予測しました。 これは、モデルの予測値 1.00 が基準値よりも大きいことで示されています。 このプロットは、どのフィーチャ属性が効果的なソリューションとなるかを特定するために使用することもできます。 このソリューションの混合およびスタッキング値は 0 で、青色で示されているように、予測が値を下げる方向に進みます。 この力が低い値に向かって押し進められているとしても、赤色のバーで示されているように、このソリューションを高い値に押し上げるはるかに大きな特徴グループが存在します。 これらの各特徴には値が割り当てられており、それらの組み合わせの力によってモデルはこの予測に到達します。 これは、小麦粒 21 kg を空気 RH = 38.72 %、日射量 = 78.89 (\(M_j/m^2\))、周囲温度 33.8 の木箱内で加熱すると、小麦粒の加熱が効果的であることを意味します。 \(^\circ\)C。

結果は、木箱内の中サイズの穀物の量（小麦粒 21 kg）が、イネゾウムシを殺すために温度を 40 \(^\circ\)C 以上に上げるという解決策に大きな影響を与えたことを示しています。 他の穀物量、特に量が少ない 16 kg の箱と比較した 21 kg の箱の加熱の優位性は、主に穀物が優れた断熱材であると考えられているという事実によるものです18、39、40。 最近、パフィンググレインは建築物においてバイオベースの環境に優しい断熱材として使用されています18。 粒子（断熱材）の量が厚くなるほど、熱伝達率は低くなります41。 これは、粒子の量が厚くなるほど、粒子の熱獲得率が低くなり、粒子の熱損失率が低くなることを意味します。 これら 2 つのプロセスのバランスを達成するための最適な粒子の厚さは、中程度の量の粒子です。 ソリューションを最適化するためのもう 1 つの重要な特徴は、周囲温度が高いことです。 この研究はカナダで 7 月と 8 月に実施され、最高気温は 28 ～ 32 \(^\circ\)C でした (付録 A、表 A.1 および表 A.2)42。 当社の太陽熱バッグの性能は、30 ～ 37 \(^\circ\)C の高温環境により、世界中のさまざまな地域で向上します。 この暖房システムを使用するのに最適な時期は、1 年のうち夏と秋であり、最高気温と最低気温の 1 日の差が 5 月から 10 月の間で最も小さくなります41。 毎日の気温の上昇は、夜間の最高値から最低値への低下（約 15 時間）よりも速い（約 8 時間）41。 したがって、特に暑い季節には、中サイズの粒の量が他の量よりも優れたパフォーマンスを発揮します。 私たちの結果と一致して、熱科学における以前の研究では、断熱に対する材料の厚さの影響が調査されていました41,43。 これらの研究では、各断熱材には最適な厚さがあることが報告されています。

最後に、ビニール袋を混ぜて積み重ねることは、目標の達成に大きな影響を与えました。 33.8 \(^\circ\)C の高温や木箱内で 21 kg の小麦を使用するなど、他の特徴が満たされている場合、この効果は無視できる場合があります。 ビニール袋を混ぜたり積み重ねたりすると穀物のDMが増加するため、SHAPの生産量は実験結果と非常によく似ています（図3）。実験結果では、16、21、25kgの小麦のDMは互いに有意ではありませんでした（図3）。 .3a、一方、SHAP 出力によれば、中程度の量の粒子が他のものと比較してプラスの効果をもたらしました (図 5a)。 最後に、ML モデルは密閉加熱ビニール袋内の温度を予測するのに満足できるようです。 同様に、近年、同じ環境データを使用して、植栽または土壌消毒のための密閉温室内の温度を予測するための異なる ML モデルが開発されました 19、20、26、44。

機械学習は、収穫後の熱制御に使用される加熱システム内の熱挙動を研究するための、数学的および統計的モデルに代わる有望な代替手段です。 機械学習アルゴリズムは、さまざまなパラメーター間の相互作用を効果的に検査して、透明なビニール袋の中に保管されている穀物昆虫の有効致死温度を予測できます。 この研究では、カナダの夏のフィールドワークに基づいて実験データと環境データが収集された、新しいベンチマーク データセットを提供しました。 私たちは、小麦粒の品質を維持しながら、保管されている穀物の害虫に対して効果的な太陽熱加熱システムを最大化するために、透明なビニール袋内の熱挙動をより深く理解するのに役立つ教師あり機械学習ソリューションを導入しました。 SHAP (SHApley Additive exPlanations) として知られる説明可能な人工知能 (XAI) 技術を利用して、ランダム フォレスト モデルの内部機能を直感的に説明し、透明性を高めました。 私たちの主な発見は、木箱内の最適な中サイズの穀粒の量（小麦粒 21 kg）が、イネゾウムシ Sitophilus oryzae に対して 40 \(^\circ\)C 以上の温度を上げる解決策に大きな影響を与えたということです。 (L.)。

私たちは、植物に関する実験研究および実地研究が、関連する制度的、国内的、国際的なガイドラインおよび法律に準拠していることを確認します。

このデータセットはクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてリリースされており、https://sandbox.zenodo.org/record/1067714 からダウンロードできます。

Affognon, H.、Mutungi, C.、Sanginga, P. & Borgemeister, C. サハラ以南アフリカにおける収穫後の損失の解明: メタ分析。 世界開発 66、49–6 https://doi.org/10.1016/j.worlddev.2014.08.002 (2015)。

記事 Google Scholar

Kumar, D. & Kalita, P. 発展途上国の食糧安全保障を強化するために、穀物作物の保管中の収穫後の損失を削減します。 食品 6、8。https://doi.org/10.3390/foods6010008 (2017)。

論文 PubMed PubMed Central Google Scholar

Mesterhazy, A.、Olah, J. & Popp, J. 穀物サプライチェーンにおける損失: 原因と解決策。 持続可能性 12、2342。https://doi.org/10.3390/su12062342 (2020)。

記事 Google Scholar

Odokonyero, K.、Gallo Junior, A. & Mishra, H. 収穫後の保管損失を減らすための、自然からインスピレーションを得たワックスコーティングされたジュートバッグ。 科学。 代表者https://doi.org/10.1038/s41598-021-93247-z (2021)。

論文 PubMed PubMed Central Google Scholar

Jasrotia, P. et al. 害虫の収穫後管理のためのナノマテリアル: 現状と将来の展望。 フロント。 ナノテクノロジー。https://doi.org/10.3389/fnano.2021.811056 (2022)。

記事 Google Scholar

Luo, Y.、Huang, D.、Li, D.、Wu, L. 中国における農場保管、保管損失、損失削減の効果について。 リソース。 保守します。 リサイクルします。 162、105062。https://doi.org/10.1016/j.resconrec.2020.105062 (2020)。

記事 Google Scholar

Rita Devi、S.、Thomas、A.、Rebijith、KB & Ramamurthy、VV 生物学、シトフィルス オリザエおよび s の形態学および分子特性評価。 ゼマイス（鞘翅目：ツツジ科）。 J. 保管された製品。 解像度 73、135–141。 https://doi.org/10.1016/j.jspr.2017.08.004 (2017)。

記事 Google Scholar

Okram, S. & Hath, TK 西ベンガル州のテライ農業生態学におけるさまざまな季節の貯蔵米粒上のシトフィルス・オリゼー (L.) (鞘翅目: クルクリオ科) の生物学。 内部。 J.Cur. 微生物。 応用科学。 8、1955 ～ 1963 年 (2019)。

記事 Google Scholar

マンスール・ウル・ハサン、AA 他 Sitophilus oryzae L.（鞘翅目：Curculionidae）の発育に対する温度と相対湿度の影響。 Ｊ．Ｅｎｔｏｍｏｌ． ズール。 スタッド。 5、85–90 (2017)。

Google スカラー

パドマスリ、A.ら。 植物種子処理によるトウモロコシのイネゾウムシ (Sitophilus oryzae L.) の管理。 内部。 J.Cur. 微生物。 応用科学。 6、3543–3555 (2017)。

記事 Google Scholar

ラジェンドラン、S. & シュリランジーニ、V.-R. 穀物の品質を管理するための燻蒸の使用。 スチュワート ポストハーベスト Rev. 3、1 ～ 8。 https://doi.org/10.2212/spr.2007.6.9 (2007)。

記事 Google Scholar

アモア、BA、マルーフ、RM オゾンガスを使用した、シトフィルス・オリゼーに感染した小麦の消毒。 Ｊ．アグリック． 都市昆虫。 36、35–46。 https://doi.org/10.3954/1523-5475-36.1.35 (2020)。

記事 Google Scholar

Mourier, H. & Poulsen, KP 高温短時間 (HTST) 技術を使用した穀物内の昆虫およびダニの防除。 J. 保管された製品。 解像度 36、309–318 (2000)。

論文 CAS PubMed Google Scholar

Fawki, S.、Fields, PG、Jian, F. & Yousery, A. 太陽放射を使用した小麦袋内のシトフィルス・オリゼー (鞘翅目: クルクリオ科) の制御。 J. 保管された製品。 解像度 96、101941。https://doi.org/10.1016/j.jspr.2022.101941 (2022)。

記事 Google Scholar

フィールド、PG 極端な温度による保管製品の昆虫やダニの制御。 J. 保管された製品。 解像度 28、89–118。 https://doi.org/10.1016/0022-474X(92)90018-L (1992)。

記事 Google Scholar

Yan、R.、Huang、Z.、Zhu、H.、Johnson、JA、および Wang、S. 成体シトフィルス・オリゼの熱死動態および耐熱性に対する加熱速度の影響。 J. 保管された製品。 解像度 59、231–236。 https://doi.org/10.1016/j.jspr.2014.03.006 (2014)。

記事 Google Scholar

Beckett, S.、Morton, R. & Darby, J. 中程度の温度における Rhyzopertha dominica (F.) (鞘翅目: Bostrychidae) および Sitophilus oryzae (L.) (鞘翅目: Curculionidae) の死亡率。 J. 保管された製品。 解像度 34、363–376。 https://doi.org/10.1016/S0022-474X(98)00022-8 (1998)。

記事 Google Scholar

Khoukhi, M.、Dar Saleh, A.、Mohammad, AF、Hassan, A. & Abdelbaqi, S. グレイン パフィング技術を使用して製造された新しいバイオベース断熱材の熱性能と統計解析。 構造建てる。 メーター。 345、128311。https://doi.org/10.1016/j.conbuildmat.2022.128311 (2022)。

記事 CAS Google Scholar

Allouhi, A.、Choab, N.、Hamrani, A.、Saadeddine, S. モロッコの農業温室の熱挙動を評価するための機械学習アルゴリズム。 クリーン。 工学テクノロジー。 5、100346 (2021)。

記事 Google Scholar

Moon, T. et al. 多層パーセプトロンを使用した温室環境データの補間。 計算します。 電子。 農業。 166、105023。https://doi.org/10.1016/j.compag.2019.105023 (2019)。

記事 Google Scholar

Lutz, E. & Coradi, PC 保存されている穀物の品質を監視および予測するための新技術のアプリケーション: センサー、モノのインターネット、人工知能。 測定 188、110609 (2021)。

記事 Google Scholar

da Silva Andre, G.、Coradi, PC、Teodoro, LPR & Teodoro, PE 機械学習を使用して、さまざまな環境および包装で保管されている大豆種子の品質を予測します。 科学。 議員第 12 号、1–13 (2022)。

記事 Google Scholar

リマ、RE et al. 数学的モデリングと多変量解析は、初期の大豆収穫に関連する乾燥および保管条件と物理化学的穀粒品質への影響を適用しました。 科学。 議員第 11 号、1–20 (2021)。

記事 Google Scholar

コラディ、PC 他。 粒界平衡水分含有量をリアルタイムで監視し、サイロバッグに保管されているトウモロコシの品質を予測するためのワイヤレスセンサーネットワークとモノのインターネットプラットフォームのプロトタイプ。 エキスパートシステム。 応用 208、118242 (2022)。

記事 Google Scholar

ルッツ、E. 他。 リアルタイムの平衡水分含有量モニタリングにより、サイロおよびラフィアバッグに保管されているトウモロコシの粒品質を予測します。 J. 食品プロセス工学 45、e14076 (2022)。

記事 CAS Google Scholar

Tatsuaki, M.、Mehdizadeh, SA、Rohani, A.、Rahnama, M.、Rahmati-Joneidabad, M. 温室シミュレーションにおける機械学習の応用。 新しいアプリケーションと分析。 情報プロセス。 農業。 5、253–268 (2018)。

Google スカラー

Al-Mahdouri, A.、Baneshi, M.、Gonome, H.、Okajima, J.、Maruyama, S. さまざまな温室被覆材の光学特性と熱性能の評価。 ソル。 エネルギー 96、21–32。 https://doi.org/10.1016/j.solener.2013.06.029 (2013)。

記事 ADS CAS Google Scholar

チョアブ、N.ら。 温室微気候と応用に関するレビュー: 設計パラメータ、熱モデリングとシミュレーション、気候制御技術。 ソル。 エネルギー 191、109–137。 https://doi.org/10.1016/j.solener.2019.08.042 (2019)。

記事 ADS Google Scholar

Pei, W.、Ming, F.、Zhang, M. & Wan, X. 寒冷地における湿気の影響を考慮した断熱材の熱伝導率モデル。 コールドレギュレーション科学。 テクノロジー。 207、103770。https://doi.org/10.1016/j.coldregions.2022.103770 (2023)。

記事 Google Scholar

Fawki, S. & Yousery, A. 太陽熱を利用したビニール袋内のシトフィルス・オリゼーの熱消毒の熱挙動と気象データのデータセット。 データ概要 42、108029。https://doi.org/10.1016/j.dib.2022.108029 (2022)。

論文 CAS PubMed PubMed Central Google Scholar

Charbuty, B. & Abdulazeez, A. 機械学習のデシジョン ツリー アルゴリズムに基づく分類。 Ｊ．Ａｐｐｌ． 科学。 テクノロジー。 トレンド 2、20 ～ 28 (2021)。

記事 Google Scholar

Arof, C.、Rivan, Y.、Rustam, Z. 乳がん分類におけるランダム フォレストとサポート ベクター マシンの比較。 Telkomnika 18、815–821 (2020)。

記事 Google Scholar

Bühlmann、P. バギング、ブースティング、およびアンサンブルの手法。 Handbook of Computational Statistics 985–1022 (Springer、2012) より。

Google Scholar の章

Dietterich, TG 決定木のアンサンブルを構築するための 3 つの方法 (バギング、ブースティング、およびランダム化) の実験的比較。 マッハ。 学ぶ。 40、139–157 (2000)。

記事 Google Scholar

Chen, T. & Guestrin, C. Xgboost: スケーラブルなツリー ブースト システム。 第 22 回 ACM SIGKDD 知識発見とデータ マイニング国際会議議事録 785 ～ 794 (2016)。

パワーズ、DM 評価: 精度、再現率、f 値から、roc、情報提供、顕著性、相関関係まで。 arXiv プレプリント arXiv:2010.16061 (2020)。

Jeatrakul, P.、Wong, KW & Fung, CC 相補的なニューラル ネットワークと smote アルゴリズムを組み合わせた、不均衡なデータの分類。 神経情報処理に関する国際会議 152–159 (Springer、2010)。

ルンドバーグ、SM et al. 樹木の説明可能な AI: ローカルな説明からグローバルな理解まで。 arXiv プレプリント arXiv:1905.04610 (2019)。

Jian、F.、Jayas、DS & White、NDG さまざまな水分含有量、温度、および保管時間における、油分が高い遺伝子組み換えキャノーラの比熱、熱拡散率、およびかさ密度。 トランス。 浅部 56、1077–1083。 https://doi.org/10.13031/trans.56.10067 (2013)。

記事 Google Scholar

Muhammad, AA、Akhlaque, A.、Tasneem, A.、および Muhammad, A. 亜鉛メッキ鋼製の容器に保管されている小麦の熱消毒のため、村レベルでの太陽放射の使用。 パク。 昆虫。 28、57–64 (2006)。

Google スカラー

Sahu, DK、Sen, PK、Sahu, GC、Sharma, R. & Bohidar, S. 熱損失を減らすための断熱材とその最適な厚さに関するレビュー。 内部。 Ｊ．イノフ． 解像度科学。 テクノロジー。 2、1–6 (2015)。

CAS Google スカラー

Fawki, S. & Yousery, A. 太陽熱を利用したビニール袋内のシトフィルス・オリゼーの熱消毒の熱挙動と気象データのデータセット。 データ概要 42、108029。https://doi.org/10.17632/j9c5mcmw3c.1 (2022)。

論文 CAS PubMed PubMed Central Google Scholar

Mahlia, TM、Taufiq, BN、Ismail & Masjuki, HH 建物壁用に選択された断熱材の熱伝導率と厚さの相関関係。 エネルギービルド。 39、182–187。 https://doi.org/10.1016/j.enbuild.2006.06.002 (2007)。

記事 Google Scholar

D'Emilio, A. 遺伝的プログラミングによる記号回帰による閉鎖温室でのソラリゼーション処理中の土壌熱体制のモデリング 279–286 (土木工学材料の進歩、2020)。

リファレンスをダウンロードする

カナダ農業および農業食品の Paul G. Fields 氏と、フィールドワークを設計し、カナダでのすべての施設を提供してくれたカナダのマニトバ大学生物システム工学助教授 Fuji Jian 氏に感謝します。 貴重なコメントをくださった Paul G. Fields に改めて感謝いたします。 技術支援をしていただいた Liam Carlin、Colin Deemianyk、Kim Hamilton に感謝します。 また、ML モデリングにご協力いただいたバーミンガム市立大学の Esther Aramid 氏にも感謝いたします。 この研究は、エジプトのカイロにある科学技術開発基金 (STDF) から資金提供を受けています。

バーミンガム市立大学コンピューティングおよびデジタル技術学部、バーミンガム、B4 7BD、英国

モハメド・M・アブデルサメア、モハメド・メドハット・ガベル、アリユダ・アリ、マリオス・キリアコウ

アシュート大学コンピュータ情報学部、アシュート、71515、エジプト

モハメド・M・アブデルサメア

ガララ大学コンピュータ科学工学部、スエズ、435611、エジプト

モハメド・メドハト・ガベル

アイン・シャムス大学理学部昆虫学科、カイロ、11566、エジプト

シャムス・フォーキ

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

MMA と MMG は研究を形成して実験を考案し、AA は機械学習実験を実施し、MK はデータセットを準備し、SF はフィールド実験を実施して結果を分析しました。 著者全員が原稿を書きました。

モハメッド・M・アブデルサメアへの通信。

著者らは競合する利害関係を宣言していません。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

アブデルサメア、MM、ゲイバー、MM、アリ、A. 他ビニール袋を使用したイネゾウムシ Sitophilus oryzae (鞘翅目: キンポウゲ科) のコムギ太陽光消毒の教師あり学習における対数償却温度効果。 Sci Rep 13、2655 (2023)。 https://doi.org/10.1038/s41598-023-29594-w

引用をダウンロード

受信日: 2022 年 6 月 7 日

受理日: 2023 年 2 月 7 日

公開日: 2023 年 2 月 14 日

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

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。