机器学习能否通过射频反射法提高作物品质评估的准确性？

《IEEE Transactions on AgriFood Electronics》：Can ML Enhance the Accuracy of Crop Quality Assessment With Radio Frequency Reflectometry?

　　本文提出一种结合AI/ML算法（线性回归、随机森林、主成分分析）的RF-R分析新方法，通过131个木薯根样本的30kHz-200MHz频段测量，以干物质估算淀粉含量。结果显示，随机森林结合双频和三频模型预测准确率提升23.4%，验证了RF-R与ML结合在实时无损作物评估中的应用潜力。

　　

摘要：

本文提出了一种新颖的方法，该方法结合了人工智能/机器学习算法（线性回归、随机森林和主成分分析（PCA）来提高射频反射法（RF-R）在作物品质评估中的预测准确性。利用131个木薯根样本，在30 kHz–200 MHz的频率范围内进行了RF-R测量，以干物质含量作为淀粉含量的替代指标。评估了多种建模策略，包括迭代线性回归、随机森林和PCA，并将其应用于单频和多频组合。仅使用简单线性回归的单频分析的预测误差为0.64；而首次研究表明，将两个或三个频率结合用于随机森林模型可使预测准确性提高23.4%，这凸显了改进作物品质评估的潜力。总体而言，本工作表明，将RF-R与机器学习相结合可以提高品质预测的准确性和鲁棒性，为实时、无损的作物评估应用奠定了基础。