基于多模型集成和代谢组学的烟叶产区预测模型构建OA

针对传统烟叶产区鉴别方法特征覆盖不足、主观性强等问题,本研究提出一种基于多特征选择与集成学习的烟叶产区预测模型。以5大产区的中部片烟和综合模块的上部片烟共计576份烟叶样本为研究对象,通过对7 024项致香成分数据进行特征预处理,结合方差分析、Pearson相关系数及LightGBM特征重要性评估,筛选出130个高判别性特征,维度压缩率达98.15%。在模型构建方面,创新性地集成支持向量机(SVM)、随机森林(RF)与多层感知机(MLP)的优势,通过网格搜索优化超参数和加权投票策略融合进行结果预测。结果表明,该集成模型在4折交叉验证中表现优异,宏平均精确率、召回率与F1值均达1.0,显著优于单一模型,实现全样本精准分类。本研究不仅揭示了致香成分与生态区间的非线性关联特征,而且为烟叶产区鉴别提供了高准确性的新方法,对烟叶品质溯源与生产工艺优化具有重要的理论和实践价值。