CN110807561A - 基于贝叶斯网络的玉米病虫害预警分析方法 - Google Patents
基于贝叶斯网络的玉米病虫害预警分析方法 Download PDFInfo
- Publication number
- CN110807561A CN110807561A CN201911104134.7A CN201911104134A CN110807561A CN 110807561 A CN110807561 A CN 110807561A CN 201911104134 A CN201911104134 A CN 201911104134A CN 110807561 A CN110807561 A CN 110807561A
- Authority
- CN
- China
- Prior art keywords
- corn
- probability
- early warning
- bayesian network
- pest
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 75
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 74
- 235000005822 corn Nutrition 0.000 title claims abstract description 74
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 72
- 201000010099 disease Diseases 0.000 title claims abstract description 72
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 72
- 238000004458 analytical method Methods 0.000 title claims abstract description 14
- 240000008042 Zea mays Species 0.000 title claims description 76
- 241000238631 Hexapoda Species 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 17
- 235000006679 Mentha X verticillata Nutrition 0.000 claims description 16
- 235000002899 Mentha suaveolens Nutrition 0.000 claims description 16
- 235000001636 Mentha x rotundifolia Nutrition 0.000 claims description 16
- 101710094840 Sirohydrochlorin ferrochelatase Proteins 0.000 claims description 14
- 101710188946 Uroporphyrinogen-III C-methyltransferase Proteins 0.000 claims description 14
- 238000001556 precipitation Methods 0.000 claims description 9
- WFGFAPPOWRDEGZ-UHFFFAOYSA-M tributyl(pyren-4-ylmethyl)phosphanium;bromide Chemical compound [Br-].C1=CC=C2C(C[P+](CCCC)(CCCC)CCCC)=CC3=CC=CC4=CC=C1C2=C34 WFGFAPPOWRDEGZ-UHFFFAOYSA-M 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000007717 exclusion Effects 0.000 claims 1
- 241001057636 Dracaena deremensis Species 0.000 abstract description 4
- 241000209149 Zea Species 0.000 abstract 1
- 241000346285 Ostrinia furnacalis Species 0.000 description 16
- 208000024891 symptom Diseases 0.000 description 7
- 230000006378 damage Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 208000003643 Callosities Diseases 0.000 description 3
- 206010020649 Hyperkeratosis Diseases 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008654 plant damage Effects 0.000 description 2
- 241000289763 Dasygaster padockina Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241001477931 Mythimna unipuncta Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000005058 diapause Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000009973 maize Nutrition 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000007958 sleep Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Animal Husbandry (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Agronomy & Crop Science (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Agricultural Chemicals And Associated Chemicals (AREA)
Abstract
本发明提供了一种基于贝叶斯网络的玉米病虫害预警分析方法，首先构造玉米病虫害网络诊断贝叶斯网络、确定影响玉米病虫害的节点，然后进行数据离散化处理，再利用离散化处理后的数据进行贝叶斯网络训练，根据经过训练的玉米病虫害预警贝叶斯网络计算玉米发生病虫害的概率，最终根据计算所得的概率判断是否发生玉米病虫害、进行预警。本发明综合考虑了多方面的因素，同时规避了其他潜在因素的影响，通过构建复杂的贝叶斯网络计算概率对玉米的病害及虫害疫情进行准确的判断及报警，可以帮助种植人员进行及时的判断及采取措施。
Description
技术领域
本发明涉及计算机辅助诊断技术领域，具体涉及一种基于贝叶斯网络的玉米病虫害预警分析方法。
背景技术
玉米的病虫害是玉米生产中极具破坏性的自然灾害，在玉米病虫害管理中主要的问题反映在病虫害动态监测、发生趋势预测及其风险评估等几方面。玉米病虫害的种类很多，玉米的病害包括玉米大、小斑病、玉米丝黑穗病、青枯病等；玉米的虫害包括地老虎、玉米螟、粘虫等。这些病虫害往往是大批发生，发病率很高，严重影响了玉米的产量，造成了巨大的经济损失。据统计，2011年全国玉米病害发生面积为7165.7万hm2次，2012年快速上升至8101.79万hm2次，2013年为8157.5万hm2次，达到了历史新高，玉米主要病害带来的产量损失总量自2010年开始已持续超过了水稻病害引发的水稻产量损失总量；玉米生产环境及气候的变化导致一些重要病害的发生规律改变、危害加重，一些得到控制的病害再次猖獗危害，一些次要病害在全国范围或局部地区危害不断加重，甚至上升为主要病害，并出现了一些新的病害，对玉米安全生产构成了严重的威胁。
目前市面上没有完善的玉米病虫害预警系统，主流方式为系统提供所有疾病的症状集合，供用户选择，用户选择玉米病虫害的发病症状后，针对用户所选择的症状属于那种疾病诊断得出发病可能性的专家系统。
用户选择疾病症状时耗时耗力，并且存在种植人员技术不足，无法正确判断病发症状、同时，专家系统不能准确快速的找到符合自己玉米病虫害的所属症状，种植人员无法对症状进行准确的判断而做出决断，无法从根本上帮助解决种植人员解决问题，无法达到预警目的、从而无法快速准确的进行玉米病虫害的防治工作。
发明内容
针对以上现有技术针对玉米病虫害的问题，本发明的目的在于提供一种基于贝叶斯网络的玉米病虫害预警分析方法，通过计算玉米病虫害的发生概率进行预警，其精确度高、误差小，有效降低了玉米病虫害的危害几率。
本发明目的通过以下技术方案实现：
基于贝叶斯网络的玉米病虫害预警分析方法，其特征在于：
包括以下步骤：
a、构造玉米病虫害网络诊断贝叶斯网络，确定影响玉米病虫害的节点，经终端数据处理提取并筛选出主要节点；
b、对筛选出主要节点进行离散化处理；
c、利用离散化处理后的数据对玉米病虫害的贝叶斯网络进行训练；
d、根据经过训练的玉米病虫害预警贝叶斯网络计算玉米发生病虫害的概率；
e、当计算所得出的玉米病虫害发生概率值超过指定阈值时进行预警；
所述终端数据处理采用电脑进行终端信息的采集和处理，选取最重要的节点为主要节点，如温湿度、土壤因素、降水量等，保证所述主要节点为互斥节点。
由于玉米病虫害的种类复杂、影响玉米病虫害的因素繁多，若要对所有节点进行离散化处理，数据繁琐、贝叶斯网络尺寸巨大，导致最终运算结果精确度低。因此，本发明通过设置主要节点，且同时选取的主要节点满足为互斥节点，减少贝叶斯网络的尺寸，降低运算的工作量，同时又能保证获得概率的准确性与精确度。
进一步，由于玉米病害依赖于温湿度、土壤因素、降水量、施肥量等，所述玉米病虫害的主要节点为积温：SUMT；平均最高气温：MAXT，平均最低气温：MINT，地温：GT，累计日照数：SSD，降水量：MTP；所述SUMT由所述MAXT与MINT决定，所述MAXT与MINT为互斥节点；所述GT由所述SSD与MTP决定，所述SSD与MTP为互斥节点。
进一步，为数据准确化，所述地温：GT为地表面以上5cm的温度。
进一步，步骤b中所述离散化处理为等宽法离散，其具体步骤为：
b1、根据玉米病虫的生活习性以及生长周期，对每个主要节点确定其时间范围并分类，其中SUMT、MAXT、MINT的时间范围∈[D1，D2]；GT的时间范围为D3～D4；SSD的时间范围为D5～D6；MTP的时间范围为D7～D8；
b2、根据划分的时间范围采集每一个主要节点的值域范围；
b3、然后将每一个值域范围{Xmin，Xmax}划分为K个区间；使每个区间的宽度都相等，为(Xmax-Xmin)/K，得到处理后的离散化数据。
采用等宽法离散进行区间划分，将每一个节点的值域分解成等宽度的区间，使每一个节点的离散化数据更为精确，避免所选定的主要节点受其余未选定的玉米病虫害节点因素的影响，从而保证所得出的玉米发生病虫害概率准确性以及精确度。
进一步，步骤c的具体步骤为：
c1、首先选用数据集G＝(PSSD，PMTP，PGT，PSUMT，PMAXT，PMINT)总结关于θ的先验概率P(θ)；
c2、已知数据集G＝(PSSD，PMTP，PGT，PSUMT，PMAXT，PMINT)和参数θ后求得各节点、各区间θ的似然函数：
L(θ|G)＝P(G|θ)；
c3、把数据集G＝(PSSD，PMTP，PGT，PSUMT，PMAXT，PMINT)的影响用似然函数L(θ|G)＝P(G|θ)进行归纳；
c4、使用贝叶斯公式：
P(G|E＝e)∝P(G)L(G|E＝e)
将先验分布和似然函数结合，得到各节点和区间θ的后验分布，即：
P(θ|G)∝P(θ)L(θ|G)
得到各节点区间的θ的贝叶斯估计P(θ|G)；
其中，PGT为在PSSD和PMTP所在区间确定后D3～D4的5cm地温所在区间的概率；PSSD为D5～D6的累计日照数的概率；PMTP为D7～D8的降水量的概率；PSUMT为D1～D2的积温的概率；PMAXT为D1～D2的平均最高气温的概率；PMINT为D1～D2的平均最低气温的概率。
进一步，步骤d中，根据贝叶斯定理，按照如下公式计算玉米虫害概率：
其中，occur为发生病情的概率。
进一步，步骤d中，经过训练的玉米病虫害预警装置计算玉米病虫害发生的概率为：
P＝(occur＝h|G)＝∫P(h，θ|G)dθ＝∫θP(θ|G)dθ。
本发明具有如下技术效果：
本发明方法综合考虑了多方面的因素，通过构建复杂的贝叶斯网络计算概率可以对玉米的病害及虫害疫情进行准确的判断及报警，可以帮助种植人员进行及时的判断及采取措施。该方法利用复杂的贝叶斯网络对发生病虫害的风险进行评估，做到最大限度的预防玉米病虫害，减少种植人员因玉米病虫造成的损失；同时，该方法可以有效规避玉米病虫害种类繁多、影响因素复杂的问题，计算得到的结果准确性和精确度高。
附图说明
图1为本发明实施例中预警分析方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
实施例1
本实施例以典型的玉米虫害玉米螟为例。玉米螟是危害玉米的主要害虫，一般年份可使玉米受害株率达到40％以上，减产10％-15％，严重年份受害株率达到70％以上，减产20％。
基于贝叶斯网络的玉米病虫害预警分析方法，按以下步骤进行：
a、构造玉米病虫害网络诊断贝叶斯网络，确定影响玉米病虫害的节点，经终端数据处理提取并筛选出主要节点；主要节点为积温：SUMT；平均最高气温：MAXT，平均最低气温：MINT，地温：GT，累计日照数：SSD，降水量：MTP；其中，SUMT由MAXT与MINT决定，MAXT与MINT为互斥节点；GT由SSD与MTP决定，SSD与MTP为互斥节点。
b、对筛选出主要节点进行离散化处理；
其具体步骤为：
b1、根据玉米螟的生活习性以及生长周期，对每个主要节点确定其时间范围并分类：由于玉米螟属于变温动物，神经系统比较原始，自身调节体温的能力较差，所以它的体温基本取决于外界环境的温度，故SUMT为3～7月；玉米螟越冬代幼虫主要利用最高气温获得较多的热量，加快其生长发育进程，故MAXT为3～7月；最低气温偏高，有利于玉米螟的发育，故MINT的3～7月；GT的时间范围为3～7月；玉米螟对光周期非常敏感，在长日照下不休眠或不滞育，日照时数多，低温和气温偏高，有利于玉米螟的发育，SSD的时间范围为2～5月；降水量大，土壤湿度大、温度低，不利于越冬代幼虫发育，故MTP的时间范围为1～6月。不同周期选择是根据玉米螟的生长期与存活期对于不同节点的习性而定。
b2、根据划分的时间范围采集每一个主要节点的值域范围：
3～7月的SUMT的值域范围为[2540～2570℃.d]；
3～7月的MAXT的值域范围为[24.1～26℃]；
3～7月的MINT的值域范围为[20.1～26℃]；
3～7月的GT的值域范围为[19.1～22℃]；
2～5月的SSD的值域范围为[1001～1300h]；
1～6月的MTP的值域范围为[51～150mm]。
b3、每个主要节点的值域划分为等宽度区间，得到处理后的离散化数据：
将3～7月的SUMT的值域范围[2540～2570℃.d]划分为三个等宽度区间，即SUMT∈[2540～2550℃.d]，SUMT∈[2551～2560℃.d]，SUMT∈[2561～2570℃.d]；
将3～7月的MAXT的值域范围[24.1～26℃]划分为两个等宽度区间，即MAXT∈[24.1～25℃]，MAXT∈[25.1～26℃]；
将3～7月的MINT的值域范围[20.1～26℃]划分为两个等宽度区间，MINT∈[20.1～23℃]，MINT∈[23.1～26℃]；
将3～7月的GT的值域范[19.1～22℃]划分为三个等宽度区间，即GT∈[19.1～20.0℃]，GT∈[20.1～21.0℃]，GT∈[21.1～22.0℃]；
将2～5月的SSD的值域范围[1001～1300h]划分为三个等宽度区间，即SSD∈[1001～1100h]，SSD∈[1101～1200h]，SSD∈[1201～1300h]；
将1～6月的MTP的值域范围[51～150mm]划分为两个等宽度区间，即MTP∈[51～100mm]，MTP∈[101～150mm]。
c、利用离散化处理后的数据对玉米病虫害的贝叶斯网络进行训练(即为流程图中的参数学习)，其具体步骤为：
c1、首先选用数据集G＝(PSSD，PMTP，PGT，PSUMT，PMAXT，PMINT)总结关于θ的先验概率P(θ)；
c2、已知数据集G＝(PSSD，PMTP，PGT，PSUMT，PMAXT，PMINT)和参数θ后求得各节点、各区间θ的似然函数：
L(θ|G)＝P(G|θ)；
c3、把数据集G＝(PSSD，PMTP，PGT，PSUMT，PMAXT，PMINT)的影响用似然函数L(θ|G)＝P(G|θ)进行归纳；
c4、使用贝叶斯公式：
P(G|E＝e)∝P(G)L(G|E＝e)
将先验分布和似然函数结合，得到各节点和区间θ的后验分布，即：
P(θ|G)∝P(θ)L(θ|G)
得到各节点区间的θ的贝叶斯估计P(θ|G)；
其中，PGT为在PSSD和PMTP所在区间确定后D3～D4的5cm地温所在区间的概率；PSSD为D5～D6的累计日照数的概率；PMTP为D7～D8的降水量的概率；PSUMT为D1～D2的积温的概率；PMAXT为D1～D2的平均最高气温的概率；PMINT为D1～D2的平均最低气温的概率。
d、根据贝叶斯定理，按照如下公式计算玉米虫害概率：
其中，occur为发生病情的概率。
经过训练的玉米病虫害预警装置计算玉米病虫害发生的概率为：
P＝(occur＝h|G)＝∫P(h，θ|G)dθ＝∫θP(θ|G)dθ。
通过上述方法，能精确有效对玉米螟病虫害的发生概率进行计算、从而发出预警，做到最大限度的预防玉米螟病虫害；本发明适用性更广、应用范围更大。
通过上述方法进行预测，遭受玉米螟病虫害的玉米受害株率相对于未使用本方法进行预测的玉米种植地，平均每亩减少到5％。
本具体实施例采用玉米螟作为玉米病虫害的一种特例，进而对本发明的技术方案进行说明；需要指出的是，本发明不仅仅是针对玉米螟这种特例的玉米病虫害的进行预警，还针对其他玉米病虫害的进行预警。
Claims (6)
1.基于贝叶斯网络的玉米病虫害预警分析方法，其特征在于：
包括以下步骤：
a、构造玉米病虫害网络诊断贝叶斯网络，确定影响玉米病虫害的节点，经终端数据处理提取并筛选出主要节点；
b、对筛选出主要节点进行离散化处理；
c、利用离散化处理后的数据对玉米病虫害的贝叶斯网络进行训练；
d、根据经过训练的玉米病虫害预警贝叶斯网络计算玉米发生病虫害的概率；
e、当计算所得出的玉米病虫害发生概率值超过指定阈值时进行预警；
所述终端数据处理采用电脑进行终端信息的采集和处理，选取最重要的节点为主要节点，保证所述主要节点为互斥节点。
2.根据权利要求1所述的基于贝叶斯网络的玉米病虫害预警分析方法，其特征在于：所述玉米病虫害的主要节点可为积温：SUMT；平均最高气温：MAXT，平均最低气温：MINT，地温：GT，累计日照数：SSD，降水量：MTP；所述SUMT由所述MAXT与MINT决定，所述MAXT与MINT为互斥节点；所述GT由所述SSD与MTP决定，所述SSD与MTP为互斥节点。
3.根据权利要求2所述的基于贝叶斯网络的玉米病虫害预警分析方法，其特征在于：所述步骤b中所述离散化处理为等宽法离散，其具体步骤为：
b1、根据玉米病虫的生活习性以及生长周期，对每个主要节点确定其时间范围并分类，其中SUMT、MAXT、MINT的时间范围∈[D1，D2]；GT的时间范围为D3～D4；SSD的时间范围为D5～D6；MTP的时间范围为D7～D8；
b2、根据划分的时间范围采集每一个主要节点的值域范围；
b3、然后将每一个值域范围{Xmin，Xmax}划分为K个区间；使每个区间的宽度都相等，为(Xmax-Xmin)/K，得到处理后的离散化数据。
4.根据权利要求3所述的基于贝叶斯网络的玉米病虫害预警分析方法，其特征在于：所述步骤c的具体步骤为：
c1、首先选用数据集G＝(PSSD，PMTP，PGT，PSUMT，PMAXT，PMINT)总结关于θ的先验概率P(θ)；
c2、已知数据集G＝(PSSD，PMTP，PGT，PSUMT，PMAXT，PMINT)和参数θ后求得各节点、各区间θ的似然函数：
L(θ|G)＝P(G|θ)；
c3、把数据集G＝(PSSD，PMTP，PGT，PSUMT，PMAXT，PMINT)的影响用似然函数L(θ|G)＝P(G|θ)进行归纳；
c4、使用贝叶斯公式：
P(G|E＝e)∝P(G)L(G|E＝e)
将先验分布和似然函数结合，得到各节点和区间θ的后验分布，即：
P(θ|G)∝P(θ)L(θ|G)
得到各节点区间的θ的贝叶斯估计P(θ︱G)；
其中，PGT为在PSSD和PMTP所在区间确定后D3～D4的5cm地温所在区间的概率；PSSD为D5～D6的累计日照数的概率；PMTP为D7～D8的降水量的概率；PSUMT为D1～D2的积温的概率；PMAXT为D1～D2的平均最高气温的概率；PMINT为D1～D2的平均最低气温的概率。
5.根据权利要求4所述的基于贝叶斯网络的玉米病虫害预警分析方法，其特征在于：所述步骤d中，根据贝叶斯定理，按照如下公式计算玉米虫害概率：
其中，occur为发生病情的概率。
6.根据权利要求5所述的基于贝叶斯网络的玉米病虫害预警分析方法，其特征在于：所述步骤d中，经过训练的玉米病虫害预警装置计算玉米病虫害发生的概率为：
P＝(occur＝h|G)＝∫P(h，θ|G)dθ＝∫θP(θ|G)dθ。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911104134.7A CN110807561A (zh) | 2019-11-13 | 2019-11-13 | 基于贝叶斯网络的玉米病虫害预警分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911104134.7A CN110807561A (zh) | 2019-11-13 | 2019-11-13 | 基于贝叶斯网络的玉米病虫害预警分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110807561A true CN110807561A (zh) | 2020-02-18 |
Family
ID=69502327
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911104134.7A Pending CN110807561A (zh) | 2019-11-13 | 2019-11-13 | 基于贝叶斯网络的玉米病虫害预警分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110807561A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113095555A (zh) * | 2021-03-31 | 2021-07-09 | 佛山一本农业科技有限公司 | 基于物联网的农作物病虫害监控方法、系统及存储介质 |
| CN116681279A (zh) * | 2023-05-25 | 2023-09-01 | 北京健卫病媒有害生物防控中心 | 一种基于数据分析的林业有害生物防治风险评估系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104102910A (zh) * | 2014-08-07 | 2014-10-15 | 吉林农业大学 | 基于时空局部模式的体育视频战术行为识别方法 |
| CN105095591A (zh) * | 2015-08-11 | 2015-11-25 | 武汉大学 | 一种多尺度城市扩张关联规则提取方法 |
| CN106202352A (zh) * | 2016-07-05 | 2016-12-07 | 华南理工大学 | 基于贝叶斯网络的室内家居风格与颜色搭配设计的方法 |
| US20170006871A1 (en) * | 2010-03-17 | 2017-01-12 | Brandeis University | Methods of identifying insect-trpa1 modulators |
| CN106339608A (zh) * | 2016-11-09 | 2017-01-18 | 中国科学院软件研究所 | 一种基于在线变分贝叶斯支持向量回归的交通事故率预测系统 |
| CN106600434A (zh) * | 2016-10-18 | 2017-04-26 | 河南省农业科学院农业经济与信息研究所 | 基于作物模型与同化技术的作物长势遥感监测方法 |
| CN109146144A (zh) * | 2018-07-26 | 2019-01-04 | 西安工程大学 | 基于改进贝叶斯网络的滑坡灾害预测方法 |
| CN109450834A (zh) * | 2018-10-30 | 2019-03-08 | 北京航空航天大学 | 基于多特征关联和贝叶斯网络的通信信号分类识别方法 |
| CN110046376A (zh) * | 2019-02-26 | 2019-07-23 | 中国西安卫星测控中心 | 一种基于贝叶斯网络的卫星姿控系统多工况健康评估方法 |
-
2019
- 2019-11-13 CN CN201911104134.7A patent/CN110807561A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170006871A1 (en) * | 2010-03-17 | 2017-01-12 | Brandeis University | Methods of identifying insect-trpa1 modulators |
| CN104102910A (zh) * | 2014-08-07 | 2014-10-15 | 吉林农业大学 | 基于时空局部模式的体育视频战术行为识别方法 |
| CN105095591A (zh) * | 2015-08-11 | 2015-11-25 | 武汉大学 | 一种多尺度城市扩张关联规则提取方法 |
| CN106202352A (zh) * | 2016-07-05 | 2016-12-07 | 华南理工大学 | 基于贝叶斯网络的室内家居风格与颜色搭配设计的方法 |
| CN106600434A (zh) * | 2016-10-18 | 2017-04-26 | 河南省农业科学院农业经济与信息研究所 | 基于作物模型与同化技术的作物长势遥感监测方法 |
| CN106339608A (zh) * | 2016-11-09 | 2017-01-18 | 中国科学院软件研究所 | 一种基于在线变分贝叶斯支持向量回归的交通事故率预测系统 |
| CN109146144A (zh) * | 2018-07-26 | 2019-01-04 | 西安工程大学 | 基于改进贝叶斯网络的滑坡灾害预测方法 |
| CN109450834A (zh) * | 2018-10-30 | 2019-03-08 | 北京航空航天大学 | 基于多特征关联和贝叶斯网络的通信信号分类识别方法 |
| CN110046376A (zh) * | 2019-02-26 | 2019-07-23 | 中国西安卫星测控中心 | 一种基于贝叶斯网络的卫星姿控系统多工况健康评估方法 |
Non-Patent Citations (7)
| Title |
|---|
| DEVIE ROSA ANAMISA 等: "Technologies. Methods, and Approaches on Detection System of Plant Pests and Diseases", 《2019 6TH INTERNATIONAL CONFERENCE ON ELECTRICAL ENGINEERING, COMPUTER SCIENCE AND INFORMATICS (EECSI)》 * |
| 战兵 等: "基于隐马尔可夫的恐怖事件预测模型", 《解放军理工大学学报(自然科学版)》 * |
| 曹丽英 等: "基于模糊本体的玉米病害诊断模型的构建", 《华南农业大学学报》 * |
| 毕春光 等: "基于专家知识的玉米病虫害贝叶斯网络的构建", 《中国农机化学报》 * |
| 温长吉: "行为识别中特征提取和描述相关问题研究", 《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》 * |
| 赵玉霞 等: "贝叶斯方法在玉米叶部病害图像识别中的应用", 《计算机工程与应用》 * |
| 高霞 等: "创建基于贝叶斯分类的农作物病虫害等级预测模型", 《第26届中国气象学会年会农业气象防灾减灾与粮食安全分会场论文集》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113095555A (zh) * | 2021-03-31 | 2021-07-09 | 佛山一本农业科技有限公司 | 基于物联网的农作物病虫害监控方法、系统及存储介质 |
| CN113095555B (zh) * | 2021-03-31 | 2024-01-23 | 容城县爱家卫生用品有限公司 | 基于物联网的农作物病虫害监控方法、系统及存储介质 |
| CN116681279A (zh) * | 2023-05-25 | 2023-09-01 | 北京健卫病媒有害生物防控中心 | 一种基于数据分析的林业有害生物防治风险评估系统 |
| CN116681279B (zh) * | 2023-05-25 | 2024-04-19 | 北京健卫病媒有害生物防控中心 | 一种基于数据分析的林业有害生物防治风险评估系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Falk et al. | Computer vision and machine learning enabled soybean root phenotyping pipeline | |
| US11632920B2 (en) | Methods for identifying crosses for use in plant breeding | |
| Aggarwal | Uncertainties in crop, soil and weather inputs used in growth models: Implications for simulated outputs and their applications | |
| Sciarresi et al. | Plant traits to increase winter wheat yield in semiarid and subhumid environments | |
| Dong et al. | Spatio-temporal changes in annual accumulated temperature in China and the effects on cropping systems, 1980s to 2000 | |
| Wen et al. | In situ evaluation of stalk lodging resistance for different maize (Zea mays L.) cultivars using a mobile wind machine | |
| Chiu et al. | Modelling and forecasting of greenhouse whitefly incidence using time-series and ARIMAX analysis | |
| US10768156B1 (en) | Yield analysis through agronomic analytics | |
| CN110807561A (zh) | 基于贝叶斯网络的玉米病虫害预警分析方法 | |
| Tirado et al. | Utilizing temporal measurements from UAVs to assess root lodging in maize and its impact on productivity | |
| CN115983509B (zh) | 基于物联网的智慧农业用布局管理系统及方法 | |
| Landl et al. | Measuring root system traits of wheat in 2D images to parameterize 3D root architecture models | |
| CN109871833A (zh) | 一种基于深度学习卷积神经网络的农作物成熟度监控方法 | |
| CN116401882A (zh) | 基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法 | |
| Piñera-Chavez et al. | Optimizing phenotyping methods to evaluate lodging risk for wheat | |
| CN116629117A (zh) | 一种基于网格化监测的农作物病害发生面积预测方法 | |
| JP6570929B2 (ja) | 特性推定モデル生成装置および方法、解析対象の特性推定装置および方法 | |
| CN116778477B (zh) | 一种基于图像处理的玉米果穗性状指标计算方法 | |
| KR101149765B1 (ko) | 벼 이삭도열병에 의한 피해수준 추정방법 | |
| CN116662784B (zh) | 一种耕地质量监测方法及系统 | |
| Rangarajan | Exploring the root phenome: simulation modeling with a functional structural plant model | |
| CN115099071B (zh) | 一种生产力预测不确定性计算方法、系统及装置 | |
| CN117893914B (zh) | 一种基于图像识别的植物生长监测方法及系统 | |
| Gupta et al. | Investigations on drought stress detection technique for wheat crop using image processing | |
| CN108805731A (zh) | 一种农作物田蛴螬发生数量的调查取样技术 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |