CN112580703B - 一种三七病害高发期发病率预测方法 - Google Patents

一种三七病害高发期发病率预测方法 Download PDF

Info

Publication number
CN112580703B
CN112580703B CN202011437472.5A CN202011437472A CN112580703B CN 112580703 B CN112580703 B CN 112580703B CN 202011437472 A CN202011437472 A CN 202011437472A CN 112580703 B CN112580703 B CN 112580703B
Authority
CN
China
Prior art keywords
model
random forest
incidence
pseudo
ginseng
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.)
Active
Application number
CN202011437472.5A
Other languages
English (en)
Other versions
CN112580703A (zh
Inventor
杨启良
熊凯
周平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunnan Xingzhi Synergetic Agricultural Technology Co ltd
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202011437472.5A priority Critical patent/CN112580703B/zh
Publication of CN112580703A publication Critical patent/CN112580703A/zh
Application granted granted Critical
Publication of CN112580703B publication Critical patent/CN112580703B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Mining & Mineral Resources (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Databases & Information Systems (AREA)

Abstract

本发明涉及一种三七病害高发期发病率预测方法，属于三七种植领域，所述的方法其步骤是：通过波文比采集连续三七田两年里的5‑9月中气象因子作为总样本；再随机选取全部样本的75%作为训练集；将全部样本所剩的25%作为测试集，随后获得一个基于随机森林训练中的最佳预测模型；然后利用梯度下降算法在随机森林训练的模型基础上进一步优化模型，梯度下降算法的学习率为0.01、迭代次数为400次，对第c个随机森林模型，计算目标函数关于
Figure 158306DEST_PATH_IMAGE001
的负梯度，作为第c个随机森林模型的目标函数值，当第c‑1个随机森林模型中第i个样本的残差收敛时，可获得一个基于气象因子的三七病害预测模型，从而实现对三七发病率的预测。

Description

一种三七病害高发期发病率预测方法
技术领域
本发明属于三七病虫害防治领域，更具体的说涉及一种三七病害高发期发病率预测方法。
背景技术
三七(Panax notoginseng)是五加科人参属多年生草本植物，是云南白药气血康、云南白药膏等的主要成分，广泛分布于云南和广西等地。三七生长喜阴湿环境，但其生长环境对水分比较苛刻，过低的土壤水分不利于三七的生长，过高的土壤水分、空气湿度与温度容易滋生病害，每年6-8月为集中降雨期，亦为三七病害高发期。因此，研究三七病害高发期气象数据特征，获得三七病害与田间气象因子之间的关系，对三七病害的绿色防控具有重要意义。
尽管前人研究围绕光强、相对空气湿度、土壤温度与三七发病率之间的关系进行了定性描述，但降雨会改变土壤的温度和热通量、大气温湿度和太阳辐射等气象环境条件，现有研究并没有围绕气象因子进行系统的定量分析和评价。
发明内容
本发明提供一种三七病害高发期发病率预测方法，将气象因子与作物病害间的关系进行定量的研究和评价，为降低三七病害的设施环境调控和病害预警提供理论依据和技术支持。
为了解决上述问题，本发明是采用一下技术方案实现的：
(1)采集连续三七田两年里的5-9月中气象因子总样本，气象因子样本数据每0.5h采集1次，气象因子包括太阳净辐射(W/m2)，棚内温度(℃)，棚内湿度(％)，棚内土壤热通量(W/m2)，棚内饱和水蒸气压(kpa)，土壤温度(℃)，三七冠层上方温度(℃)，三七冠层上方湿度(％)，三七冠层上方土壤热通量(W/m2)，三七冠层上方饱和水蒸气压(kpa)，其分别记为X1＝{X11,X12,…,X1i}、X2＝{X21,X22,…,X2i}、X3＝{X31,X32,…,X3i}、X4＝{X41,X42,…X4i}、X5＝{X51,X52,…X5i}、X6＝{X61,X62,…,X6i}、X7＝{X71,X72,…,X7i}、X8＝{X81,X82,…,X8i}、X9＝{X91,X92,…,X9i}。(2)：对所采集数据进行随机森林训练，随机森林的最大节点数、最大树深度、最小子节点数、模型数量分别选取为1000、10、5和100，通过自助法从训练集中有放回的采样得到构建100棵树所需的100个子集即100个子模型，每个模型目标函数均为：
Figure BDA0002821273080000021
式中，m为样本个数，f(θi)为第i的三七样本的森林随机模型预测值，h(θi)为第i的三七样本的森林随机模型最佳预测值，yi为第i的三七样本的真实发病率。(3)：为进一步保证预测模型的可靠性和稳定性，所以引入集成学习的概念如式所示：
Figure BDA0002821273080000022
式中，FC(θ)由100个随机森林基础学习模型机模型线性组合而成，fc(θn)为第c个随机森林基础学习机模型，αc为第c个随机森林基础学习机模型的权重，因每个随机森林模型的本质是降低方差，故所有权重αc记为1，c＝1，2，…，100为随机森林模型，θn为系数项。(4)：利用梯度下降算法在随机森林训练的模型基础上，进一步优化模型。梯度下降算法的学习率为0.01、迭代次数为400次。定义模型训练的目标函数，采用平方误差函数如式所示：
Figure BDA0002821273080000023
式中：E为平方误差。(5)：再根据梯度下降算法，对第c个随机森林模型，计算目标函数关于FC-1(θ)的负梯度，作为第c个随机森林模型的目标函数值，如式所示：
Figure BDA0002821273080000024
式中，
Figure BDA0002821273080000025
为第c-1个随机森林模型中第i个样本的残差。(6)：当
Figure BDA0002821273080000026
收敛时，即梯度下降的代价函数为J(θ0,θ1…,θn)收敛，J(θ0,θ1…,θn)表示计算输出结果即经梯度下降优化后的预测三七发病率与三七真实发病率间的误差。该函数值越小表示预测值与真实值间误差越小，J(θ0,θ1…,θn)如式(8)所示：
Figure BDA0002821273080000027
式中，式中
Figure BDA0002821273080000028
为训练集中第0个特征的第i个三七样本，其中x0＝1，θ0,θ1…θn为系数项，也称作权重，表示特征对于预测值的影响大小，用
Figure BDA0002821273080000029
表示最终优化模型。
所述步骤(1)中，未将三七病害高发期边界月份(逐年的5月和9月)的气象因子和三七发病率的数据作为噪点删除。
所述步骤(1)中，将每个气象因子进行1次标准归一化，以使不同气象因子间的量纲等价，且每个维度均服从均值为0、方差为1的正态分布，标准归一化定义如式所示：
Figure BDA0002821273080000031
式中，X为样本值，X′表示标准化后的样本值，
Figure BDA0002821273080000032
为样本均值，σ为样本数据的标准差。
所述步骤(2)中，三七高发期发病率在三七试验基地中随机选取30个1m×1m的区域进行统计，每5d统计1次，共计300个，每个区域的发病率为该区域发病植株数与总植株数之比，未实际统计的发病率由参数估计补齐，补齐后共计7200个。随机选取全部样本的75％作为训练集；将全部样本所剩的25％作为测试集。
所述步骤(2)中，从规模为10的特征变量集中随机选择5个变量，对于回归，采用均方差作为节点分裂标准，递归执行选取最优分枝的操作，最终获得一个基于随机森林训练的最佳预测模型。
本发明有益效果：
1)在本发明中，将数据经过随机森林构建模型后，在此基础上再用梯度下降算法进行模型优化，具有较强的非线性模拟能力、泛化能力，可以减少人为主观因素的干扰，避免传统拟合方式带来欠拟合的问题，
2)能够处理连续型、非线性变量且能较好的容忍异常值和噪声，能生成多个分类器模型，各自独立地学习和做出预测，最后结合成单预测，优于任何一个单分类的做出预测，具有相对高效而准确，
3)大幅度提高代价函数收敛速度，降低偏差，与传统上建立单个或多个气象因子回归方程的预报方法有明显区别，所构建模型能够更好地预测三七病害高发期发病率变化规律。
附图说明
图1为梯度下降算法图。
具体实施方式
为了便于本领域一般技术人员理解和实现本发明，现结合附图及具体实施例进一步描述本发明的技术方案。
实施例一、
在三七地中安装1000型波文比观测系统，连续测量三七田两年里的5-9月中气象因子总样本，气象因子样本数据每0.5h采集1次，包括太阳净辐射(W/m2)，棚内温度(℃)，棚内湿度(％)，棚内土壤热通量(W/m2)，棚内饱和水蒸气压(kpa)，土壤温度(℃)，三七冠层上方温度(℃)，三七冠层上方湿度(％)，三七冠层上方土壤热通量(W/m2)，三七冠层上方饱和水蒸气压(kpa)。三七高发期发病率在三七地中随机选取30个1m×1m的区域进行统计，在30个区域内计算得5组加权平均数，每5d统计1次，共计300个，每个区域的发病率为该区域发病植株数与总植株数之比，未实际统计的发病率由参数估计补齐，补齐后共计7200个。随机选取全部样本的75％作为训练集；将全部样本所剩的25％作为测试集。
因无法直接判断试验样本中气象因子与三七发病率之间是否存在多元共线性的问题，随机森林对多元共线性并不敏感，为此首先进行主效应分析(Principal ComponentsAnalysis,PCA)处理，为获得不同气象因子间的皮尔逊相关系数的大小，将任意一个指标(气象因子或发病率)记为变量X，将另一任意指标记为变量Y进行PCA处理，重复该步骤，至到获得所有指标两两之间的皮尔逊相关系数为止。通过主效应分析后，通过皮尔逊相关系数的大小可以反应出不同气象因子对三七病害影响的权重大小，是否有高度共线性关系以及不同气象因子间的共线性程度，皮尔逊相关系数"r(X,Y)"的取值范围为[-1,1]，取值在(0，1]间表示取值越大正相关性越强，取值在[-1,0)间取值越小负相关性越大，0值表示无相关。评价指标如下式所示。
Figure BDA0002821273080000041
式中Cov(X,Y)为X与Y的协方差，Var(X)为X的方差，Var(Y)为Y的方差。
对所采集数据进行随机森林训练，随机森林的最大节点数、最大树深度、最小子节点数、模型数量分别选取为1000、10、5和100，通过自助法从训练集中有放回的采样得到构建100棵树所需的100个子集即100个子模型，每个模型目标函数均为：
Figure BDA0002821273080000051
式中，m为样本个数，f(θi)为第i的三七样本的森林随机模型预测值，h(θi)为第i的三七样本的森林随机模型最佳预测值，yi为第i的三七样本的真实发病率。
引入集成学习的概念如式所示：
Figure BDA0002821273080000052
式中，FC(θ)由100个随机森林基础学习模型机模型线性组合而成，fc(θn)为第c个随机森林基础学习机模型，αc为第c个随机森林基础学习机模型的权重，因每个随机森林模型的本质是降低方差，故所有权重αc记为1，c＝1，2，…，100为随机森林模型，θn为系数项。从规模为10的特征变量集中随机选择5个变量，对于回归，采用均方差作为节点分裂标准，递归执行选取最优分枝的操作，最终获得一个最佳的初始预测模型。
此时将测试集用于验证其习得模型性能，试验结果表明均方根误差(RMSE)为0.23，与真实值间的误差较小，表示模型拟合较好，预测效果可以被信赖，由模型预测的三七病害高发期发病率如下表所示。表中置信下限存在负值，表示负值越大，预测三七发病的可能性越低，从而将负值部分取倒数的绝对值后记为正值发病率，置信上限存在＞100％的情况，发病率超出100％越多，表示预测三七发病的可能性越大，故将其记为100％。由该表可知，预测发病率为[5,25)的频率<500次，而预测发病率为[60,80)的频率>1500次，这与三七病植株病害从侵入期到高发期感染其他植株的速度呈指数增长的现象一致
Figure BDA0002821273080000061
利用梯度下降算法在随机森林训练的模型基础上，进一步优化模型。梯度下降算法的学习率为0.01、迭代次数为400次。定义模型训练的目标函数，采用平方误差函数如式所示：
Figure BDA0002821273080000062
式中：E为平方误差。
再根据梯度下降算法，对第c个随机森林模型，计算目标函数关于FC-1(θ)的负梯度，作为第c个随机森林模型的目标函数值，如式所示：
Figure BDA0002821273080000063
式中，
Figure BDA0002821273080000064
为第c-1个随机森林模型中第i个样本的残差。
当
Figure BDA0002821273080000065
收敛时，即梯度下降的代价函数为J(θ0，θ1…，θn)收敛，J(θ0，θ1…，θn)表示计算输出结果即经梯度下降优化后的预测三七发病率与三七真实发病率间的误差。该函数值越小表示预测值与真实值间误差越小，J(θ0，θ1…，θn)如式(8)所示：
Figure BDA0002821273080000071
式中，式中
Figure BDA0002821273080000072
为训练集中第0个特征的第i个三七样本，其中x0＝1，θ0，θ1…θn为系数项，也称作权重，表示特征对于预测值的影响大小，用
Figure BDA0002821273080000073
表示最终优化模型。
此时将随机森林的每个输出模型导入梯度下降算法，迭代N次至代价函数收敛(由下图1可知N＝200)，此时可得使代价函数收敛的系数项θ值，此时代价函数J(θ0，θ1…，θn)值为241.003，即优化后的模型预测的三七发病率与三七真实发病率间相差1.5％。将通过梯度下降算法的集合学习的预测函数计算输出结果fθ(x)即预测公式写为：
Figure BDA0002821273080000074
式中x1为太阳净辐射，x2为三七棚内温度，x3为三七棚内湿度，x4为三七棚内土壤热通量，x5为土壤温度，x6为三七冠层上方的温度，x7为三七冠层上方的湿度，x8为三七冠层上方的土壤热通量，x9为棚内的饱和水蒸气压，x10为三七冠层上方的饱和水蒸气压。
在进行田间试验测试时，模型优化后的预测发病率与三七真实发病率间相差1.5％，表明所构建模型能够较好地预测三七病害高发期发病率变化规律，这为定性、定量分析气象因子病害与三七病害之间的关系以及三七病害高发期的病害预测提供了较优的思路和方法，可为降低三七病害的设施环境调控和智能化管理提供理论依据和技术支持，在处理由于该地区气象指标在时间分布上不具备明显的决策边界、连续且非线性、单个指标在数值上具有明显的重叠性的问题上具有较好的性能。
此外，虽然本说明书按照实施方法加以描述，但具体实施方式并非仅包含这一个独立的技术方案，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (5)

1.一种三七病害高发期发病率预测方法，其特征在于，所述的预测方法步骤如下：
步骤1.连续几年采集三七田5-9月中的气象因子数据，气象因子数据每0.5h采集1次；
步骤2.将步骤1数据分为训练集和测试集，对训练集数据进行随机森林训练；
步骤3.将每一个随机森林作为基础学习机模型，累加获得一个集成学习机模型；
步骤4.建立最终优化预测模型；
步骤5.将待测定的气象因子数据带入步骤4所得到的最终优化预测模型中，得出对应时间的三七预测发病率，从而在三七病害的高发期前进行防治；
所述的步骤1详细方法如下：连续几年采集三七田5-9月中的气象因子数据，气象因子数据每0.5h采集1次，气象因子包括太阳净辐射、棚内温度、棚内湿度、棚内土壤热通量、棚内饱和水蒸气压、土壤温度、三七冠层上方温度、三七冠层上方湿度、三七冠层上方土壤热通量、三七冠层上方饱和水蒸气压，并分别记为X1＝{X11,X12,…,X1i}、X2＝{X21,X22,…,X2i}、X3＝{X31,X32,…,X3i}、X4＝{X41,X42,…X4i}、X5＝{X51,X52,…X5i}、X6＝{X61,X62,…,X6i}、X7＝{X71,X72,…,X7i}、X8＝{X81,X82,…,X8i}、X9＝{X91,X92,…,X9i}、X10＝{X101,X102,…,X10i}；
同时连续几年采集三七田5-9月的三七发病率数据；
所述的步骤2详细方法如下：
将步骤1数据分为训练集和测试集，对训练集数据进行随机森林训练，随机森林的最大节点数、最大树深度、最小子节点数、模型数量分别选取为1000、10、5和100，通过自助法从训练集中有放回的采样得到构建n棵树所需的n个子集即n个子模型，n≥50，从气象因子中随机选择5个因子，采用均方差作为节点分裂标准，递归执行选取最优分枝的操作，获得一个最佳的随机森林模型输出；
每个模型目标函数均为：
Figure FDA0003659147880000011
式中，m为样本个数，f(θi)为第i的三七样本的森林随机模型预测值，yi为第i的三七样本的真实发病率；
每个随机森林子模型的性能评价指标为均方根误差(Root Mean Square Error,RMSE)，评价指标如下式所示：
Figure FDA0003659147880000021
式中，h(θi)为第i的三七样本的森林随机模型最佳预测值；
当RMSE收敛时，获得第n个随机森林子模型的最优初始模型；
所述的步骤3详细方法如下：将每一个随机森林作为基础学习机模型，累加获得一个集成学习机模型，如下式所示
Figure FDA0003659147880000022
式中，FC(θ)由100个随机森林基础学习模型机模型线性组合而成，fc(θn)为第c个随机森林基础学习机模型，αc为第c个随机森林基础学习机模型的权重，因每个随机森林模型的本质是降低方差，故所有权重αc记为1，c＝1，2，…，100为随机森林模型，θn为系数项；
通过随机森林拟合已经将数据降维，使训练集样本量和模型复杂度相匹配，训练集和测试集的特征分布均匀，这弥补了梯度下降算法局限处，利用梯度下降算法在随机森林训练的模型基础上，进一步优化模型，梯度下降算法的学习率为
Figure FDA0003659147880000026
迭代次数为N次，N≥50；定义模型训练的目标函数，采用平方误差函数如式所示：
Figure FDA0003659147880000023
式中：E为平方误差；
再根据梯度下降算法，对第C个随机森林模型，计算目标函数关于FC-1(θ)的负梯度，作为第c个随机森林模型的目标函数值，如式所示：
Figure FDA0003659147880000024
式中，
Figure FDA0003659147880000025
为第c-1个随机森林模型中第i个样本的残差；
所述的步骤4详细方法如下：当
Figure FDA0003659147880000031
收敛时，即梯度下降的代价函数为J(θ0,θ1…,θn)收敛，J(θ0,θ1…,θn)表示计算输出结果，即经梯度下降优化后的预测三七发病率与三七真实发病率间的误差，该函数值越小表示预测值与真实值间误差越小，J(θ0,θ1…,θn)如下式所示：
Figure FDA0003659147880000032
式中，式中
Figure FDA0003659147880000033
为训练集中第0个特征的第i个三七样本，其中x0＝1，θ0,θ1…θn为系数项，也称作权重，表示特征对于预测值的影响大小，用
Figure FDA0003659147880000034
表示最终优化预测模型；
此时可以将
Figure FDA0003659147880000035
改写为：fθ(x)＝C+ax1+bx2+cx3+dx4+ex5+fx6+gx7+hx8+jx9+kx10
式中C为常数项，x1为太阳净辐射，x2为三七棚内温度，x3为三七棚内湿度，x4为三七棚内土壤热通量，x5为土壤温度，x6为三七冠层上方的温度，x7为三七冠层上方的湿度，x8为三七冠层上方的土壤热通量，x9为棚内的饱和水蒸气压，x10为三七冠层上方的饱和水蒸气压，a,b,c,d,e,f,g,h,j,k分别为所对应的气象因子的权重。
2.根据权利要求1所述的一种三七病害高发期发病率预测方法，其特征在于：步骤1中未将三七病害高发期边界月份5月、9月的气象因子和三七发病率的数据作为噪点删除。
3.根据权利要求2所述的一种三七病害高发期发病率预测方法，其特征在于：步骤1中将每个气象因子进行1次标准归一化，以使不同气象因子间的量纲等价，且每个维度均服从均值为0、方差为1的正态分布，标准归一化定义如式所示：
Figure FDA0003659147880000036
式中，X为样本值，X'表示标准化后的样本值，
Figure FDA0003659147880000037
为样本均值，σ为样本数据的标准差。
4.根据权利要求1所述的一种三七病害高发期发病率预测方法，其特征在于：所述步骤2中，从规模为10的特征变量集中随机选择5个变量，对于回归，采用均方差作为节点分裂标准，递归执行选取最优分枝的操作获得一个最佳的随机森林模型输出。
5.根据以上任意一条权利要求所述的一种三七病害高发期发病率预测方法，其特征在于：三七发病率数据是在三七田中随机选取若干个区域进行统计，每间隔几天统计1次，每个区域的发病率为该区域发病植株数与总植株数之比，为使发病率采集频率与气象因子采集频率对应，未实际统计的发病率由参数估计补齐。
CN202011437472.5A 2020-12-07 2020-12-07 一种三七病害高发期发病率预测方法 Active CN112580703B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011437472.5A CN112580703B (zh) 2020-12-07 2020-12-07 一种三七病害高发期发病率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011437472.5A CN112580703B (zh) 2020-12-07 2020-12-07 一种三七病害高发期发病率预测方法

Publications (2)

Publication Number Publication Date
CN112580703A CN112580703A (zh) 2021-03-30
CN112580703B true CN112580703B (zh) 2022-07-05

Family

ID=75131153

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011437472.5A Active CN112580703B (zh) 2020-12-07 2020-12-07 一种三七病害高发期发病率预测方法

Country Status (1)

Country Link
CN (1) CN112580703B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102487762A (zh) * 2011-12-08 2012-06-13 李娟� 植物病害预警装置
CN107644274A (zh) * 2017-09-30 2018-01-30 湖南省烟草公司郴州市公司 基于大气候数据的烟草野火病气象预测预报方法
CN109346177A (zh) * 2018-09-10 2019-02-15 昆明理工大学 一种基于改进ga-bp算法的疾病症状数量预测方法
CN109408774A (zh) * 2018-11-07 2019-03-01 上海海事大学 基于随机森林和梯度提升树的预测污水出水指标的方法
CN109991944A (zh) * 2019-04-03 2019-07-09 安徽中科智能感知产业技术研究院有限责任公司 一种分布式农业植保网络服务系统
CN110400610A (zh) * 2019-06-19 2019-11-01 西安电子科技大学 基于多通道随机森林的小样本临床数据分类方法及系统
CN110443420A (zh) * 2019-08-05 2019-11-12 山东农业大学 一种基于机器学习的作物产量预测方法
CN111243676A (zh) * 2020-03-10 2020-06-05 南京农业大学 一种基于高通量测序数据的枯萎病发病预测模型及应用

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170161560A1 (en) * 2014-11-24 2017-06-08 Prospera Technologies, Ltd. System and method for harvest yield prediction
CA3116881A1 (en) * 2018-10-19 2020-04-23 The Climate Corporation Detecting infection of plant diseases by classifying plant photos

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102487762A (zh) * 2011-12-08 2012-06-13 李娟� 植物病害预警装置
CN107644274A (zh) * 2017-09-30 2018-01-30 湖南省烟草公司郴州市公司 基于大气候数据的烟草野火病气象预测预报方法
CN109346177A (zh) * 2018-09-10 2019-02-15 昆明理工大学 一种基于改进ga-bp算法的疾病症状数量预测方法
CN109408774A (zh) * 2018-11-07 2019-03-01 上海海事大学 基于随机森林和梯度提升树的预测污水出水指标的方法
CN109991944A (zh) * 2019-04-03 2019-07-09 安徽中科智能感知产业技术研究院有限责任公司 一种分布式农业植保网络服务系统
CN110400610A (zh) * 2019-06-19 2019-11-01 西安电子科技大学 基于多通道随机森林的小样本临床数据分类方法及系统
CN110443420A (zh) * 2019-08-05 2019-11-12 山东农业大学 一种基于机器学习的作物产量预测方法
CN111243676A (zh) * 2020-03-10 2020-06-05 南京农业大学 一种基于高通量测序数据的枯萎病发病预测模型及应用

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
《Origin identification of Panax notoginseng by multi-sensor information fusion strategy of infrared spectra combined with random forest》;YuhouZhou等;《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》;20200229;第226卷(第5期);第1-10页 *
《农业主要病害检测与预警技术研究进展分析》;王翔宇;《农业机械学报》;20160713;第47卷(第09期);第266-277页 *
《基于病害高发期气象因子的三七病害发生率预测》;熊凯 等;《农业工程学报》;20201223;第36卷(第24期);第170-176页 *
《烟田土壤微生物特征及与青枯病发生关系研究》;林书震;《中国优秀硕士学位论文全文数据库 基础科学辑》;20190715(第07期);第A006-615页 *
《营养生长期亏缺灌溉对三七生长及根区微环境的影响》;赵凇仪 等;《湖南农业大学学报(自然科学版)》;20190130;第45卷(第01期);第92-96页 *

Also Published As

Publication number Publication date
CN112580703A (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
CN112906298B (zh) 一种基于机器学习的蓝莓产量预测方法
WO2023179167A1 (zh) 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法
CN111080173B (zh) 一种森林系统碳通量的估计方法
CN110119169B (zh) 一种基于最小向量机的番茄温室温度智能预警系统
CN110119767B (zh) 一种基于lvq神经网络的黄瓜温室温度智能化检测装置
CN110069032B (zh) 一种基于小波神经网络的茄子温室环境智能检测系统
Irawan et al. Intelligent Irrigation Water Requirement System Based on Artificial Neural Networks and Profit Optimization for Planning Time Decision Making of Crops in Lombok Island
CN116451823A (zh) 一种基于气象主控因子的苹果产量预测方法
CN112580703B (zh) 一种三七病害高发期发病率预测方法
CN109934400B (zh) 基于改进神经网络的集雨调亏作物需水量预测方法
CN117455062A (zh) 一种基于多源异构农业数据的农作物产量预测算法
Viola et al. Olive yield and future climate forcings
CN117520783A (zh) 作物产量的预测方法
CN112084462B (zh) 一种基于数字图像的作物氮素营养指标估算模型评价方法
CN114444399A (zh) 一种基于XGBoost的温室滴灌番茄腾发量计算方法
Wang et al. Application of grey systems in predicting the degree of cotton spider mite infestations
Davidson et al. Rate of shoot development (phyllochron) is dependent of carbon availability, shoot type, and rank in peach trees
Ribeiro et al. A bioclimatic model for forecasting olive yield
CN116562446A (zh) 一种作物产量估算方法、系统、设备及介质
CN113762773B (zh) 一种灾害监测预报的关联定位分解方法及系统
Mani et al. A framework for plant growth analysis and simulation using data analysis techniques
CN117172385B (zh) 一种甘蔗高糖度收获期预测方法及系统
Kader et al. Urban Farming Growth Monitoring System Using Artificial Neural Network (ANN) and Internet of Things (IOT)
CN115796384B (zh) 用于小麦面包品质预测的系统
CN115907178B (zh) 一种净生态系统co2交换量的预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240201

Address after: 650000 Kunming, Yunnan Province, China (Yunnan) pilot Free Trade Zone, Kunming area, economic development zone, No. 413, floor 4, building C, times wealth creation center, No. 3, Jingkai Road, Kunming Area

Patentee after: Yunnan Xingzhi synergetic Agricultural Technology Co.,Ltd.

Country or region after: China

Address before: No. 727, Jingming South Road, Chenggong District, Kunming City, Yunnan Province, 650093

Patentee before: Kunming University of Science and Technology

Country or region before: China