CN113313287B - 一种灰飞虱种群数量短期预测模型的构建方法 - Google Patents
一种灰飞虱种群数量短期预测模型的构建方法 Download PDFInfo
- Publication number
- CN113313287B CN113313287B CN202110445434.2A CN202110445434A CN113313287B CN 113313287 B CN113313287 B CN 113313287B CN 202110445434 A CN202110445434 A CN 202110445434A CN 113313287 B CN113313287 B CN 113313287B
- Authority
- CN
- China
- Prior art keywords
- laodelphax striatellus
- short
- total
- striatellus
- laodelphax
- 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
Links
- 241001470017 Laodelphax striatella Species 0.000 title claims abstract description 131
- 238000010276 construction Methods 0.000 title claims abstract description 8
- 241000209094 Oryza Species 0.000 claims abstract description 23
- 235000007164 Oryza sativa Nutrition 0.000 claims abstract description 23
- 235000009566 rice Nutrition 0.000 claims abstract description 23
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 14
- 238000011835 investigation Methods 0.000 claims abstract description 12
- 241000238631 Hexapoda Species 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 15
- 241001466042 Fulgoromorpha Species 0.000 claims description 9
- 230000008020 evaporation Effects 0.000 claims description 9
- 238000001704 evaporation Methods 0.000 claims description 9
- 238000001556 precipitation Methods 0.000 claims description 9
- 241001470016 Laodelphax Species 0.000 claims description 6
- 241000819999 Nymphes Species 0.000 claims description 6
- 241001498622 Cixius wagneri Species 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000011217 control strategy Methods 0.000 abstract description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 241000700605 Viruses Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000001617 migratory effect Effects 0.000 description 2
- 241000258937 Hemiptera Species 0.000 description 1
- 241001674048 Phthiraptera Species 0.000 description 1
- 241000206609 Porphyra Species 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
- 230000014599 transmission of virus 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
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种灰飞虱种群数量短期预测模型的构建方法，该构建方法根据调查当地水稻生育期灰飞虱成虫、若虫种群数量以及调查期间当地每天的气象参数为依据，利用数据挖掘软件筛选出影响田间灰飞虱总虫量的关键因子，再利用数据分析软件构建单因子‑灰飞虱总虫量关系函数，通过整合单因子关系函数，利用曲线拟合软件快速建立水稻全生育期灰飞虱种群短期数量预测模型，从而为灰飞虱的精准防治策略制定奠定基础。
Description
技术领域
本发明涉及一种灰飞虱种群数量短期预测模型的构建方法，属于农业害虫防治领域。
背景技术
灰飞虱是半翅目飞虱科害虫，可为害水稻、玉米、小麦等多种禾本科作物，在我国多地，尤其是江淮稻区发生严重，其传毒常造成水稻减产3成，甚至绝收。栽培措施、品种、气象因素等对灰飞虱种群数量具有不同程度的影响，提前预知灰飞虱种群数量变化，是进行精准防控的关键。
目前灰飞虱种群数量动态预测方法有以下几种。一是根据灰飞虱种群生命表和气象数据，预测未来长时间跨度内越冬后灰飞虱出现时间和一年中灰飞虱发生代数，或采用等软件预测成虫羽化时间。二是根据灰飞虱越冬虫量、气象因子等预测越冬后第一代灰飞虱发生期或数量。三是根据灰飞虱有效积温和每日气温，估计其迁入时间和迁入量。其中前两种预测方法是在不同时间尺度上，预测越冬后第一代灰飞虱的发生情况或全年发生代数，第三种预测方法主要针对灰飞虱的迁飞。第一代灰飞虱在传播水稻RSV等病毒病中具有重要作用，对一代灰飞虱发生时期和发生量的预测有助于灰飞虱传播的水稻病毒病的防控，但是灰飞虱在我国每年发生4-8代(北方稻区每年一般发生4～5代，江苏、上海等长江流域每年一般发生5～6代，福建、广东等南方稻区每年一般发生7～8代)，且绝大部分世代在水稻上完成。除传播病毒病外，灰飞虱本身也以成若虫刺吸水稻造成危害，严重时产生虱烧。因此预测水稻全生育期一代以外灰飞虱虫量的实时变化对制定针对性防治策略，精准防治该害虫十分必要。此外，灰飞虱为兼性迁飞害虫，其虫源一般以本地虫源为主，因此对本地虫量的预测显得更为重要。因此急需建立一种灰飞虱种群数量短期预测模型，从而制定精准防治策略。
发明内容
发明目的：本发明的目的是提供一种灰飞虱种群数量短期预测模型的构建方法。
技术方案：本发明所述一种灰飞虱种群数量短期预测模型的构建方法，包括以下步骤：
(1)调查当地水稻生育期灰飞虱种群数量，获得水稻全生育期田间灰飞虱雌成虫数量、灰飞虱若虫数量和灰飞虱总虫量；
(2)根据当地每天的气象参数值，以灰飞虱调查时间为节点，计算对应的各气象参数的平均值；
(3)将各气象参数平均值输入数据挖掘软件，以灰飞虱总虫量为目标，采用特征选择算法计算ρ值；
数据挖掘软件可以采用IBM SPSS Modeler、MATLAB、RapidMiner、Oracle DataMining、Teradata、Smartbi Mining、Framed Data、Kaggle或Rattle软件等。
(4)根据ρ值筛选出多个关键气象因子，采用数据分析软件计算多个关键气象因子间的相关系数；
数据分析软件可以采用统计产品与服务解决方案软件(Statistical Productand Service Solutions，即SPSS)、SAS、DPS、Excel或Minitab软件等。
(5)利用曲线拟合软件建立灰飞虱若虫-灰飞虱总虫量关系曲线方程f(xi)＝xi/(a1+a2*xi+a3*Sqrt(xi)、灰飞虱雌成虫-灰飞虱总虫量关系曲线方程f(xf)＝Tan(a4*xf+a5)，其中a1-a5为系数，xi表示灰飞虱若虫数量，xf表示灰飞虱雌成虫数量，f(xi)和f(xf)为灰飞虱总虫量。
(6)根据相关系数计算结果，在显著相关的同类因子中选用ρ值最大的因子作为关键气象因子，利用曲线拟合软件建立关键气象因子-灰飞虱总虫量关系曲线方程f(xm)＝a6/(1+(ln(xm)-a7)/a8)2)，其中a6-a8为系数，xm表示关键气象因子参数，f(xm)为灰飞虱总虫量。
(7)利用步骤(5)和(6)建立的关系曲线方程，赋予每个关系曲线方程权重系数p，再加上常数b和c，建立灰飞虱种群数量短期预测模型方程即f(x)＝(p1*f(xi)+p2*f(xf)+p3*f(xm)*+b)*x+c，其中f(x)为灰飞虱短期数量预测值，x为当前调查灰飞虱总虫量，f(xi)为步骤(5)建立的灰飞虱若虫-灰飞虱总虫量的关系曲线方程，f(xf)为步骤(5)建立的灰飞虱雌成虫-灰飞虱总虫量的关系曲线方程，f(xm)为步骤(6)建立的关键气象因子-灰飞虱总虫量关系曲线方程，p1，p2，p3为权重系数，b和c为常数；
(8)利用曲线拟合软件计算灰飞虱种群数量短期预测模型方程中子函数f(xi)、f(xf)和f(xm)中所含的系数a1-a8和权重系数p1、p2、p3以及常数b和c，得到最终灰飞虱种群数量短期预测模型。
曲线拟合软件可以采用1stOpt(First Optimization)、Origin、CurveFitter或MATLAB软件等。
进一步地，步骤(1)中，所述调查当地水稻生育期灰飞虱种群数量的时间为7天或14天。
进一步地，步骤(2)中，所述的气象参数包括小型蒸发量、大型蒸发量、平均地表温度、最高地表温度、最低地表温度、白天降水量、夜间降水量、一天累计降水量、平均气压、最高气压、最低气压、平均相对湿度、最小相对湿度、日照时数、最高气温、最低气温、平均气温、平均风速、最大风速和极大风速中的八种或八种以上。
进一步地，步骤(2)中，所述的每天的气象参数获得途径为中国气象数据网、实验时在调查点设立的小型气象站、调查点附近的国家或省级气象观测点。
进一步地，步骤(4)中，所述的关键气象因子的筛选标准为ρ值大于等于0.9。
进一步地，步骤(5)中，所述灰飞虱若虫-总虫量关系曲线方程是采用田间调查灰飞虱若虫数量为基数，预测7天后灰飞虱种群总数量。
进一步地，步骤(5)中，所述灰飞虱雌成虫-总虫量关系曲线方程是采用2次调查田间灰飞虱雌成虫数量平均数为基数，预测14天后灰飞虱种群总数量。
进一步地，步骤(6)中，所述的显著相关判断标准为显著性P值小于0.05。
有益效果：与现有技术相比，本发明具有以下显著优点：本发明的优点在于以本地灰飞虱虫量调查为基础，充分利用现有气象资源以及数据挖掘、数据分析软件和曲线拟合软件，快速建立水稻全生育期灰飞虱种群短期数量预测模型，从而为其精准防治策略的制定奠定基础。按照本方法构建的南京地区灰飞虱种群数量短期预测模型，经过多次迭代后，相关系数为0.99，决定系数为0.98。以阜宁地区灰飞虱数据验证其预测值和实际值间无显著差异，说明建立的模型可以较为准确地预测灰飞虱种群的短期数量。
附图说明
图1为灰飞虱种群数量短期预测模型构建流程示意图。
具体实施方式
下面结合附图对本发明技术方案作进一步的说明。
实施例1
以江苏南京地区2018.3-2018.10灰飞虱发生数量为例，构建灰飞虱种群数量短期预测模型流程如图1所示。每7天调查江苏南京地区灰飞虱若虫数量、雌成虫数量和总虫量，得到的灰飞虱若虫数量、14天2次调查的灰飞虱雌成虫数量平均值和灰飞虱总虫量见表1，以调查灰飞虱数量时间为节点，从中国气象数据网得到的南京地区气象参数平均值见表2。
表1 2018.3-2018.10期间调查江苏南京地区灰飞虱若虫数量、灰飞虱雌成虫数量和灰飞虱总虫量表
根据表1中的数据，利用曲线拟合软件1stOpt建立灰飞虱若虫-灰飞虱总虫量的关系曲线方程为f(xi)＝xi/(a1+a2*xi+a3*Sqrt(xi))，其中，f(xi)为灰飞虱总虫量，xi为若虫数量，a1、a2和a3为系数。建立灰飞虱雌成虫-灰飞虱总虫量的关系曲线方程为f(xf)＝Tan(a4*xf+a5)，其中，f(xf)为灰飞虱总虫量，xf为2次调查灰飞虱雌虫数量平均值，a4和a5为系数。上述两个曲线方程中的系数a1-a5具体数值在完成短期预测模型方程时计算获得。
表2以调查灰飞虱数量时间为节点的南京地区气象参数平均值表
将表2的气象参数平均值输入数据挖掘软件IBM SPSS Modeler，对应气象参数平均值与灰飞虱总虫量的特征选择算法ρ值见表3。
表3将气象参数平均值输入数据挖掘软件得到的ρ值
| 气象因子名称 | ρ值 |
| 最高地表温度 | 0.96 |
| 平均地表温度 | 0.95 |
| 最高气温 | 0.94 |
| 最低地表温度 | 0.93 |
| 平均气温 | 0.93 |
| 最低气温 | 0.93 |
| 小型蒸发量 | 0.92 |
| 大型蒸发量 | 0.91 |
| 平均相对湿度 | 0.67 |
| 日照时数 | 0.67 |
| 最小相对湿度 | 0.55 |
| 夜间降水量 | 0.37 |
| 平均风速 | 0.36 |
| 白天降水量 | 0.19 |
| 一天累计降水量 | 0.17 |
| 最大风速 | 0.09 |
| 极大风速 | 0.07 |
| 最高气压 | 变异系数低于阈值 |
| 最低气压 | 变异系数低于阈值 |
| 平均气压 | 变异系数低于阈值 |
由表3可知，根据ρ值大于等于0.9，选择最高地表温度、平均地表温度、最高气温、最低地表温度、平均气温和最低气温6个气温因子和小型蒸发量和大型蒸发量2个蒸发量因子为关键气象因子。利用数据分析软件SPSS计算8个关键气象因子间相关性分析见表4。
表4影响灰飞虱短期种群数量的8个关键气象因子间的相关性分析
由表4可知，这8个关键气象因子的相关性P值均小于0.05，表明这8个关键气象因子显著相关，因此选用ρ值最大的最高地表温度作为关键气象因子构建气象因子-灰飞虱总虫量关系曲线方程为f(xm)＝a6/(1+(ln(xm)-a7)/a8)2)，其中，f(xm)为灰飞虱总虫量，xm为最高地表温度。a6、a7和a8为系数，a6-a8具体数值在完成短期预测模型方程时计算获得。
根据前面得到的灰飞虱若虫-灰飞虱总虫量的关系曲线方程、灰飞虱雌成虫-灰飞虱总虫量的关系曲线方程和关键气象因子-灰飞虱总虫量关系曲线方程进行拟合，赋予每个关系曲线方程权重系数p，再加上常数b和c，建立灰飞虱种群数量短期预测模型方程为f(x)＝(p1*f(xi)+p2*f(xf)+p3*f(xm)+b)*x+c，其中，f(x)为短期灰飞虱总虫数量预测值，p1为灰飞虱若虫-灰飞虱总虫量的关系曲线方程权重系数，f(xi)为灰飞虱若虫-灰飞虱总虫量关系曲线方程；p2为灰飞虱雌成虫-灰飞虱总虫量的关系曲线方程权重系数，f(xf)为灰飞虱雌成虫-灰飞虱总虫量关系曲线方程；p3为关键气象因子-灰飞虱总虫量的关系曲线方程权重系数，f(xm)为关键气象因子-灰飞虱总虫量关系曲线方程，x为调查所得灰飞虱总虫量，b和c为常数。采用曲线拟合软件1stOpt进行拟合，经604次迭代后，相关系数为0.99，决定系数为0.98，p1为-81148.6286，p2为-0.1258，b为144.0589，c为15.3982，a1为142.2323，a2为569.0451，a3为-47.3204，a4为2.5857，a5为-0.09257，a7为5.96，a8为-0.0000007116，权重系数p3和a6合并为1个系数计算结果为10.3206。将上述数据代入灰飞虱种群数量短期预测模型方程f(x)＝(p1*f(xi)+p2*f(xf)+p3*f(xm)+b)*x+c，最终灰飞虱种群数量短期预测模型为y＝(-81148.6286*xi/(142.2323+569.0451*xi-47.3204*Sqrt(xi))-0.1258*Tan(2.5857*xf-0.09257)+10.3206/(1+((ln(xm)-5.96)/(-0.0000007116))2)+144.0589)*x+15.3982，其中，xi为每次调查灰飞虱若虫数量，xf为2次调查灰飞虱雌成虫数量的平均值，xm为每次调查灰飞虱种群数量时间节点的最高地表温度的平均值，x为调查灰飞虱总虫量。
实施例2
采用阜宁2018年3月12日、4月11日和10月31日灰飞虱田间数据验证实施例1获得的灰飞虱种群数量短期预测模型方程f(x)＝(p1*f(xi)+p2*f(xf)+p3*f(xm)+b)*x+c的准确性。在这三次调查时，阜宁的最高地表温度平均值(xm)分别为19.14、27.16、18.55；7天百穴灰飞虱若虫数量(xi)分别为28.33、8.33、436.67；14天两次调查百穴灰飞虱雌成虫平均数量(xf)分别为0、16.67、40；7天百穴灰飞虱总虫量(x)分别为28、35、451.67；带入灰飞虱种群数量短期预测模型方程计算得到预测灰飞虱总虫量分别为：29.25、78.68、471.84，田间实际灰飞虱总虫量为46.67、50、578.33，根据卡方检验实际值与预测值间p值是否小于0.05判断是否具有显著差异，本实验得到的p值为0.576，大于0.05，说明预测值与实际值无显著差异，所建的灰飞虱种群数量短期预测模型准确性较高。
Claims (6)
1.一种灰飞虱种群数量短期预测模型的构建方法，其特征在于，包括以下步骤：
(1)调查当地水稻生育期灰飞虱种群数量，获得水稻全生育期田间灰飞虱雌成虫数量、灰飞虱若虫数量和灰飞虱总虫量；
(2)根据当地每天的气象参数值，以灰飞虱调查时间为节点，计算对应的各气象参数的平均值；
(3)将各气象参数平均值输入数据挖掘软件，以灰飞虱总虫量为目标，采用特征选择算法计算ρ值；
(4)根据ρ值筛选出多个关键气象因子，采用数据分析软件计算多个关键气象因子间的相关系数；
(5)利用曲线拟合软件建立灰飞虱若虫-灰飞虱总虫量关系曲线方程f(xi)＝xi/(a1+a2*xi+a3*Sqrt(xi)、灰飞虱雌成虫-灰飞虱总虫量关系曲线方程f(xf)＝Tan(a4*xf+a5)，其中a1、a2、a3、a4、a5为系数，xi表示灰飞虱若虫数量，xf表示灰飞虱雌成虫数量，f(xi)和f(xf)为灰飞虱总虫量；
(6)根据步骤(4)中相关系数计算结果，在显著相关的同类因子中选用ρ值最大的因子作为关键气象因子，利用曲线拟合软件建立关键气象因子-灰飞虱总虫量关系曲线方程f(xm)＝a6/(1+(ln(xm)-a7)/a8)2)，其中a6、a7、a8为系数，xm表示关键气象因子参数，f(xm)为灰飞虱总虫量；
(7)利用步骤(5)和步骤(6)建立的关系曲线方程，赋予每个关系曲线方程权重系数p，再加上常数b和c，建立灰飞虱种群数量短期预测模型方程即f(x)＝(p1*f(xi)+p2*f(xf)+p3*f(xm)*+b)*x+c，其中f(x)为灰飞虱短期数量预测值，x为当前调查灰飞虱总虫量，f(xi)为步骤(5)建立的灰飞虱若虫-灰飞虱总虫量的关系曲线方程，f(xf)为步骤(5)建立的灰飞虱雌成虫-灰飞虱总虫量的关系曲线方程，f(xm)为步骤(6)建立的关键气象因子-灰飞虱总虫量关系曲线方程，p1，p2，p3为权重系数，b和c为常数；
(8)利用曲线拟合软件计算灰飞虱种群数量短期预测模型方程中子函数f(xi)、f(xf)和f(xm)中所含的系数a1、a2、a3、a4、a5、a6、a7、a8和权重系数p1、p2、p3以及常数b和c，得到最终灰飞虱种群数量短期预测模型。
2.根据权利要求1所述的构建方法，其特征在于，步骤(1)中，所述调查当地水稻生育期灰飞虱种群数量的时间为7天或14天。
3.根据权利要求1所述的构建方法，其特征在于，步骤(2)中，所述的气象参数包括小型蒸发量、大型蒸发量、平均地表温度、最高地表温度、最低地表温度、白天降水量、夜间降水量、一天累计降水量、平均气压、最高气压、最低气压、平均相对湿度、最小相对湿度、日照时数、最高气温、最低气温、平均气温、平均风速、最大风速和极大风速中的八种或八种以上。
4.根据权利要求1所述的构建方法，其特征在于，步骤(2)中，所述的每天的气象参数获得途径为中国气象数据网、实验时在调查点设立的小型气象站、调查点附近的国家或省级气象观测点。
5.根据权利要求1所述的构建方法，其特征在于，步骤(4)中，所述的关键气象因子的筛选标准为ρ值大于等于0.9。
6.根据权利要求1所述的构建方法，其特征在于，步骤(6)中，所述的显著相关判断标准为显著性P值小于0.05。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110445434.2A CN113313287B (zh) | 2021-04-23 | 2021-04-23 | 一种灰飞虱种群数量短期预测模型的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110445434.2A CN113313287B (zh) | 2021-04-23 | 2021-04-23 | 一种灰飞虱种群数量短期预测模型的构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113313287A CN113313287A (zh) | 2021-08-27 |
| CN113313287B true CN113313287B (zh) | 2023-12-08 |
Family
ID=77372731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110445434.2A Active CN113313287B (zh) | 2021-04-23 | 2021-04-23 | 一种灰飞虱种群数量短期预测模型的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113313287B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115953262B (zh) * | 2023-03-15 | 2023-05-12 | 江苏慧禾融智信息技术有限公司 | 一种基于蛾虫驱赶调查的病虫害数据管理系统及方法 |
| CN117802267A (zh) * | 2024-03-01 | 2024-04-02 | 中国计量科学研究院 | 一种烟草疫霉菌的定量检测方法及其增殖预测系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102968675A (zh) * | 2012-12-06 | 2013-03-13 | 中国科学院新疆生态与地理研究所 | 一种短期预测棉蚜种群数量的方法 |
| CN111582430A (zh) * | 2020-05-12 | 2020-08-25 | 武汉轻工大学 | 基于萤火虫算法的参数优化方法、装置、设备及存储介质 |
| CN111860979A (zh) * | 2020-07-01 | 2020-10-30 | 广西大学 | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 |
| CN112101655A (zh) * | 2020-09-11 | 2020-12-18 | 长沙理工大学 | 萤火虫算法在路径规划应用中的种群动态调节策略与实现 |
-
2021
- 2021-04-23 CN CN202110445434.2A patent/CN113313287B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102968675A (zh) * | 2012-12-06 | 2013-03-13 | 中国科学院新疆生态与地理研究所 | 一种短期预测棉蚜种群数量的方法 |
| CN111582430A (zh) * | 2020-05-12 | 2020-08-25 | 武汉轻工大学 | 基于萤火虫算法的参数优化方法、装置、设备及存储介质 |
| CN111860979A (zh) * | 2020-07-01 | 2020-10-30 | 广西大学 | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 |
| CN112101655A (zh) * | 2020-09-11 | 2020-12-18 | 长沙理工大学 | 萤火虫算法在路径规划应用中的种群动态调节策略与实现 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113313287A (zh) | 2021-08-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113313287B (zh) | 一种灰飞虱种群数量短期预测模型的构建方法 | |
| Challinor et al. | Probabilistic simulations of crop yield over western India using the DEMETER seasonal hindcast ensembles | |
| CN104521699A (zh) | 田间智能灌溉在线控制管理方法 | |
| 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 | |
| McCarthy et al. | VARIwise: A general-purpose adaptive control simulation framework for spatially and temporally varied irrigation at sub-field scale | |
| CN111260241B (zh) | 一种指数型农业保险产品设计方法及其产品 | |
| CN109800921A (zh) | 一种基于遥感物候同化和粒子群优化算法的区域冬小麦估产方法 | |
| CN114357716A (zh) | 一种基于数字孪生技术的流域水文模型参数动态估计方法 | |
| Pal et al. | Single probe imitation of multi-depth capacitive soil moisture sensor using bidirectional recurrent neural network | |
| CN109543911B (zh) | 一种日照辐射预测方法及系统 | |
| CN114357737A (zh) | 针对大尺度水文模型时变参数的代理优化率定方法 | |
| CN111915096B (zh) | 基于作物模型、遥感数据和气候预测信息的作物产量早期预报技术 | |
| CN116595333B (zh) | 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法 | |
| CN104504473A (zh) | 一种分阶段5日间隔的棉蚜发生等级预报方法 | |
| CN117494419A (zh) | 一种多模型耦合的流域水土流失遥感监测方法 | |
| Feyereisen et al. | Plant growth component of a simple rye growth model | |
| 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 | |
| CN109615149A (zh) | 一种确定甜菜气象产量的方法和系统 | |
| CN115600760A (zh) | 一种甘蔗区域单产预测方法及系统 | |
| CN109858678A (zh) | 一种确定向日葵气象产量的方法和系统 | |
| CN110175705B (zh) | 一种负荷预测方法及包含该方法的存储器、系统 | |
| CN115166866A (zh) | 基于格点化气象数据的柑橘病虫害发生预报方法及系统 | |
| Wang et al. | Application of grey systems in predicting the degree of cotton spider mite infestations | |
| Raoof et al. | Reference Evapotranspiration Estimation Using Locally Adjusted Coefficient of Angstrom’s Radiation Model in an Arid-Cold Region | |
| CN113688528A (zh) | 平原河网区农业源污染物入水体负荷量核算方法及系统 |
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 |