CN114170513A - 一种草地贪夜蛾的虫情监测方法、系统及存储介质 - Google Patents
一种草地贪夜蛾的虫情监测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN114170513A CN114170513A CN202111489231.XA CN202111489231A CN114170513A CN 114170513 A CN114170513 A CN 114170513A CN 202111489231 A CN202111489231 A CN 202111489231A CN 114170513 A CN114170513 A CN 114170513A
- Authority
- CN
- China
- Prior art keywords
- spodoptera frugiperda
- information
- area
- early warning
- generating
- 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.)
- Granted
Links
- 241000256251 Spodoptera frugiperda Species 0.000 title claims abstract description 342
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 151
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000007613 environmental effect Effects 0.000 claims abstract description 104
- 238000013508 migration Methods 0.000 claims abstract description 89
- 230000005012 migration Effects 0.000 claims abstract description 89
- 238000001514 detection method Methods 0.000 claims abstract description 70
- 241000238631 Hexapoda Species 0.000 claims abstract description 69
- 230000003044 adaptive effect Effects 0.000 claims abstract description 43
- 241000894007 species Species 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000004088 simulation Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 230000002265 prevention Effects 0.000 claims description 13
- 244000038559 crop plants Species 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 10
- 238000011161 development Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 101000693688 Spodoptera frugiperda Allatostatin Proteins 0.000 claims 3
- 230000008030 elimination Effects 0.000 abstract description 3
- 238000003379 elimination reaction Methods 0.000 abstract description 3
- 230000009467 reduction Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 241000256248 Spodoptera Species 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000001617 migratory effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种草地贪夜蛾的虫情监测预警方法、系统及存储介质，包括：获取目标农作物区域的农作物受灾图像信息、虫害图像信息及环境状况信息；建立草地贪夜蛾检测模型对不同虫龄草地贪夜蛾进行识别，估算目标农作物区域的草地贪夜蛾数量估值；评估目标农作物区域的草地贪夜蛾适生程度信息，结合农作物种类信息生成目标农作物区域草地贪夜蛾的世代周期；根据所述草地贪夜蛾数量估值及所述世代周期对虫害爆发期进行预测；通过所述世代周期及历史迁飞路径构建迁飞预测模型，根据所述迁飞预测模型生成潜在危险区域；并生成草地贪夜蛾虫害预警信息和潜在危险区域预警信息。本发明能够在虫灾爆发前做出预警，从而为虫害的减灭工作提供有效的指导。
Description
技术领域
本发明涉及农作物病虫害防治技术领域，更具体的，涉及一种草地贪夜蛾的虫情监测方法、系统及存储介质。
背景技术
草地贪夜蛾是联合国粮农组织全球预警的重大跨境迁飞性害虫,具有寄主范围广、繁殖能力强、迁飞扩散快、为害程度重和防控难度大等特点。2019年1月首次入侵我国云南省,并在我国西南、华南及北方广大地区迅速蔓延扩散,对国家粮食安全构成严重威胁。此情况下,应该注重农作物的草地贪夜蛾虫害的识别工作,全面识别相关草地贪夜蛾害虫,在准确识别的情况下,可以采用先进的防治技术开展工作,对草地贪夜蛾的迁飞进行预设干预，预防出现草地贪夜蛾的问题,保证农作物的良好生长。
为了对目标农作物区域的草地贪夜蛾虫害情况进行识别预警，需要开发一款系统与之配合进行实现，该系统通过获取目标农作物区域的虫害图像信息及环境状况信息；建立草地贪夜蛾检测模型进行识别，根据所述环境状况评估目标农作物区域的草地贪夜蛾适生程度信息，获取目标农作物区域草地贪夜蛾的世代周期信息，对虫害爆发期进行预测；根据所述世代周期及历史迁飞路径进行分析构建迁飞预测模型，根据所述迁飞预测模型生成潜在危险区域，对虫害爆发期及潜在危险区域进行预警。在该系统的实现过程中，如何通过获取目标农作物区域的虫害爆发期及潜在危险区域生成预警信息是亟不可待需要解决的问题。
发明内容
为了解决上述技术问题，本发明提出了一种草地贪夜蛾的虫情监测方法、系统及存储介质。
本发明第一方面提供了一种草地贪夜蛾的虫情监测方法，包括：
获取目标农作物区域的农作物受灾图像信息、虫害图像信息及环境状况信息；
建立草地贪夜蛾检测模型，将所述农作物受灾图像信息、虫害图像信息导入所述草地贪夜蛾检测模型，对不同虫龄草地贪夜蛾进行识别，并估算目标农作物区域的草地贪夜蛾数量估值；
根据所述环境状况评估目标农作物区域的草地贪夜蛾适生程度信息，通过所述适生程度信息及农作物种类信息生成目标农作物区域草地贪夜蛾的世代周期；
根据所述草地贪夜蛾数量估值及所述世代周期对虫害爆发期进行预测；通过所述世代周期及历史迁飞路径构建迁飞预测模型，根据所述迁飞预测模型生成潜在危险区域；
根据所述虫害爆发期及潜在危险区域生成草地贪夜蛾虫害预警信息和潜在危险区域预警信息。
本方案中，所述的建立草地贪夜蛾检测模型，具体为：
获取草地贪夜蛾不同生长阶段图像信息以及各种类农作物为害状图像信息，根据所述不同生长阶段图像信息及各种类农作物为害状图像信息提取草地贪夜蛾的形态特征及为害状特征；
根据所述形态特征及为害状特征生成训练数据集，基于卷积神经网络建立草地贪夜蛾检测模型；
通过所述训练数据集对所述草地贪夜蛾检测模型进行初始化训练，生成草地贪夜蛾检测模型的检测误差；
判断所述检测误差是否处于预设检测误差阈值范围，若否，则根据所述检测误差进行所述进行相关参数的调整，若是，则输出草地贪夜蛾检测模型。
本方案中，所述的估算目标农作物区域的草地贪夜蛾数量估值，具体为：
将所述目标农作物区域划分为N个子区域，获取所述子区域的环境状况信息，并生成子区域环境特征；
计算各子区域的环境特征差异值，根据所述环境特征差异值将所述子区域进行分类，若各子区域的环境特征差异值小于预设差异值阈值，则视为同类别区域；
通过草地贪夜蛾检测模型识别农作物叶片上的不同发育历期的草地贪夜蛾，并进行计数生成单位植株草地贪夜蛾数；
获取同类别区域内的农作物植株数量，根据所述农作物植株数量及单位植株草地贪夜蛾数生成目标农作物区域的草地贪夜蛾数量估值。
本方案中，所述的根据所述环境状况评估目标农作物区域的草地贪夜蛾适生程度信息，具体为：
获取目标农作物区域的环境状况信息，根据所述环境状况信息提取环境状况特征生成目标农作物区域环境特征矩阵；
获取草地贪夜蛾适生环境的环境影响因子，建立环境影响因子评价矩阵，通过所述环境影响因子评价矩阵对所述目标农作物区域环境特征矩阵进行评价；
对于模糊概念的环境因子采用模糊评价，对存在标准的确定性环境影响因子采用标准限值评价；
采用层次分析法确定各环境影响因子对草地贪夜蛾适生环境的重要程度，生成所述环境影响因子的权重向量；
根据所述标准限值评价、模糊评价及权重向量生成目标农作物去的草地贪夜蛾适生指数，对生成的适生指数进行分级划分，获取目标农作物区域的草地贪夜蛾适生等级分布。
本方案中，通过所述世代周期及历史迁飞路径构建迁飞预测模型，根据所述迁飞预测模型生成潜在危险区域，具体为：
获取目标农作物区域所在地区的地理特征及气候特征，根据所述地理特征及气候特征进行气象模拟；
根据目标农作物区域的草地贪夜蛾适生等级及草地贪夜蛾的种群数量判断草地贪夜蛾的迁飞时间；
构建迁飞预测模型，根据草地贪夜蛾的历史迁飞路线及所述气象模拟的大气风场生成草地贪夜蛾预测迁飞路径及迁飞时长，获取所述预测迁飞路径上农作物区域；
评估所述农作物区域的草地贪夜蛾适生程度信息，将所述草地贪夜蛾适生程度信息大于适生程度阈值的农作物区域进行标记；
获取被标记农作物区域的未来天气情况判断草地贪夜蛾的降落区域，生成潜在危险区域预警信息。
本方案中，还包括：
根据所述潜在危险区域预警信息利用大数据分析生成草地贪夜蛾防治方案；
根据草地贪夜蛾的种群数量及降落时间评估所述草地贪夜蛾防治方案的可行性与防效，若所述可行性与防效小于预设的阈值范围，则生成修正信息对所述草地贪夜蛾防治方案进行调整修正。
本发明第二方面还提供了一种草地贪夜蛾的虫情监测预警系统，该系统包括：存储器、处理器，所述存储器中包括一种草地贪夜蛾的虫情监测预警方法程序，所述一种草地贪夜蛾的虫情监测预警方法程序被所述处理器执行时实现如下步骤：
获取目标农作物区域的农作物受灾图像信息、虫害图像信息及环境状况信息；
建立草地贪夜蛾检测模型，将所述农作物受灾图像信息、虫害图像信息导入所述草地贪夜蛾检测模型，对不同虫龄草地贪夜蛾进行识别，并估算目标农作物区域的草地贪夜蛾数量估值；
根据所述环境状况评估目标农作物区域的草地贪夜蛾适生程度信息，通过所述适生程度信息及农作物种类信息生成目标农作物区域草地贪夜蛾的世代周期；
根据所述草地贪夜蛾数量估值及所述世代周期对虫害爆发期进行预测；通过所述世代周期及历史迁飞路径构建迁飞预测模型，根据所述迁飞预测模型生成潜在危险区域；
根据所述虫害爆发期及潜在危险区域生成草地贪夜蛾虫害预警信息和潜在危险区域预警信息。
本方案中，所述的建立草地贪夜蛾检测模型，具体为：
获取草地贪夜蛾不同生长阶段图像信息以及各种类农作物为害状图像信息，根据所述不同生长阶段图像信息及各种类农作物为害状图像信息提取草地贪夜蛾的形态特征及为害状特征；
根据所述形态特征及为害状特征生成训练数据集，基于卷积神经网络建立草地贪夜蛾检测模型；
通过所述训练数据集对所述草地贪夜蛾检测模型进行初始化训练，生成草地贪夜蛾检测模型的检测误差；
判断所述检测误差是否处于预设检测误差阈值范围，若否，则根据所述检测误差进行所述进行相关参数的调整，若是，则输出草地贪夜蛾检测模型。
本方案中，所述的估算目标农作物区域的草地贪夜蛾数量估值，具体为：
将所述目标农作物区域划分为N个子区域，获取所述子区域的环境状况信息，并生成子区域环境特征；
计算各子区域的环境特征差异值，根据所述环境特征差异值将所述子区域进行分类，若各子区域的环境特征差异值小于预设差异值阈值，则视为同类别区域；
通过草地贪夜蛾检测模型识别农作物叶片上的不同发育历期的草地贪夜蛾，并进行计数生成单位植株草地贪夜蛾数；
获取同类别区域内的农作物植株数量，根据所述农作物植株数量及单位植株草地贪夜蛾数生成目标农作物区域的草地贪夜蛾数量估值。
本方案中，所述的根据所述环境状况评估目标农作物区域的草地贪夜蛾适生程度信息，具体为：
获取目标农作物区域的环境状况信息，根据所述环境状况信息提取环境状况特征生成目标农作物区域环境特征矩阵；
获取草地贪夜蛾适生环境的环境影响因子，建立环境影响因子评价矩阵，通过所述环境影响因子评价矩阵对所述目标农作物区域环境特征矩阵进行评价；
对于模糊概念的环境因子采用模糊评价，对存在标准的确定性环境影响因子采用标准限值评价；
采用层次分析法确定各环境影响因子对草地贪夜蛾适生环境的重要程度，生成所述环境影响因子的权重向量；
根据所述标准限值评价、模糊评价及权重向量生成目标农作物去的草地贪夜蛾适生指数，对生成的适生指数进行分级划分，获取目标农作物区域的草地贪夜蛾适生等级分布。
本方案中，通过所述世代周期及历史迁飞路径构建迁飞预测模型，根据所述迁飞预测模型生成潜在危险区域，具体为：
获取目标农作物区域所在地区的地理特征及气候特征，根据所述地理特征及气候特征进行气象模拟；
根据目标农作物区域的草地贪夜蛾适生等级及草地贪夜蛾的种群数量判断草地贪夜蛾的迁飞时间；
构建迁飞预测模型，根据草地贪夜蛾的历史迁飞路线及所述气象模拟的大气风场生成草地贪夜蛾预测迁飞路径及迁飞时长，获取所述预测迁飞路径上农作物区域；
评估所述农作物区域的草地贪夜蛾适生程度信息，将所述草地贪夜蛾适生程度信息大于适生程度阈值的农作物区域进行标记；
获取被标记农作物区域的未来天气情况判断草地贪夜蛾的降落区域，生成潜在危险区域预警信息。
本方案中，还包括：
根据所述潜在危险区域预警信息利用大数据分析生成草地贪夜蛾防治方案；
根据草地贪夜蛾的种群数量及降落时间评估所述草地贪夜蛾防治方案的可行性与防效，若所述可行性与防效小于预设的阈值范围，则生成修正信息对所述草地贪夜蛾防治方案进行调整修正。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种草地贪夜蛾的虫情监测预警方法程序，所述一种草地贪夜蛾的虫情监测预警方法程序被处理器执行时，实现如上述任一项所述的一种草地贪夜蛾的虫情监测预警方法的步骤。
本发明公开的一种草地贪夜蛾的虫情监测预警方法、系统及存储介质，涉及农作物病虫害防治技术领域，其中草地贪夜蛾的虫情监测预警方法包括：获取目标农作物区域的农作物受灾图像信息、虫害图像信息及环境状况信息；建立草地贪夜蛾检测模型，将所述农作物受灾图像信息、虫害图像信息导入所述草地贪夜蛾检测模型，对不同虫龄草地贪夜蛾进行识别，并估算目标农作物区域的草地贪夜蛾数量估值；根据所述环境状况评估目标农作物区域的草地贪夜蛾适生程度信息，通过所述适生程度信息及农作物种类信息生成目标农作物区域草地贪夜蛾的世代周期；根据所述草地贪夜蛾数量估值及所述世代周期对虫害爆发期进行预测；通过所述世代周期及历史迁飞路径构建迁飞预测模型，根据所述迁飞预测模型生成潜在危险区域；根据所述虫害爆发期及潜在危险区域生成草地贪夜蛾虫害预警信息和潜在危险区域预警信息。本发明通过对草地贪夜蛾的虫害爆发期及潜在危险区域进行预测，从而可以在虫灾爆发之前有效地做出预警并为虫灾爆发前对害虫的减灭工作提供有效的指导。
附图说明
图1示出了本发明一种草地贪夜蛾的虫情监测预警方法的流程图；
图2示出了本发明算目标农作物区域的草地贪夜蛾数量估值的方法流程图；
图3示出了本发明根据迁飞预测模型生成潜在危险区域的方法流程图；
图4示出了本发明一种草地贪夜蛾的虫情监测预警系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种草地贪夜蛾的虫情监测预警方法的流程图；
如图1所示，本发明第一方面提供了一种草地贪夜蛾的虫情监测预警方法，包括：
S102，获取目标农作物区域的农作物受灾图像信息、虫害图像信息及环境状况信息；
S104，建立草地贪夜蛾检测模型，将所述农作物受灾图像信息、虫害图像信息导入所述草地贪夜蛾检测模型，对不同虫龄草地贪夜蛾进行识别，并估算目标农作物区域的草地贪夜蛾数量估值；
S106，根据所述环境状况评估目标农作物区域的草地贪夜蛾适生程度信息，通过所述适生程度信息及农作物种类信息生成目标农作物区域草地贪夜蛾的世代周期；
S108，根据所述草地贪夜蛾数量估值及所述世代周期对虫害爆发期进行预测；通过所述世代周期及历史迁飞路径构建迁飞预测模型，根据所述迁飞预测模型生成潜在危险区域；
S110，根据所述虫害爆发期及潜在危险区域生成草地贪夜蛾虫害预警信息和潜在危险区域预警信息。
需要说明的是，通过摄像头及传感器组成无线传感器网络，获取目标农作物区域的农作物受灾图像信息、虫害图像信息及环境状况信息，无线传感器网络由多个采集节点和一个汇聚节点组成，采集节点将采集到的数据信息通过多跳路由的方式发送到汇聚节点，汇聚节点将接收到的数据发送至主机处理器，在预定位置放置采集节点，无线传感器网络中的采集节点可以是线性或者网状分布，并可以进行自动组网。所述农作物受灾图像信息、虫害图像信息还可通过目标农作物区域管理人员自行拍照上传，所述环境状况信息包括温度信息、湿度信息、光照信息等，所述草地贪夜蛾虫害预警信息和潜在危险区域预警信息按照预设方式进行显示或者按照预设发送方式发送到管理人员的移动终端设备上。
需要说明的是，所述的建立草地贪夜蛾检测模型，具体为：
获取草地贪夜蛾不同生长阶段图像信息以及各种类农作物为害状图像信息，根据所述不同生长阶段图像信息及各种类农作物为害状图像信息提取草地贪夜蛾的形态特征及为害状特征；
根据所述形态特征及为害状特征生成训练数据集，基于卷积神经网络建立草地贪夜蛾检测模型；
通过所述训练数据集对所述草地贪夜蛾检测模型进行初始化训练，生成草地贪夜蛾检测模型的检测误差；
判断所述检测误差是否处于预设检测误差阈值范围，若否，则根据所述检测误差进行所述进行相关参数的调整，若是，则输出草地贪夜蛾检测模型。
图2示出了本发明算目标农作物区域的草地贪夜蛾数量估值的方法流程图。
根据本发明实施例，所述的估算目标农作物区域的草地贪夜蛾数量估值，具体为：
S202，将所述目标农作物区域划分为N个子区域，获取所述子区域的环境状况信息，并生成子区域环境特征；
S204，计算各子区域的环境特征差异值，根据所述环境特征差异值将所述子区域进行分类，若各子区域的环境特征差异值小于预设差异值阈值，则视为同类别区域；
S206，通过草地贪夜蛾检测模型识别农作物叶片上的不同发育历期的草地贪夜蛾，并进行计数生成单位植株草地贪夜蛾数；
S208，通过草地贪夜蛾检测模型识别农作物叶片上的不同发育历期的草地贪夜蛾，并进行计数生成单位植株草地贪夜蛾数。
需要说明的是，根据不同环境状况下草地贪夜蛾的世代周期，建立环境状况与草地贪夜蛾世代周期的相关性分析，分析随着环境状况的变化与草地贪夜蛾百株虫口密度、发生面积之间的相关性，通过所述适生程度信息及农作物种类信息生成目标农作物区域草地贪夜蛾的世代周期，根据草地贪夜蛾的世代周期及草地贪夜蛾数量估值对虫害爆发期进行预测，并生成虫害爆发期预警信息；所述草地贪夜蛾的世代周期，所述草地贪夜蛾的世代周期包括虫卵期、幼虫期、蛹期、成虫期。
需要说明的是，所述的根据所述环境状况评估目标农作物区域的草地贪夜蛾适生程度信息，具体为：
获取目标农作物区域的环境状况信息，根据所述环境状况信息提取环境状况特征生成目标农作物区域环境特征矩阵；
获取草地贪夜蛾适生环境的环境影响因子，建立环境影响因子评价矩阵，通过所述环境影响因子评价矩阵对所述目标农作物区域环境特征矩阵进行评价；
对于模糊概念的环境因子采用模糊评价，对存在标准的确定性环境影响因子采用标准限值评价；
采用层次分析法确定各环境影响因子对草地贪夜蛾适生环境的重要程度，生成所述环境影响因子的权重向量；
根据所述标准限值评价、模糊评价及权重向量生成目标农作物去的草地贪夜蛾适生指数，对生成的适生指数进行分级划分，获取目标农作物区域的草地贪夜蛾适生等级分布。
图3示出了本发明根据迁飞预测模型生成潜在危险区域的方法流程图。
根据本发明实施例，通过所述世代周期及历史迁飞路径构建迁飞预测模型，根据所述迁飞预测模型生成潜在危险区域，具体为：
S302，获取目标农作物区域所在地区的地理特征及气候特征，根据所述地理特征及气候特征进行气象模拟；
S304，根据目标农作物区域的草地贪夜蛾适生等级及草地贪夜蛾的种群数量判断草地贪夜蛾的迁飞时间；
S306，构建迁飞预测模型，根据草地贪夜蛾的历史迁飞路线及所述气象模拟的大气风场生成草地贪夜蛾预测迁飞路径及迁飞时长，获取所述预测迁飞路径上农作物区域；
S308，评估所述农作物区域的草地贪夜蛾适生程度信息，将所述草地贪夜蛾适生程度信息大于适生程度阈值的农作物区域进行标记；
S310，获取被标记农作物区域的未来天气情况判断草地贪夜蛾的降落区域，生成潜在危险区域预警信息。
需要说明的是，通过气象模拟与预报模型(WRF)进行气象模拟，获取所在地区的气象特征，所述气象特征可以为温度、湿度、风向、风力、太阳照射强度等相关数据，并且天气模拟需求信息中还可以包含处理时间、模拟精度、显示模式等参数信息，根据气象特征确定气象模拟与预报模型处理方式，得到处理方式信息，根据所述处理方式信息和气象特征进行天气模拟处理，得到结果信息。获取草地贪夜蛾无风飞行速度，同时根据风力获取模拟风速，根据所述草地贪夜蛾无风飞行速度及模拟风速预测草地贪夜蛾迁飞时长。
需要说明的是，本发明还包括生成草地贪夜蛾防治方案，具体为：
根据所述潜在危险区域预警信息利用大数据分析生成草地贪夜蛾防治方案；
根据草地贪夜蛾的种群数量及降落时间评估所述草地贪夜蛾防治方案的可行性与防效，若所述可行性与防效小于预设的阈值范围，则生成修正信息对所述草地贪夜蛾防治方案进行调整修正。
根据本发明实施例，建立数据库对目标农作物区域的环境状况及草地贪夜蛾虫害信息进行存储，具体为：
采集农作物区域内环境状况信息，分析所述环境状况信息变化对草地贪夜蛾虫害信息的影响，生成匹配序列模型；
将所述匹配序列模型进行分割提取，建立草地贪夜蛾虫害信息数据库，并将所述草地贪夜蛾的防治措施存入草地贪夜蛾虫害信息数据库的相应序列；
获取目标农作物区域内环境状况信息；将所述目标农作物区域内环境状况信息与草地贪夜蛾虫害信息数据库中草地贪夜蛾虫害信息对应的环境状况信息进行比较，生成匹配指数，获取偏差率；
判断所述偏差率是否小于预设偏差率；若小于，根据序列中的草地贪夜蛾的防治措施，对目标区域内农作物植株进行提前防治。
根据本发明实施例，本发明还包括根据草地贪夜蛾数量估值进行虫害爆发期的提前预警，具体为：
获取预设时间内目标农作物区域的草地贪夜蛾数量估值的差值；
根据所述差值判断预设时间内目标农作物区域的草地贪夜蛾虫情变化趋势及变化速率；
基于虫情变化趋势及变化速率重新计算草地贪夜蛾虫害爆发期，将重新计算的草地贪夜蛾虫害爆发期与原草地贪夜蛾虫害爆发期进行比较分析；
若重新计算的草地贪夜蛾虫害爆发期在原草地贪夜蛾虫害爆发期之前，则进行虫害爆发期的提前预警。
图4示出了本发明一种草地贪夜蛾的虫情监测预警系统的框图。
本发明第二方面还提供了一种草地贪夜蛾的虫情监测预警系统4，该系统包括：存储器41、处理器42，所述存储器中包括一种草地贪夜蛾的虫情监测预警方法程序，所述一种草地贪夜蛾的虫情监测预警方法程序被所述处理器执行时实现如下步骤：
获取目标农作物区域的农作物受灾图像信息、虫害图像信息及环境状况信息；
建立草地贪夜蛾检测模型，将所述农作物受灾图像信息、虫害图像信息导入所述草地贪夜蛾检测模型，对不同虫龄草地贪夜蛾进行识别，并估算目标农作物区域的草地贪夜蛾数量估值；
根据所述环境状况评估目标农作物区域的草地贪夜蛾适生程度信息，通过所述适生程度信息及农作物种类信息生成目标农作物区域草地贪夜蛾的世代周期；
根据所述草地贪夜蛾数量估值及所述世代周期对虫害爆发期进行预测；通过所述世代周期及历史迁飞路径构建迁飞预测模型，根据所述迁飞预测模型生成潜在危险区域；
根据所述虫害爆发期及潜在危险区域生成草地贪夜蛾虫害预警信息和潜在危险区域预警信息。
需要说明的是，通过摄像头及传感器组成无线传感器网络，获取目标农作物区域的农作物受灾图像信息、虫害图像信息及环境状况信息，无线传感器网络由多个采集节点和一个汇聚节点组成，采集节点将采集到的数据信息通过多跳路由的方式发送到汇聚节点，汇聚节点将接收到的数据发送至主机处理器，在预定位置放置采集节点，无线传感器网络中的采集节点可以是线性或者网状分布，并可以进行自动组网。所述农作物受灾图像信息、虫害图像信息还可通过目标农作物区域管理人员自行拍照上传，所述环境状况信息包括温度信息、湿度信息、光照信息等，所述草地贪夜蛾虫害预警信息和潜在危险区域预警信息按照预设方式进行显示或者按照预设发送方式发送到管理人员的移动终端设备上。
需要说明的是，所述的建立草地贪夜蛾检测模型，具体为：
获取草地贪夜蛾不同生长阶段图像信息以及各种类农作物为害状图像信息，根据所述不同生长阶段图像信息及各种类农作物为害状图像信息提取草地贪夜蛾的形态特征及为害状特征；
根据所述形态特征及为害状特征生成训练数据集，基于卷积神经网络建立草地贪夜蛾检测模型；
通过所述训练数据集对所述草地贪夜蛾检测模型进行初始化训练，生成草地贪夜蛾检测模型的检测误差；
判断所述检测误差是否处于预设检测误差阈值范围，若否，则根据所述检测误差进行所述进行相关参数的调整，若是，则输出草地贪夜蛾检测模型。
根据本发明实施例，所述的估算目标农作物区域的草地贪夜蛾数量估值，具体为：
将所述目标农作物区域划分为N个子区域，获取所述子区域的环境状况信息，并生成子区域环境特征；
计算各子区域的环境特征差异值，根据所述环境特征差异值将所述子区域进行分类，若各子区域的环境特征差异值小于预设差异值阈值，则视为同类别区域；
通过草地贪夜蛾检测模型识别农作物叶片上的不同发育历期的草地贪夜蛾，并进行计数生成单位植株草地贪夜蛾数；
获取同类别区域内的农作物植株数量，根据所述农作物植株数量及单位植株草地贪夜蛾数生成目标农作物区域的草地贪夜蛾数量估值。
需要说明的是，根据不同环境状况下草地贪夜蛾的世代周期，建立环境状况与草地贪夜蛾世代周期的相关性分析，分析随着环境状况的变化与草地贪夜蛾百株虫口密度、发生面积之间的相关性，通过所述适生程度信息及农作物种类信息生成目标农作物区域草地贪夜蛾的世代周期，根据草地贪夜蛾的世代周期及草地贪夜蛾数量估值对虫害爆发期进行预测，并生成虫害爆发期预警信息；所述草地贪夜蛾的世代周期，所述草地贪夜蛾的世代周期包括虫卵期、幼虫期、蛹期、成虫期。
需要说明的是，所述的根据所述环境状况评估目标农作物区域的草地贪夜蛾适生程度信息，具体为：
获取目标农作物区域的环境状况信息，根据所述环境状况信息提取环境状况特征生成目标农作物区域环境特征矩阵；
获取草地贪夜蛾适生环境的环境影响因子，建立环境影响因子评价矩阵，通过所述环境影响因子评价矩阵对所述目标农作物区域环境特征矩阵进行评价；
对于模糊概念的环境因子采用模糊评价，对存在标准的确定性环境影响因子采用标准限值评价；
采用层次分析法确定各环境影响因子对草地贪夜蛾适生环境的重要程度，生成所述环境影响因子的权重向量；
根据所述标准限值评价、模糊评价及权重向量生成目标农作物去的草地贪夜蛾适生指数，对生成的适生指数进行分级划分，获取目标农作物区域的草地贪夜蛾适生等级分布。
根据本发明实施例，通过所述世代周期及历史迁飞路径构建迁飞预测模型，根据所述迁飞预测模型生成潜在危险区域，具体为：
获取目标农作物区域所在地区的地理特征及气候特征，根据所述地理特征及气候特征进行气象模拟；
根据目标农作物区域的草地贪夜蛾适生等级及草地贪夜蛾的种群数量判断草地贪夜蛾的迁飞时间；
构建迁飞预测模型，根据草地贪夜蛾的历史迁飞路线及所述气象模拟的大气风场生成草地贪夜蛾预测迁飞路径及迁飞时长，获取所述预测迁飞路径上农作物区域；
评估所述农作物区域的草地贪夜蛾适生程度信息，将所述草地贪夜蛾适生程度信息大于适生程度阈值的农作物区域进行标记；
获取被标记农作物区域的未来天气情况判断草地贪夜蛾的降落区域，生成潜在危险区域预警信息。
需要说明的是，通过气象模拟与预报模型(WRF)进行气象模拟，获取所在地区的气象特征，所述气象特征可以为温度、湿度、风向、风力、太阳照射强度等相关数据，并且天气模拟需求信息中还可以包含处理时间、模拟精度、显示模式等参数信息，根据气象特征确定气象模拟与预报模型处理方式，得到处理方式信息，根据所述处理方式信息和气象特征进行天气模拟处理，得到结果信息。获取草地贪夜蛾无风飞行速度，同时根据风力获取模拟风速，根据所述草地贪夜蛾无风飞行速度及模拟风速预测草地贪夜蛾迁飞时长。
需要说明的是，本发明还包括生成草地贪夜蛾防治方案，具体为：
根据所述潜在危险区域预警信息利用大数据分析生成草地贪夜蛾防治方案；
根据草地贪夜蛾的种群数量及降落时间评估所述草地贪夜蛾防治方案的可行性与防效，若所述可行性与防效小于预设的阈值范围，则生成修正信息对所述草地贪夜蛾防治方案进行调整修正。
根据本发明实施例，建立数据库对目标农作物区域的环境状况及草地贪夜蛾虫害信息进行存储，具体为：
采集农作物区域内环境状况信息，分析所述环境状况信息变化对草地贪夜蛾虫害信息的影响，生成匹配序列模型；
将所述匹配序列模型进行分割提取，建立草地贪夜蛾虫害信息数据库，并将所述草地贪夜蛾的防治措施存入草地贪夜蛾虫害信息数据库的相应序列；
获取目标农作物区域内环境状况信息；将所述目标农作物区域内环境状况信息与草地贪夜蛾虫害信息数据库中草地贪夜蛾虫害信息对应的环境状况信息进行比较，生成匹配指数，获取偏差率；
判断所述偏差率是否小于预设偏差率；若小于，根据序列中的草地贪夜蛾的防治措施，对目标区域内农作物植株进行提前防治。
根据本发明实施例，本发明还包括根据草地贪夜蛾数量估值进行虫害爆发期的提前预警，具体为：
获取预设时间内目标农作物区域的草地贪夜蛾数量估值的差值；
根据所述差值判断预设时间内目标农作物区域的草地贪夜蛾虫情变化趋势及变化速率；
基于虫情变化趋势及变化速率重新计算草地贪夜蛾虫害爆发期，将重新计算的草地贪夜蛾虫害爆发期与原草地贪夜蛾虫害爆发期进行比较分析；
若重新计算的草地贪夜蛾虫害爆发期在原草地贪夜蛾虫害爆发期之前，则进行虫害爆发期的提前预警。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种草地贪夜蛾的虫情监测预警方法程序，所述一种草地贪夜蛾的虫情监测预警方法程序被处理器执行时，实现如上述任一项所述的一种草地贪夜蛾的虫情监测预警方法的步骤。
本发明公开的一种草地贪夜蛾的虫情监测预警方法、系统及存储介质，涉及农作物病虫害防治技术领域，其中草地贪夜蛾的虫情监测预警方法包括：获取目标农作物区域的农作物受灾图像信息、虫害图像信息及环境状况信息；建立草地贪夜蛾检测模型，将所述农作物受灾图像信息、虫害图像信息导入所述草地贪夜蛾检测模型，对不同虫龄草地贪夜蛾进行识别，并估算目标农作物区域的草地贪夜蛾数量估值；根据所述环境状况评估目标农作物区域的草地贪夜蛾适生程度信息，通过所述适生程度信息及农作物种类信息生成目标农作物区域草地贪夜蛾的世代周期；根据所述草地贪夜蛾数量估值及所述世代周期对虫害爆发期进行预测；通过所述世代周期及历史迁飞路径构建迁飞预测模型，根据所述迁飞预测模型生成潜在危险区域；根据所述虫害爆发期及潜在危险区域生成草地贪夜蛾虫害预警信息和潜在危险区域预警信息。本发明通过对草地贪夜蛾的虫害爆发期及潜在危险区域进行预测，从而可以在虫灾爆发之前有效地做出预警并为虫灾爆发前对害虫的减灭工作提供有效的指导。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种草地贪夜蛾的虫情监测预警方法，其特征在于，包括如下步骤：
获取目标农作物区域的农作物受灾图像信息、虫害图像信息及环境状况信息；
建立草地贪夜蛾检测模型，将所述农作物受灾图像信息、虫害图像信息导入所述草地贪夜蛾检测模型，对不同虫龄草地贪夜蛾进行识别，并估算目标农作物区域的草地贪夜蛾数量估值；
根据所述环境状况评估目标农作物区域的草地贪夜蛾适生程度信息，通过所述适生程度信息及农作物种类信息生成目标农作物区域草地贪夜蛾的世代周期；
根据所述草地贪夜蛾数量估值及所述世代周期对虫害爆发期进行预测；通过所述世代周期及历史迁飞路径构建迁飞预测模型，根据所述迁飞预测模型生成潜在危险区域；
根据所述虫害爆发期及潜在危险区域生成草地贪夜蛾虫害预警信息和潜在危险区域预警信息。
2.根据权利要求1所述的一种草地贪夜蛾的虫情监测预警方法，其特征在于，所述的建立草地贪夜蛾检测模型，具体为：
获取草地贪夜蛾不同生长阶段图像信息以及各种类农作物为害状图像信息，根据所述不同生长阶段图像信息及各种类农作物为害状图像信息提取草地贪夜蛾的形态特征及为害状特征；
根据所述形态特征及为害状特征生成训练数据集，基于卷积神经网络建立草地贪夜蛾检测模型；
通过所述训练数据集对所述草地贪夜蛾检测模型进行初始化训练，生成草地贪夜蛾检测模型的检测误差；
判断所述检测误差是否处于预设检测误差阈值范围，若否，则根据所述检测误差进行所述进行相关参数的调整，若是，则输出草地贪夜蛾检测模型。
3.根据权利要求1所述的一种草地贪夜蛾的虫情监测预警方法，其特征在于，所述的估算目标农作物区域的草地贪夜蛾数量估值，具体为：
将所述目标农作物区域划分为N个子区域，获取所述子区域的环境状况信息，并生成子区域环境特征；
计算各子区域的环境特征差异值，根据所述环境特征差异值将所述子区域进行分类，若各子区域的环境特征差异值小于预设差异值阈值，则视为同类别区域；
通过草地贪夜蛾检测模型识别农作物叶片上的不同发育历期的草地贪夜蛾，并进行计数生成单位植株草地贪夜蛾数；
获取同类别区域内的农作物植株数量，根据所述农作物植株数量及单位植株草地贪夜蛾数生成目标农作物区域的草地贪夜蛾数量估值。
4.根据权利要求1所述的一种草地贪夜蛾的虫情监测预警方法，其特征在于，所述的根据所述环境状况评估目标农作物区域的草地贪夜蛾适生程度信息，具体为：
获取目标农作物区域的环境状况信息，根据所述环境状况信息提取环境状况特征生成目标农作物区域环境特征矩阵；
获取草地贪夜蛾适生环境的环境影响因子，建立环境影响因子评价矩阵，通过所述环境影响因子评价矩阵对所述目标农作物区域环境特征矩阵进行评价；
对于模糊概念的环境因子采用模糊评价，对存在标准的确定性环境影响因子采用标准限值评价；
采用层次分析法确定各环境影响因子对草地贪夜蛾适生环境的重要程度，生成所述环境影响因子的权重向量；
根据所述标准限值评价、模糊评价及权重向量生成目标农作物去的草地贪夜蛾适生指数，对生成的适生指数进行分级划分，获取目标农作物区域的草地贪夜蛾适生等级分布。
5.根据权利要求1所述的一种草地贪夜蛾的虫情监测预警方法，其特征在于，通过所述世代周期及历史迁飞路径构建迁飞预测模型，根据所述迁飞预测模型生成潜在危险区域，具体为：
获取目标农作物区域所在地区的地理特征及气候特征，根据所述地理特征及气候特征进行气象模拟；
根据目标农作物区域的草地贪夜蛾适生等级及草地贪夜蛾的种群数量判断草地贪夜蛾的迁飞时间；
构建迁飞预测模型，根据草地贪夜蛾的历史迁飞路线及所述气象模拟的大气风场生成草地贪夜蛾预测迁飞路径及迁飞时长，获取所述预测迁飞路径上农作物区域；
评估所述农作物区域的草地贪夜蛾适生程度信息，将所述草地贪夜蛾适生程度信息大于适生程度阈值的农作物区域进行标记；
获取被标记农作物区域的未来天气情况判断草地贪夜蛾的降落区域，生成潜在危险区域预警信息。
6.根据权利要求5所述的一种草地贪夜蛾的虫情监测预警方法，其特征在于，还包括：
根据所述潜在危险区域预警信息利用大数据分析生成草地贪夜蛾防治方案；
根据草地贪夜蛾的种群数量及降落时间评估所述草地贪夜蛾防治方案的可行性与防效，若所述可行性与防效小于预设的阈值范围，则生成修正信息对所述草地贪夜蛾防治方案进行调整修正。
7.一种草地贪夜蛾的虫情监测预警系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一种草地贪夜蛾的虫情监测预警方法程序，所述一种草地贪夜蛾的虫情监测预警方法程序被所述处理器执行时实现如下步骤：
获取目标农作物区域的农作物受灾图像信息、虫害图像信息及环境状况信息；
建立草地贪夜蛾检测模型，将所述农作物受灾图像信息、虫害图像信息导入所述草地贪夜蛾检测模型，对不同虫龄草地贪夜蛾进行识别，并估算目标农作物区域的草地贪夜蛾数量估值；
根据所述环境状况评估目标农作物区域的草地贪夜蛾适生程度信息，通过所述适生程度信息及农作物种类信息生成目标农作物区域草地贪夜蛾的世代周期；
根据所述草地贪夜蛾数量估值及所述世代周期对虫害爆发期进行预测；通过所述世代周期及历史迁飞路径构建迁飞预测模型，根据所述迁飞预测模型生成潜在危险区域；
根据所述虫害爆发期及潜在危险区域生成草地贪夜蛾虫害预警信息和潜在危险区域预警信息。
8.根据权利要求7所述的一种草地贪夜蛾的虫情监测预警系统，其特征在于，所述的估算目标农作物区域的草地贪夜蛾数量估值，具体为：
将所述目标农作物区域划分为N个子区域，获取所述子区域的环境状况信息，并生成子区域环境特征；
计算各子区域的环境特征差异值，根据所述环境特征差异值将所述子区域进行分类，若各子区域的环境特征差异值小于预设差异值阈值，则视为同类别区域；
通过草地贪夜蛾检测模型识别农作物叶片上的不同发育历期的草地贪夜蛾，并进行计数生成单位植株草地贪夜蛾数；
获取同类别区域内的农作物植株数量，根据所述农作物植株数量及单位植株草地贪夜蛾数生成目标农作物区域的草地贪夜蛾数量估值。
9.根据权利要求7所述的一种草地贪夜蛾的虫情监测预警系统，其特征在于，通过所述世代周期及历史迁飞路径构建迁飞预测模型，根据所述迁飞预测模型生成潜在危险区域，具体为：
获取目标农作物区域所在地区的地理特征及气候特征，根据所述地理特征及气候特征进行气象模拟；
根据目标农作物区域的草地贪夜蛾适生等级及草地贪夜蛾的种群数量判断草地贪夜蛾的迁飞时间；
构建迁飞预测模型，根据草地贪夜蛾的历史迁飞路线及所述气象模拟的大气风场生成草地贪夜蛾预测迁飞路径及迁飞时长，获取所述预测迁飞路径上农作物区域；
评估所述农作物区域的草地贪夜蛾适生程度信息，将所述草地贪夜蛾适生程度信息大于适生程度阈值的农作物区域进行标记；
获取被标记农作物区域的未来天气情况判断草地贪夜蛾的降落区域，生成潜在危险区域预警信息。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括一种草地贪夜蛾的虫情监测预警方法程序，所述一种草地贪夜蛾的虫情监测预警方法程序被处理器执行时，实现如权利要求1至6中任一项所述的一种草地贪夜蛾的虫情监测预警方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111489231.XA CN114170513B (zh) | 2021-12-08 | 2021-12-08 | 一种草地贪夜蛾的虫情监测方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111489231.XA CN114170513B (zh) | 2021-12-08 | 2021-12-08 | 一种草地贪夜蛾的虫情监测方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114170513A true CN114170513A (zh) | 2022-03-11 |
| CN114170513B CN114170513B (zh) | 2024-06-14 |
Family
ID=80484210
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111489231.XA Active CN114170513B (zh) | 2021-12-08 | 2021-12-08 | 一种草地贪夜蛾的虫情监测方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114170513B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114511161A (zh) * | 2022-04-21 | 2022-05-17 | 中化现代农业有限公司 | 二点委夜蛾防治适期预测方法、装置、设备和存储介质 |
| CN114550108A (zh) * | 2022-04-26 | 2022-05-27 | 广东省农业科学院植物保护研究所 | 一种草地贪夜蛾的识别预警方法及系统 |
| CN115049112A (zh) * | 2022-05-27 | 2022-09-13 | 中国科学院空天信息创新研究院 | 一种迁飞性昆虫空间分布预测方法和装置 |
| CN115496300B (zh) * | 2022-11-08 | 2023-01-31 | 苏州农业职业技术学院 | 一种月季育苗生长信息及环境监测方法 |
| CN115796366A (zh) * | 2022-12-02 | 2023-03-14 | 同济大学 | 一种森林虫害预测方法及虫害预测森林地图系统 |
| CN115879773A (zh) * | 2023-02-22 | 2023-03-31 | 广东省农业科学院植物保护研究所 | 一种基于物联网的病虫害智能预警方法及系统 |
| CN115953262A (zh) * | 2023-03-15 | 2023-04-11 | 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 |
| CN115983533A (zh) * | 2023-02-15 | 2023-04-18 | 广东省农业科学院植物保护研究所 | 一种荔枝蒂蛀虫潜在危害识别与评估方法及系统 |
| CN116384594A (zh) * | 2023-06-05 | 2023-07-04 | 四川凯普顿信息技术股份有限公司 | 基于大数据分析的作物虫害预警方法、系统、终端及介质 |
| CN117854012A (zh) * | 2024-03-07 | 2024-04-09 | 成都智慧城市信息技术有限公司 | 一种基于大数据的农作物环境监测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106682785A (zh) * | 2017-01-05 | 2017-05-17 | 赵法宝 | 一种水稻二化螟发生期的预测预报方法 |
| CN107463958A (zh) * | 2017-08-04 | 2017-12-12 | 成都东谷利农农业科技有限公司 | 昆虫识别预警方法及系统 |
| CN111252246A (zh) * | 2020-02-19 | 2020-06-09 | 刘顺字 | 一种基于无人机、固定摄像模块联用的大区域病虫害防治方法 |
| CN111460990A (zh) * | 2020-03-31 | 2020-07-28 | 青海省草原总站 | 一种基于大数据的高寒牧区草原虫害监测预警系统及方法 |
-
2021
- 2021-12-08 CN CN202111489231.XA patent/CN114170513B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106682785A (zh) * | 2017-01-05 | 2017-05-17 | 赵法宝 | 一种水稻二化螟发生期的预测预报方法 |
| CN107463958A (zh) * | 2017-08-04 | 2017-12-12 | 成都东谷利农农业科技有限公司 | 昆虫识别预警方法及系统 |
| CN111252246A (zh) * | 2020-02-19 | 2020-06-09 | 刘顺字 | 一种基于无人机、固定摄像模块联用的大区域病虫害防治方法 |
| CN111460990A (zh) * | 2020-03-31 | 2020-07-28 | 青海省草原总站 | 一种基于大数据的高寒牧区草原虫害监测预警系统及方法 |
Non-Patent Citations (6)
| Title |
|---|
| ADRIANO G. GARCIA 等: ""A computational model to predict the population dynamics of Spodoptera frugiperda"", 《JOURNAL OF PEST SCIENCE》, vol. 92, 10 October 2018 (2018-10-10), pages 429 - 441, XP036739399, DOI: 10.1007/s10340-018-1051-4 * |
| BLUM, M 等: ""Predicting Heliothis (Helicoverpa armigera) pest population dynamics with an age-structured insect population model driven by satellite data"", 《ECOLOGICAL MODELLING》, vol. 369, 27 February 2018 (2018-02-27), pages 1 - 12, XP055935346, DOI: 10.1016/j.ecolmodel.2017.12.019 * |
| 姜玉英 等: ""我国农作物重大迁飞性害虫发生为害及监测预报技术"", 《应用昆虫学报》, vol. 58, no. 3, 31 March 2021 (2021-03-31), pages 542 - 551 * |
| 张茂兰 等: ""基于改进的物元可拓法的矿山环境评价——以江西省萍乡市为例", 《测绘工程》, vol. 29, no. 3, 30 June 2020 (2020-06-30), pages 56 - 62 * |
| 张雪艳 等: ""2019年四川省草地贪夜蛾迁入虫源地分布及迁飞路径"", 《植物保护学报》, vol. 47, no. 04, 30 April 2020 (2020-04-30), pages 770 - 779 * |
| 陈辉;武明飞;刘杰;谌爱东;姜玉英;胡高;: "我国草地贪夜蛾迁飞路径及其发生区划", 植物保护学报, no. 04, 15 August 2020 (2020-08-15), pages 63 - 73 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114511161A (zh) * | 2022-04-21 | 2022-05-17 | 中化现代农业有限公司 | 二点委夜蛾防治适期预测方法、装置、设备和存储介质 |
| CN114511161B (zh) * | 2022-04-21 | 2022-08-16 | 中化现代农业有限公司 | 二点委夜蛾防治适期预测方法、装置、设备和存储介质 |
| CN114550108A (zh) * | 2022-04-26 | 2022-05-27 | 广东省农业科学院植物保护研究所 | 一种草地贪夜蛾的识别预警方法及系统 |
| CN115049112A (zh) * | 2022-05-27 | 2022-09-13 | 中国科学院空天信息创新研究院 | 一种迁飞性昆虫空间分布预测方法和装置 |
| CN115496300B (zh) * | 2022-11-08 | 2023-01-31 | 苏州农业职业技术学院 | 一种月季育苗生长信息及环境监测方法 |
| CN115796366A (zh) * | 2022-12-02 | 2023-03-14 | 同济大学 | 一种森林虫害预测方法及虫害预测森林地图系统 |
| CN115983533B (zh) * | 2023-02-15 | 2023-05-16 | 广东省农业科学院植物保护研究所 | 一种荔枝蒂蛀虫潜在危害识别与评估方法及系统 |
| CN115983533A (zh) * | 2023-02-15 | 2023-04-18 | 广东省农业科学院植物保护研究所 | 一种荔枝蒂蛀虫潜在危害识别与评估方法及系统 |
| CN115879773A (zh) * | 2023-02-22 | 2023-03-31 | 广东省农业科学院植物保护研究所 | 一种基于物联网的病虫害智能预警方法及系统 |
| CN115953262A (zh) * | 2023-03-15 | 2023-04-11 | 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 |
| CN116384594A (zh) * | 2023-06-05 | 2023-07-04 | 四川凯普顿信息技术股份有限公司 | 基于大数据分析的作物虫害预警方法、系统、终端及介质 |
| CN116384594B (zh) * | 2023-06-05 | 2023-08-01 | 四川凯普顿信息技术股份有限公司 | 基于大数据分析的作物虫害预警方法、系统、终端及介质 |
| CN117854012A (zh) * | 2024-03-07 | 2024-04-09 | 成都智慧城市信息技术有限公司 | 一种基于大数据的农作物环境监测方法及系统 |
| CN117854012B (zh) * | 2024-03-07 | 2024-05-14 | 成都智慧城市信息技术有限公司 | 一种基于大数据的农作物环境监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114170513B (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114170513A (zh) | 一种草地贪夜蛾的虫情监测方法、系统及存储介质 | |
| CN113110207A (zh) | 基于物联网传感器的虫害远程监测方法、系统及存储介质 | |
| EP3482630B1 (en) | Method, system and computer program for performing a pest forecast | |
| CN115879773B (zh) | 一种基于物联网的病虫害智能预警方法及系统 | |
| Petacchi et al. | Large‐scale simulation of temperature‐dependent phenology in wintering populations of B actrocera oleae (Rossi) | |
| Early et al. | Comparing, evaluating and combining statistical species distribution models and CLIMEX to forecast the distributions of emerging crop pests | |
| Kung et al. | Drought forecast model and framework using wireless sensor networks | |
| CN108764643A (zh) | 大范围作物病害风险评估方法 | |
| CN109461151A (zh) | 一种牲畜数量清点的方法、装置及系统 | |
| CN117371727A (zh) | 一种基于物联网的智慧农业监测与规划方法及系统 | |
| CN115983533A (zh) | 一种荔枝蒂蛀虫潜在危害识别与评估方法及系统 | |
| CN114414491B (zh) | 一种草原生态动态监测与分析系统 | |
| CN113435825B (zh) | 一种基于土传病害防治的智能管理方法、系统及存储介质 | |
| CN114546006A (zh) | 一种腰果仓储环境的智能控制方法及系统 | |
| CN114550848A (zh) | 作物病害处理方法、装置、电子设备及计算机可读介质 | |
| CN116993025B (zh) | 一种基于数据处理的虫害诱杀设备管理方法及系统 | |
| Mishra et al. | Fishing cat Prionailurus viverrinus distribution and habitat suitability in Nepal | |
| Bogdan et al. | Demographic analysis of an Israeli Carpobrotus population | |
| CN116523182B (zh) | 一种生态果园的构建和生产管理方法、系统及存储介质 | |
| CN116740645A (zh) | 基于物联网的实蝇监测与综合防控方法、系统及存储介质 | |
| CN116307879A (zh) | 一种斑节对虾虾苗高效培育方法、系统及介质 | |
| FAISAL | A pest monitoring system for agriculture using deep learning | |
| Bandara et al. | Analysis of Forest Cover Loss in Wilpattu forest complex: A remotely sensed change detection and fragmentation analysis | |
| Puyravaud et al. | Modelling harvest of Asian elephants Elephas maximus on the basis of faulty assumptions promotes inappropriate management solutions | |
| Tarjuelo et al. | Assessing vulnerability of reptile hotspots through temporal trends of global change factors in the Iberian Peninsula |
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 |