CN114781683B - 温室黄瓜霜霉病预测方法及装置 - Google Patents

温室黄瓜霜霉病预测方法及装置 Download PDF

Info

Publication number
CN114781683B
CN114781683B CN202210208805.XA CN202210208805A CN114781683B CN 114781683 B CN114781683 B CN 114781683B CN 202210208805 A CN202210208805 A CN 202210208805A CN 114781683 B CN114781683 B CN 114781683B
Authority
CN
China
Prior art keywords
greenhouse
predicted
downy mildew
cucumber downy
prediction
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
CN202210208805.XA
Other languages
English (en)
Other versions
CN114781683A (zh
Inventor
李明
李文勇
杨信廷
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.)
Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences
Original Assignee
Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences
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 Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences filed Critical Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences
Priority to CN202210208805.XA priority Critical patent/CN114781683B/zh
Publication of CN114781683A publication Critical patent/CN114781683A/zh
Application granted granted Critical
Publication of CN114781683B publication Critical patent/CN114781683B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Marine Sciences & Fisheries (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种温室黄瓜霜霉病预测方法及装置，该方法包括：在待预测温室内黄瓜霜霉病菌孢子囊的数量大于第一预设值的情况下，获取待预测温室内的气象数据；将待预测温室内的气象数据输入黄瓜霜霉病预测模型，获取黄瓜霜霉病预测模型输出的待预测温室黄瓜霜霉病的预测结果；其中，黄瓜霜霉病预测模型，是基于样本数据及对应的样本标签进行训练得到的；样本数据，包括样本温室内的气象数据；样本标签，包括样本温室内黄瓜霜霉病的实际发病情况。本发明提供的温室黄瓜霜霉病预测方法及装置，能更准确的获取待预测温室内黄瓜霜霉病的预测结果，能为提前采取防治措施以更好的防治黄瓜霜霉病提供依据，能更好的防治黄瓜霜霉病。

Description

温室黄瓜霜霉病预测方法及装置
技术领域
本发明涉及信息技术领域，尤其涉及一种温室黄瓜霜霉病预测方法及装置。
背景技术
黄瓜霜霉病由古巴假霜霉(Pseudoperonospora cubensis)引起，是温室黄瓜生产中发生最普遍、危害最严重的一种病害。作为单年流行病害，黄瓜霜霉病在适宜的温湿度条件下，发生速度快，病情发展速度快，几天时间便可蔓延到全田，因此生产上对黄瓜霜霉病防治十分重视。
通常情况下，可以通过在黄瓜定植之后进行预防性的喷打农药或用杀菌剂熏棚，在黄瓜霜霉病已侵染或已显症之后，增加喷打农药的次数和/或剂量等方法，实现黄瓜霜霉病的防治。但是，上述防治方法的花费较高，容易造成农药残留超标和环境污染，且防治效果不如在黄瓜霜霉病侵染或显症之前就开始进行黄瓜霜霉病防治。因此，对黄瓜霜霉病进行预测，不仅有助于提前采取防治措施以更好的防治黄瓜霜霉病，还可以减少农药的使用次数和/或使用剂量，从而更好的适应食品安全、环境友好的要求。
现有的温室黄瓜霜霉病预测方法可以基于空气温湿度和预设的空气温湿度阈值，对黄瓜霜霉病是否发病进行预测。但是，影响黄瓜霜霉病发病的因素较多，基于现有的温室黄瓜霜霉病预测方法对黄瓜霜霉病进行预测的预测精度不高。
发明内容
本发明提供一种温室黄瓜霜霉病预测方法及装置，用以解决现有技术中对黄瓜霜霉病进行预测的预测精度不高的缺陷，实现更准确的对黄瓜霜霉病进行预测。
本发明提供一种温室黄瓜霜霉病预测方法，包括：
获取待预测温室内黄瓜霜霉病菌孢子囊的数量；
在所述黄瓜霜霉病菌孢子囊的数量大于第一预设值的情况下，获取所述待预测温室内的气象数据；
将所述待预测温室内的气象数据输入黄瓜霜霉病预测模型，获取所述黄瓜霜霉病预测模型输出的所述待预测温室黄瓜霜霉病的预测结果；
其中，所述黄瓜霜霉病预测模型，是基于样本数据及对应的样本标签进行训练得到的；所述样本数据，包括样本温室内的气象数据；所述样本标签，包括所述样本温室内黄瓜霜霉病的实际发病情况。
根据本发明提供的一种温室黄瓜霜霉病预测方法，所述黄瓜霜霉病预测模型，包括：侵染条件预测子模型；所述气象数据，包括：叶片湿润时间和温度；
相应地，所述将所述待预测温室内的气象数据输入黄瓜霜霉病预测模型，获取所述黄瓜霜霉病预测模型输出的所述待预测温室黄瓜霜霉病的预测结果，具体包括：
将所述待预测温室内的叶片湿润时间和温度输入所述侵染条件预测子模型，获取所述侵染条件预测子模型输出的所述待预测温室黄瓜霜霉病的预测结果；
其中，所述预测结果表示所述待预测温室未出现黄瓜霜霉病侵染；所述侵染条件预测子模型用于基于所述待预测温室内的叶片湿润时间，预测所述待预测温室是否出现黄瓜霜霉病侵染，在预测得到所述待预测温室未出现黄瓜霜霉病侵染的情况下，输出所述预测结果。
根据本发明提供的一种温室黄瓜霜霉病预测方法，所述黄瓜霜霉病预测模型，还包括：潜育期预测子模型；
相应地，所述将所述待预测温室内的叶片湿润时间和温度输入所述侵染条件预测子模型之后，所述方法还包括：
在获取到所述侵染条件预测子模型输出的第一指令的情况下，将所述待预测温室内的温度输入所述潜育期预测子模型，获取所述潜育期预测子模型输出的所述待预测温室黄瓜霜霉病的预测结果；
其中，所述预测结果表示所述待预测温室出现黄瓜霜霉病侵染且未结束黄瓜霜霉病潜育期；所述侵染条件预测子模型用于在预测得到所述待预测温室出现黄瓜霜霉病侵染的情况下，输出所述第一指令；所述潜育期预测子模型用于基于所述待预测温室内的温度，预测所述待预测温室是否结束黄瓜霜霉病潜育期，在预测得到所述待预测温室未结束黄瓜霜霉病潜育期的情况下，输出所述预测结果。
根据本发明提供的一种温室黄瓜霜霉病预测方法，所述黄瓜霜霉病预测模型，还包括：发病预测子模型；所述气象数据，还包括：相对湿度和日照时长；
相应地，所述将所述待预测温室内的温度输入所述潜育期预测子模型之后，所述方法还包括：
在获取到所述潜育期预测子模型输出的第二指令的情况下，将所述待预测温室的温度、相对湿度、叶片湿润时间和日照时长输入所述发病预测子模型，获取所述发病预测子模型输出的所述待预测温室黄瓜霜霉病的预测结果；
其中，所述预测结果包括所述待预测温室内黄瓜霜霉病是否发病；所述潜育期预测子模型用于在预测得到所述待预测温室内黄瓜霜霉病的潜育期结束的情况下，输出所述第二指令。
根据本发明提供的一种温室黄瓜霜霉病预测方法，所述预测结果，包括所述待预测温室内黄瓜霜霉病发病的概率和/或所述待预测温室内黄瓜霜霉病发病的风险等级。
根据本发明提供的一种温室黄瓜霜霉病预测方法，所述获取待预测温室内黄瓜霜霉病菌孢子囊的数量，具体包括：
获取所述待预测温室内黄瓜的生长发育数据和栽培管理数据；
在所述待预测温室内黄瓜的生长发育数据和栽培管理数据满足预设条件的情况下，获取所述待预测温室内黄瓜霜霉病菌孢子囊的数量。
根据本发明提供的一种温室黄瓜霜霉病预测方法，所述发病预测子模型是基于贝叶斯网络模型构建的。
根据本发明提供的一种温室黄瓜霜霉病预测方法，所述获取所述待预测温室内的气象数据，具体包括：
基于扩展的相对湿度阈值法，获取所述待预测温室内的叶片湿润时间。
本发明还提供一种温室黄瓜霜霉病预测装置，包括：
第一数据获取模块，用于获取待预测温室内黄瓜霜霉病菌孢子囊的数量；
第二数据获取模块，用于在所述黄瓜霜霉病菌孢子囊的数量大于第一预设值的情况下，获取所述待预测温室内的气象数据；
病害预测模块，用于将所述待预测温室内的气象数据输入黄瓜霜霉病预测模型，获取所述黄瓜霜霉病预测模型输出的所述待预测温室黄瓜霜霉病的预测结果；
其中，所述黄瓜霜霉病预测模型，是基于样本数据及对应的样本标签进行训练得到的；所述样本数据，包括样本温室内的气象数据；所述样本标签，包括所述样本温室内黄瓜霜霉病的实际发病情况。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述温室黄瓜霜霉病预测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述温室黄瓜霜霉病预测方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述温室黄瓜霜霉病预测方法的步骤。
本发明提供的温室黄瓜霜霉病预测方法及装置，通过在待预测温室内黄瓜霜霉病菌孢子囊的数量不小于第一预设值的情况下，获取待预测温室内的气象数据，将待预测温室内的气象数据输入黄瓜霜霉病预测模型，获取上述黄瓜霜霉病预测模型输出的待预测温室内黄瓜霜霉病的预测结果，能更准确的获取待预测温室内黄瓜霜霉病的预测结果，能为提前采取防治措施以更好的防治黄瓜霜霉病提供依据，能更好的防治黄瓜霜霉病，能减少农药的使用次数和/或使用剂量，能更好的适应食品安全、环境友好的要求。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的温室黄瓜霜霉病预测方法的流程示意图；
图2为本发明提供的温室黄瓜霜霉病预测方法中发病预测子模型中的贝叶斯网络模型的示意图；
图3是本发明提供的温室黄瓜霜霉病预测方法中预测结果与实测结果的比较示意图之一；
图4是本发明提供的温室黄瓜霜霉病预测方法中预测结果与实测结果的比较示意图之二；
图5是本发明提供的温室黄瓜霜霉病预测装置的结构示意图之一；
图6是本发明提供的温室黄瓜霜霉病预测装置的结构示意图之二；
图7是本发明提供的温室黄瓜霜霉病预测装置的结构示意图之三；
图8是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
需要说明的是，传统的黄瓜霜霉病的防治方法，包括在病害表现初步症状时进行施药。但是，由于黄瓜霜霉病流行速度快，在病害表现初步症状时再进行防治，往往会贻误最佳防治时机，导致防治效果不佳。
传统的黄瓜霜霉病的防治方法，还包括基于传统的温室黄瓜霜霉病预测方法，对黄瓜霜霉病是否发病进行预测，并根据预测结果进行黄瓜霜霉病的防治。但是，传统的温室黄瓜霜霉病预测方法主要基于空气温湿度对黄瓜霜霉病是否发病进行预测，较少考虑叶面微环境对黄瓜霜霉病的侵染、潜育以及发病的影响，也没有考虑到病原这个主导因素，导致基于传统的温室黄瓜霜霉病预测方法得到的黄瓜霜霉病的预测结果准确率不高。
对此，本发明提供一种温室黄瓜霜霉病预测方法。基于本发明提供的温室黄瓜霜霉病预测方法，可以依据“预防为主，综合防治，保护环境”的方针，从生产源头开始对待预测温室内的黄瓜霜霉病进行全流程的预测，更准确的获取待预测温室内是否出现黄瓜霜霉病的侵染、是否进入黄瓜霜霉病的潜育期、黄瓜霜霉病是否发病、黄瓜霜霉病发病的概率以及发病的风险等级中的至少一个作为预测结果，可以为更好的防治黄瓜霜霉病提供依据。
图1是本发明提供的温室黄瓜霜霉病预测方法的流程示意图。下面结合图1描述本发明的温室黄瓜霜霉病预测方法。如图1所示，该方法包括：步骤101、获取待预测温室内黄瓜霜霉病菌孢子囊的数量。
具体地，可以通过相关检测仪器获取待预测温室内黄瓜霜霉病菌孢子囊的数量，例如：可以采用吸入式孢子仪对待预测温室内黄瓜霜霉病菌孢子囊进行监测，获得待预测温室内黄瓜霜霉病菌孢子囊的数量。
需要说明的是，待预测温室内黄瓜霜霉病菌孢子囊的数量为动态变化数据。
步骤102、在黄瓜霜霉病菌孢子囊的数量不小于第一预设值的情况下，获取待预测温室内的气象数据。
具体地，获取待预测温室内黄瓜霜霉病菌孢子囊的数量之后，可以比较待预测温室内黄瓜霜霉病菌孢子囊的数量与第一预设值之间的大小。
在待预测温室内黄瓜霜霉病菌孢子囊的数量小于第一预设值的情况下，说明待预测温室未达到黄瓜霜霉病初侵染发生所需的病原条件，可以继续对待预测温室内黄瓜霜霉病菌孢子囊进行监测。
在待预测温室内黄瓜霜霉病菌孢子囊的数量不小于第一预设值的情况下，说明待预测温室已达到黄瓜霜霉病初侵染发生所需的病原条件，需要获取待预测温室内的气象数据，并基于上述气象数据对待预测温室黄瓜霜霉病的发病情况进行进一步的预测。
需要说明的是，第一预设值为根据实际情况确定的正整数，单位为个/cm3。之间本发明实施例中对第一预设值的具体取值不作限定。
可选地，第一预设值可以在8至12个/cm3之间。
优选地，第一预设值为10个/cm3。
需要说明的是，待预测温室内的气象数据可以包括待预测温室内的叶面湿润时间。待预测温室内的气象数据还可以包括待预测温室内的温度、相对湿度和日照时长中的部分或全部。
本发明实施例中，可以采用多种方式获取待预测温室内的气象数据。
例如，可以基于设置于待预测温室内的气象站，对待预测温室内的温度、相对湿度和日照时长等气象数据进行实时测量，获取待预测温度内的温度、相对湿度和日照时长等气象数据。在种植于待预测温室内的黄瓜的生长初期，上述气象站可以设置于植株冠层上方10cm处，随着植株的生长，基于植株冠层的高度调整上述气象站的位置，在植株生长至1.5m高左右的情况下，使得上述气象站位于植株冠层中部。上述气象站可以周期性的获取待预测温室内的温度、相对湿度和日照时长等气象数据(每隔1小时获取一次)，并每隔固定时长转储一次数据(每隔1周转储一次)。
又例如，还可以利用设置于待预测温室外的气象自动采集系统，获取待预测温室外的温度、相对湿度、地表温度、日照时长以及降雨量的室外气象数据，并可以基于上述室外气象数据，通过数值计算等方式，获取待预测温室内的温度、相对湿度和日照时长等气象数据。
又例如，还可以基于待预测温室内的相对湿度，通过数值计算等方式，获取待预测温室内的叶面湿润时间。
需要说明的是，待预测温室内的气象数据为动态变化数据。
步骤103、将待预测温室内的气象数据输入黄瓜霜霉病预测模型，获取黄瓜霜霉病预测模型输出的待预测温室黄瓜霜霉病的预测结果。
其中，黄瓜霜霉病预测模型，是基于样本数据及对应的样本标签进行训练得到的；样本数据，包括样本温室内的气象数据；样本标签，包括样本温室内黄瓜霜霉病的实际发病情况。
具体地，将待预测温室内的气象数据输入黄瓜霜霉病预测模型之前，可以获取样本数据及对应的样本标签，并可以基于上述样本数据及对应的样本标签对黄瓜霜霉病预测模型进行训练，获得训练好的黄瓜霜霉病预测模型。
可选地，样本数据可以包括样本温室内的气象数据。其中，上述样本温室内的气象数据可以包括样本温室内的叶面湿润时间。样本温室内的气象数据还可以包括样本温室内的温度、相对湿度和日照时长中的部分或全部。
可选地，样本数据对应的样本标签包括样本温室内黄瓜霜霉病的实际发病情况。其中，样本温室内黄瓜霜霉病的实际发病情况可以包括但不限于样本温室内实际是否出现黄瓜霜霉病侵染、实际是否进入潜育期、实际是否发病、发病的概率以及发病的风险等级等。
本发明实施例中可以采用多种方式获取样本数据，可以基于先验知识获取上述样本标签。例如：可以基于设置于样本温室内的气象站，对样本温室内的温度、相对湿度和日照时长等气象数据进行实时测量，获取样本温度内的温度、相对湿度和日照时长。又例如：还可以基于样本温室内的相对湿度，通过数值计算等方式，获取样本温室内的叶面湿润时间。
需要说明的是，上述先验知识可以是基于人工调查获取的。
基于样本数据及对应的样本标签对黄瓜霜霉病预测模型进行训练，获得训练好的黄瓜霜霉病预测模型之后，可以将获取到的待预测温室内的气象数据输入训练好的黄瓜霜霉病预测模型，获得训练好的黄瓜霜霉病预测模型输出的待预测温室黄瓜霜霉病的预测结果。
可选地，训练好的黄瓜霜霉病预测模型输出的待预测温室黄瓜霜霉病的预测结果，可以包括但不限于待预测温室内是否出现黄瓜霜霉病侵染、待预测温室内是否结束黄瓜霜霉病潜育期、待预测温室内黄瓜霜霉病是否发病、待预测温室内黄瓜霜霉病发病的概率以及发病的风险等级中的一个或多个。本发明实施例中对训练好的黄瓜霜霉病预测模型输出的待预测温室黄瓜霜霉病的预测结果不作具体限定。
可选地，由于黄瓜定植后有缓苗期，因此，作为一个可选的实施例，在待预测温室内黄瓜霜霉病菌孢子囊的数量不小于第一预设值的情况下，可以进一步判断待预测温室内的黄瓜定植后的时长是否大于预设时长，并可以在待预测温室内的黄瓜定植后的时长大于上述预设时长的情况下，再获取待预测温室内的气象数据，并将待预测温室内的气象数据输入黄瓜霜霉病预测模型，对待预测温室内的黄瓜霜霉病进行预测。其中，上述预设时长可以根据实际情况确定，例如上述预设时长可以为7天。本发明实施例中对上述预设时长不作具体限定。
本发明实施例通过在待预测温室内黄瓜霜霉病菌孢子囊的数量不小于第一预设值的情况下，获取待预测温室内的气象数据，将待预测温室内的气象数据输入黄瓜霜霉病预测模型，获取上述黄瓜霜霉病预测模型输出的待预测温室内黄瓜霜霉病的预测结果，能更准确的获取待预测温室内黄瓜霜霉病的预测结果，能为提前采取防治措施以更好的防治黄瓜霜霉病提供依据，能更好的防治黄瓜霜霉病，能减少农药的使用次数和/或使用剂量，能更好的适应食品安全、环境友好的要求。
基于上述各实施例的内容，黄瓜霜霉病预测模型，包括：侵染条件预测子模型；气象数据，包括：叶片湿润时间和温度。
相应地，将待预测温室内的气象数据输入黄瓜霜霉病预测模型，获取黄瓜霜霉病预测模型输出的待预测温室黄瓜霜霉病的预测结果，具体包括：将待预测温室内的叶片湿润时间和温度输入侵染条件预测子模型，获取侵染条件预测子模型输出的待预测温室黄瓜霜霉病的预测结果。
其中，预测结果表示待预测温室未出现黄瓜霜霉病侵染；侵染条件预测子模型用于基于待预测温室内的叶片湿润时间和温度，预测待预测温室是否出现黄瓜霜霉病侵染，在预测得到待预测温室未出现黄瓜霜霉病侵染的情况下，输出预测结果。
需要说明的是，根据先验知识可知满足黄瓜霜霉病菌侵染的最低条件包括温室内叶片湿润时间达到2h且平均温度为20℃、叶片湿润时间达到6h且平均温度为10-15℃以及叶片湿润时间达到12h且平均温度为5-10℃。
在此情况下，本发明实施例中的侵染条件预测子模型，可以基于待预测温室内的叶片湿润时间以及上述叶片湿润时间对应的平均温度，确定待预测温室是否出现黄瓜霜霉病侵染。
具体地，获取待预测温室内的叶片湿润时间之后，可以将待预测温室内的叶片湿润时间和温度输入黄瓜霜霉病预测模型中的侵染条件子模型。
将待预测温室内的叶片湿润时间和温度输入侵染条件子模型之后，侵染条件子模型可以基于待预测温室内的叶片湿润时间和温度，获取待预测温室内叶片湿润时间对应的平均温度，并可以基于待预测温室内的叶片湿润时间和上述叶片湿润时间对应的平均温度，预测待预测温室内湿润出现黄瓜霜霉病侵染。
可选地，用于预测待预测温室内湿润是否出现黄瓜霜霉病侵染的条件可以通过如下公式表示：
LWD×TLWD≥M
其中，LWD表示待预测温室内的叶片湿润时间，单位为h；TLWD表示上述叶片湿润时间对应的平均温度，单位为℃；M表示侵染阈值，在待预测温室内的叶片湿润时间LWD和上述叶片湿润时间对应的平均温度TLWD的乘积不小于上述侵染阈值M的情况下，说明待预测温室内出现黄瓜霜霉病侵染，侵染阈值M可以根据实际情况确定，本发明实施例对侵染阈值M不作具体限定。
优选地，用于预测待预测温室内湿润是否出现黄瓜霜霉病侵染的条件可以通过如下公式表示：
在侵染条件子模型基于待预测温室内的叶片湿润时间和温度，预测得到待预测温室内未出现黄瓜霜霉病侵染的情况下，可以输出表示待预测温室内未出现黄瓜霜霉病侵染的预测结果。
在侵染条件子模型基于待预测温室内的叶片湿润时间和温度，预测得到待预测温室内出现黄瓜霜霉病侵染的情况下，可以输出表示待预测温室内出现黄瓜霜霉病侵染的第一指令。
本发明实施例通过将待预测温室内的叶面湿润时间和温度，输入黄瓜霜霉病预测模型中的侵染条件子模型，获取侵染条件子模型输出的表示待预测温室内未出现黄瓜霜霉病侵染的预测结果，能从生产源头开始对待预测温室内的黄瓜霜霉病进行全流程的预测，能更准确的预测待预测温室内是否出现黄瓜霜霉病的侵染，能基于待预测温室内黄瓜霜霉病的发病阶段进行更有针对性的防治，能提高黄瓜霜霉病的防治效果。
基于上述各实施例的内容，黄瓜霜霉病预测模型，还包括：潜育期预测子模型。
相应地，将待预测温室内的叶片湿润时间和温度输入侵染条件预测子模型之后，上述方法还包括：在获取到侵染条件预测子模型输出的第一指令的情况下，将待预测温室内的温度输入潜育期预测子模型，获取潜育期预测子模型输出的待预测温室黄瓜霜霉病的预测结果。
其中，预测结果表示待预测温室出现黄瓜霜霉病侵染且未结束黄瓜霜霉病潜育期；侵染条件预测子模型用于在预测得到待预测温室出现黄瓜霜霉病侵染的情况下，输出第一指令；潜育期预测子模型用于基于待预测温室内的温度，预测待预测温室是否结束黄瓜霜霉病潜育期，在预测得到待预测温室未结束黄瓜霜霉病潜育期的情况下，输出预测结果。
需要说明的是，根据先验知识可知温度可以作为黄瓜霜霉病进入潜育期的警兆指标。
在此情况下，本发明实施例中可以基于Logistic模型构建潜育期预测子模型。构建得到的潜育期预测子模型可以基于待预测温室内的温度，采用SAS8.02中的非线性回归过程NLIN过程(Gauss-Newton法)进行预测。
具体地，在获取到侵染条件子模型输出的表示待预测温室内出现黄瓜霜霉病侵染的第一指令的情况下，可以将待预测温室内的温度输入黄瓜霜霉病预测模型中的潜育期预测子模型。
潜育期预测子模型可以基于待预测温室内的温度，获取待预测温室内每小时的平均温度，并可以基于待预测温室内每小时的平均温度获取待预测温室内的黄瓜霜霉病潜育期贡献率。
潜育期预测子模型可以基于待预测温室内的黄瓜霜霉病潜育期贡献率，预测待预测温室是否结束黄瓜霜霉病潜育期以及待预测温室内的黄瓜霜霉病潜育期是否结束。
可选地，潜育期预测子模型可以基于如下公式获取待预测温室内的黄瓜霜霉病潜育期贡献率：
其中，y表示待预测温室内的黄瓜霜霉病的潜育期贡献率；t表示每小时平均温度。在待预测温室内的黄瓜霜霉病潜育期贡献率y累计达到1的情况下，可以确定待预测温室内黄瓜霜霉病的潜育期结束。在待预测温室内的黄瓜霜霉病潜育期贡献率y大于预设的潜育期阈值的情况下，可以确定待预测温室结束黄瓜霜霉病潜育期。上述潜育期阈值可以根据实际情况确定，本发明实施例中对潜育期阈值的具体取值不作限定。
需要说明的是，logistic模型在流行病学中应用较多，比较常用的情形是探索某疾病的危险因素，根据危险因素预测某疾病发生的概率等。
在潜育期预测子模型基于待预测温室内的温度，预测得到待预测温室结束黄瓜霜霉病潜育期的情况下，可以输出表示待预测温室内出现黄瓜霜霉病侵染且未结束黄瓜霜霉病潜育期的预测结果。
在潜育期预测子模型基于待预测温室内的温度，预测得到待预测温室内的黄瓜霜霉病的潜育期已结束，则可以输出表示待预测温室内黄瓜霜霉病的潜育期已结束的第二指令。
本发明实施例通过在获取到侵染条件子模型输出的表示待预测温室内出现黄瓜霜霉病侵染的第一指令的情况下，将待预测温室内的温度，输入黄瓜霜霉病预测模型中的潜育期预测子模型，获取潜育期预测子模型输出的表示待预测温室内出现黄瓜霜霉病侵染且未结束黄瓜霜霉病潜育期的预测结果，能对待预测温室内的黄瓜霜霉病进行全流程的预测，能更准确的预测待预测温室内是否进入黄瓜霜霉病的潜育期，能基于待预测温室内黄瓜霜霉病的发病阶段进行更有针对性的防治，能提高黄瓜霜霉病的防治效果。
基于上述各实施例的内容，黄瓜霜霉病预测模型，还包括：发病预测子模型；气象数据，还包括：相对湿度和日照时长。
相应地，将待预测温室内的温度输入潜育期预测子模型之后，上述方法还包括：在获取到潜育期预测子模型输出的第二指令的情况下，将待预测温室的温度、相对湿度、叶片湿润时间和日照时长输入发病预测子模型，获取发病预测子模型输出的待预测温室黄瓜霜霉病的预测结果。
其中，预测结果包括待预测温室内黄瓜霜霉病是否发病；潜育期预测子模型用于在预测得到待预测温室内黄瓜霜霉病的潜育期结束的情况下，输出第二指令。
需要说明的是，一方面基于先验知识可知温度和相对湿度是影响温室黄瓜霜霉病发生的关键因素。高湿环境容易在叶面上形成水滴，而在叶面有水滴存在的情况下，更有利于黄瓜霜霉病菌孢子囊的形成、萌发和侵入。另一方面，温室外环境也会对温室内的环境产生影响，进而影响温室内黄瓜霜霉病的发病。
在此情况下，本发明实施例中的发病预测子模块将待预测温室内的叶面湿润时间、温度、相对湿度以及日照时长作为考虑因素，基于待预测温室内的叶面湿润时间、温度、相对湿度以及日照时长对待预测温室内的黄瓜霜霉病进行预测。
具体地，在获取到潜育期预测子模型输出的表示待预测温室内黄瓜霜霉病的潜育期已结束的第二指令的情况下，可以将待预测温室内的温度、相对湿度、叶片湿润时间和日照时长输入黄瓜霜霉病预测模型中的发病预测子模型。
发病预测子模型可以基于待预测温室内的温度、相对湿度、叶片湿润时间和日照时长对待预测温室内的黄瓜霜霉病进行预测，获取并输出包括待预测温室内的黄瓜霜霉病是否发病的预测结果。其中，上述预测结果可以包括待预测温室内的黄瓜霜霉病发病或待预测温室内的黄瓜霜霉病未发病。
需要说明的是，发病预测子模型是基于样本数据及对应的样本标签进行训练后得到的。样本数据包括样本温室内的温度、相对湿度、叶片湿润时长和日照时长。样本标签包括样本温室内的黄瓜霜霉病是否发病的真实值。上述样本标签可以是通过对样本温室进行人工观测获取的。
可选地，由于在夜间环境中，高温高湿环境更有利于黄瓜霜霉病的发病。因此，本发明实施例中的发病预测子模型可以将待预测温室内白天的平均温度、夜间的平均温度、白天的相对湿度、夜间的相对湿度、土壤温度、叶片湿润时间作为研究变量，用于对待预测温室内的黄瓜霜霉病进行预测。
需要说明的是，本发明实施例中的白天指当日8:01至20:00；夜间指当日20:01至次日08:00。
本发明实施例通过在获取到潜育期预测子模型输出的表示待预测温室内黄瓜霜霉病的潜育期已结束的第二指令的情况下，将待预测温室内的温度、相对湿度、叶片湿润时间和日照时长输入黄瓜霜霉病预测模型中的发病预测子模型，获取发病预测子模型输出的包括待预测温室内的黄瓜霜霉病是否发病的预测结果，能对待预测温室内的黄瓜霜霉病进行全流程的预测，能更准确的预测待预测温室内的黄瓜霜霉病是否发病，能基于待预测温室内黄瓜霜霉病的发病阶段进行更有针对性的防治，能提高黄瓜霜霉病的防治效果。
基于上述各实施例的内容，发病预测子模型是基于贝叶斯网络模型构建的。
发病预测子模型可以基于BIC(Bayesian Information Criterion)评分的爬山搜索算法，用节点变量间的条件相互信息对各节点变量进行条件独立性检测，确定贝叶斯网络模型的初始结构，再基于MDL(Minimum Description Length)评分的爬山搜索算法对贝叶斯网络模型进行全局优化。
为了避免模型出现“过拟合”问题，发病预测子模型可以采用十折交叉验证法对贝叶斯网络模型进行训练。具体训练过程如下：将样本数据分成10份，将其中的9份作为训练数据，剩余的1份作为测试数据，分别进行10次MDL评分计算，并以10次计算得到的计算结果的平均值作为当前贝叶斯网络模型下MDL评分的估计值。以上述估计值为基础进行爬山搜索(包括对网络有向边进行添加、删减或者逆向操作)，直至获取MDL评分估计值最高的贝叶斯网络模型作为最终的贝叶斯网络模型。
图2为本发明提供的温室黄瓜霜霉病预测方法中发病预测子模型中的贝叶斯网络模型的示意图。上述最终的贝叶斯网络结构如图2所示。图2中，SR表示待预测温室的日照时数；NT表示待预测温室内的温度；NH表示待预测温室内的相对湿度；LW表示待预测温室内的叶片湿润时间；DM表示待预测温室内黄瓜霜霉病是否发病，DM为1表示待预测温室内的黄瓜霜霉病发病，DW为0表示待预测温室内的黄瓜霜霉病未发病。
基于样本数据及对应的样本标签对发病预测子模型进行训练的过程中，将样本温室内的温度、相对湿度、叶片湿润时长和日照时长输入训练中的发病预测子模型，可以获取训练中的发病预测子模型输出的样本温室内黄瓜霜霉病的预测结果的预测值。其中，上述预测结果的预测值可以包括预警样本温室内的黄瓜霜霉病发病或预警样本温室内的黄瓜霜霉病未发病。
将样本温室内黄瓜霜霉病的模拟预测结果和上述样本标签进行比较时，可以采用统计学上较为严格的均方根误差(Root Mean Squared Error，RMSE)以及拟合指数(Willmott agreement index)评估训练中的发病预测子模型的拟合程度。还可以采用平均离差(mean absolute error，MAE)和平均偏离差(mean bias error，MBE)评估样本温室内黄瓜霜霉病的模拟预测结果与上述样本标签之间的偏离方向。
均方根误差可以通过如下公式表示：
其中，RMSE表示均方根误差；Pi表示样本温室内黄瓜霜霉病的模拟预测结果；Oi表示上述样本标签；N表示样本数据的份数。
拟合指数可以通过如下公式表示：
其中，W表示拟合指数；P′i表示样本温室内黄瓜霜霉病的模拟预测结果的离均差；O′i表示上述样本标签的离均差。
平均离差可以通过如下公式表示：
其中，MAE表示平均离差。
平均偏离差可以通过如下公式表示：
其中，MAE表示平均偏离差。
本发明实施例中的发病预测子模型是基于贝叶斯网络模型构建的，能提高发病预测子模型的计算精度，从而能进一步提高黄瓜霜霉病的预测准确度。
基于上述各实施例的内容，预测结果，包括待预测温室内黄瓜霜霉病发病的概率和/或待预测温室内黄瓜霜霉病发病的风险等级。
需要说明的是，基于传统的温室黄瓜霜霉病预测方法得到的预测结果为二值型结果，仅包括发病或未发病两种。但在实际生产中，影响病害发生的随机因素较多，即使在预测结果为未发病的情况下，也有可能在短时间内发病，从而导致黄瓜霜霉病的防治效果不佳。
本发明实施例中的发病预测子模型可以基于待预测温室内的温度、相对湿度、叶片湿润时间和日照时长，获取包括待预测温室内黄瓜霜霉病发病的概率和/或待预测温室内黄瓜霜霉病发病的风险等级的预测结果。
具体地，样本标签中的样本温室内的黄瓜霜霉病是否发病，与训练中的发病预测子模型输出的样本温室内黄瓜霜霉病的预测结果的预测值的分类汇总如表1所示。
表1分类汇总表之一
样本数据的份数N 模拟预测结果为是 模拟预测结果为否
样本标签为是 命中(X) 漏报(Y)
样本标签为否 误报(S) 真阴性(Z)
训练中的发病预测子模型的灵敏度Sen(sensitivity)可以通过如下公式计算：
Sen＝X/(X+Y)
训练中的发病预测子模型的特异度Spe(specificity)可以通过如下公式计算：
Spe＝Z/(Z+S)
训练中的发病预测子模型的准确率Acc(accuracy，又称尤登指数Youden Index)可以通过如下公式计算：
Acc＝Sen+Spe-1
训练中的发病预测子模型的漏警率Fnr(即假阴性率false negative rate)可以通过如下公式计算：
Fnr＝1-Sen
训练中的发病预测子模型的误警率Fpr(即假阳性率false positive rate)可以通过如下公式计算：
Fpr＝1-Spe
基于通用性角度，可以依据贝叶斯定理(Bayesian Theorem)，设A表示黄瓜霜霉病真实发病，表示黄瓜霜霉病真实未发病。设P(A)表示样本标签中样本温室内黄瓜霜霉病发病的真实概率。基于样本标签中样本温室内黄瓜霜霉病发病的真实概率P(A)可以计算得到样本温室内黄瓜霜霉病未发病的真实概率/>
设B表示预警样本温室内的黄瓜霜霉病发病，表示预警样本温室内的黄瓜霜霉病未发病，则P(B|A)＝Sen，表示在样本温室内的黄瓜霜霉病真实发病的情况下预警样本温室内的黄瓜霜霉病发病的概率。
类似地，表示在样本温室内的黄瓜霜霉病真实未发病的情况下预警样本温室内的黄瓜霜霉病未发病的概率；/>表示在样本温室内的黄瓜霜霉病真实未发病的情况下预警样本温室内的黄瓜霜霉病发病的概率；/>表示在样本温室内的黄瓜霜霉病真实发病的情况下预警样本温室内的黄瓜霜霉病未发病的概率。
基于实用预警的角度，除了上述指标，更关心的是在预警样本温室内的黄瓜霜霉病发病的情况下样本温室内的黄瓜霜霉病真实发病的概率P(A|B)，以及在预警样本温室内的黄瓜霜霉病未发病的情况下样本温室内的黄瓜霜霉病真实未发病的概率相关计算公式如下：
可以将P(A|B)作为样本标签，表示样本温室内黄瓜霜霉病发病的概率。基于上述样本数据和上述样本标签，对发病预警子模型进行训练，获得训练好的发病预警子模型。
获得训练好的发病预警子模型之后，可将待预测温室内的温度、相对湿度、叶片湿润时间和日照时长输入训练好的发病预测子模型，发病预警子模型可以基于待预测温室内的温度、相对湿度、叶片湿润时间和日照时长，获取并输出待预测温室内黄瓜霜霉病发病的概率。
可选地，发病预警子模型获取待预测温室内黄瓜霜霉病发病的概率之后，还可以基于待预测温室内黄瓜霜霉病发病的概率，获取并输出待预测温室内黄瓜霜霉病发病的风险等级。
具体地，发病预测子模型可以基于待预测温室内黄瓜霜霉病发病的概率，将待预测温室内黄瓜霜霉病发病的风险等级分为5级，分别为初侵染警报、初侵染监视、初侵染信息报告、初侵染信息提示和无警或警报解除。
初侵染警报为最高级别的初侵染预警，表示待预测温室黄瓜霜霉病发病的概率很高，需要立即对待预测温室进行黄瓜霜霉病防治工作，例如控制温湿度，根据田间病情调查的程度，必要时可以使用预防性药剂，如百菌清烟剂。
初侵染监视为次高级别的初侵染预警，表示待预测温室黄瓜霜霉病发病的概率较高，需要密切监视待预测温室内的环境变化，并逐日确认待预测温室内的黄瓜霜霉病是否发病，做好待预测温室的黄瓜霜霉病防治准备工作。
初侵染信息报告为中等级别的初侵染预警，表示待预测温室黄瓜霜霉病发病的概率中等，需要注意待预测温室内的环境变化，并隔日确认待预测温室内的黄瓜霜霉病是否发病。
初侵染信息提示为低等级别的初侵染预警，表示待预测温室黄瓜霜霉病发病的概率较低。需要注意待预测温室内的温室环境变化。
无警或警报解除为最低等级别的初侵染预警，表示待预测温室黄瓜霜霉病发病的概率很低。待预测温室内的环境不适宜黄瓜霜霉病的发病。
可选地，发病预测子模型基于待预测温室内黄瓜霜霉病发病的概率，可以依据表2确定待预测温室内黄瓜霜霉病发病的风险等级。
表2风险等级划分表
需要说明的是，本发明实施例中的发病预测子模型可以仅输出待预测温室内黄瓜霜霉病发病的概率或待预测温室内黄瓜霜霉病发病的风险等级，还可以同时输出待预测温室内黄瓜霜霉病发病的概率和待预测温室内黄瓜霜霉病发病的风险等级。
本发明实施例通过获取到潜育期预测子模型输出的表示待预测温室内黄瓜霜霉病的潜育期已结束的第二指令的情况下，将待预测温室内的温度、相对湿度、叶片湿润时间和日照时长输入黄瓜霜霉病预测模型中的发病预测子模型，获取发病预测子模型输出的包括待预测温室内黄瓜霜霉病发病的概率和/或待预测温室内黄瓜霜霉病发病的风险等级的预测结果，能将黄瓜霜霉病的预测结果量化为发病的概率和/或发病的风险等级，从而能为黄瓜霜霉病的防治工作提供更准确、更具体的依据，能进一步的提高黄瓜霜霉病的防治效果。
基于上述各实施例的内容，获取待预测温室内黄瓜霜霉病菌孢子囊的数量，具体包括：获取待预测温室内黄瓜的生长发育数据和栽培管理数据。
具体地，获取待预测温室内黄瓜霜霉病菌孢子囊的数量之前，可以首先获取待预测温室内黄瓜的生长发育数据和栽培管理数据。
其中，生长发育数据可以包括但不限于植株高度、定植日期、日生长高度或长度、颜色变化、叶片长宽变化、叶片层数及排列、茎秆粗度变化等。栽培管理数据可以包括但不限于定植后黄瓜生长的每个阶段的时长、待预测温室内的温度、湿度、光照、施肥、浇水、防治病虫害等数据。
在待预测温室内黄瓜的生长发育数据和栽培管理数据满足预设条件的情况下，获取待预测温室内黄瓜霜霉病菌孢子囊的数量。
具体地，获取待预测温室内黄瓜的生长发育数据和栽培管理数据之后，可以判断待预测温室内黄瓜的生长发育数据和栽培管理数据是否满足预设条件，并在待预测温室内黄瓜的生长发育数据和栽培管理数据满足预设条件的情况下，再获取待预测温室内黄瓜霜霉病菌孢子囊的数量。
需要说明的是，预设条件可以是基于先验知识确定的。例如：预设条件可以包括黄瓜定植后一周且待预测温室内的温度大于20℃等。
本发明实施例通过在待预测温室内黄瓜的生长发育数据和栽培管理数据满足预设条件的情况下，再获取待预测温室内黄瓜霜霉病菌孢子囊的数量，能更准确的获取待预测温室内黄瓜霜霉病的预测结果。
基于上述各实施例的内容，获取待预测温室内的气象数据，具体包括：基于扩展的相对湿度阈值法，获取待预测温室内的叶片湿润时间。
具体地，基于扩展的相对湿度阈值法获取待预测温室内的叶片湿润时间的具体算法如下：RH＞96％，叶片湿润；90％≤RH≤96％，当RH在30min内增加3％时，叶片变湿；当RH在30min内降低2％时，叶片变干；RH＜90％，叶片变干。其中，RH表示相对湿度。
本发明实施例通过基于扩展的相对湿度阈值法，获取待预测温室内的叶片湿润时间，能更准确、更高效的获取待预测温室内的叶片湿润时间，进而能提高预测黄瓜霜霉病的预测准确率和预测效率。
为了便于对本发明提供的温室黄瓜霜霉病预测方法的理解，以下通过一个实例说明本发明提供的温室黄瓜霜霉病预测方法。
采用京研迷你2号黄瓜，在北京进行了2个春茬和2个秋冬茬，共计4个茬次、8个样本温室、60个样本取样点的田间应用，获取上述样本温室的气象数据作为样本数据，获取共计735次病害调查结果作为对应的样本标签，基于上述样本数据和对应的样本标签对黄瓜霜霉病预测模型进行训练，获得训练好的黄瓜霜霉病预测模型。基于上述训练好的黄瓜霜霉病预测模型对待预测温室内的黄瓜霜霉病进行预测。
由上述训练好的黄瓜霜霉病预测模型输出的待预测温室黄瓜霜霉病的预测结果可知，本发明提供的温室黄瓜霜霉病预测方法可以提取2天以上预测待预测温室黄瓜霜霉病的发病，即可以为生产上采取环境调控、施用保护性药剂等预防性措施提供较充足的时间。而通常情况下，施用百菌清保护剂和采用生态防治等预防性措施，均需要比预计发病提前1天进行，因此提前2天预警可以满足生产上预防黄瓜霜霉病发生的需要。
图3是本发明提供的温室黄瓜霜霉病预测方法中预测结果与实测结果的比较示意图之一。图4是本发明提供的温室黄瓜霜霉病预测方法中预测结果与实测结果的比较示意图之二。图3中包含真阴性点，图4中不包含真阴性点。如图3和图4所示，基于本发明提供的温室黄瓜霜霉病预测方法获得的预测结果与实测结果的吻合程度较高，说明预测结果的准确率较高。
基于本发明提供的温室黄瓜霜霉病预测方法得到预测结果，与样本标签的分类汇总如表3所示。
表3分类汇总表之二
如表4所示，训练好的黄瓜霜霉病预测模型的，灵敏度为0.68，特异度为0.92，准确率为0.60，结果较好。在黄瓜霜霉病实际发病的情况下，黄瓜霜霉病预测模型预测得到的预测得到的黄瓜霜霉病发病的概率为0.95，比先验概率0.68提高了27％，黄瓜霜霉病预测模型预测得到的黄瓜霜霉病发病的概率的准确率较高。
采用似然比形式进行分析，得到LR(A，B)＝8.5＞1， 可见黄瓜霜霉病预测模型对于待预测温室内黄瓜霜霉病是否发病的预测准确率较高。
图5是本发明提供的温室黄瓜霜霉病预测装置的结构示意图之一。下面结合图5对本发明提供的温室黄瓜霜霉病预测装置进行描述，下文描述的温室黄瓜霜霉病预测装置与上文描述的本发明提供的温室黄瓜霜霉病预测方法可相互对应参照。如图5所示，该装置包括：第一数据获取模块501、第二数据获取模块502和病害预测模块503。
第一数据获取模块501，用于获取待预测温室内黄瓜霜霉病菌孢子囊的数量。
第二数据获取模块502，用于在黄瓜霜霉病菌孢子囊的数量大于第一预设值的情况下，获取待预测温室内的气象数据。
病害预测模块503，用于将待预测温室内的气象数据输入黄瓜霜霉病预测模型，获取黄瓜霜霉病预测模型输出的待预测温室黄瓜霜霉病的预测结果。
其中，黄瓜霜霉病预测模型，是基于样本数据及对应的样本标签进行训练得到的；样本数据，包括样本温室内的气象数据；样本标签，包括样本温室内黄瓜霜霉病的实际发病情况。
具体地，第一数据获取模块501、第二数据获取模块502和病害预测模块503电连接。
可选地，第一数据获取模块501可以具体用于获取待预测温室内黄瓜的生长发育数据和栽培管理数据；在待预测温室内黄瓜的生长发育数据和栽培管理数据满足预设条件的情况下，获取待预测温室内黄瓜霜霉病菌孢子囊的数量。
可选地，第一数据获取模块501还可以具体用于基于扩展的相对湿度阈值法，获取待预测温室内的叶片湿润时间。
需要说明的是，上述温室黄瓜霜霉病预测装置可以设置于Web终端或便携式终端。
图6是本发明提供的温室黄瓜霜霉病预测装置的结构示意图之二。在温室黄瓜霜霉病预测装置设置于Web终端的情况下，温室黄瓜霜霉病预测装置的结构如图6所示。
如图6所示，在温室黄瓜霜霉病预测装置设置于Web终端的情况下，温室黄瓜霜霉病预测装置采用B/S(浏览器/服务器)体系结构，以.NET framework为基本框架，包括四层，用户层、表示层、业务层和数据层。
第一层是用户层，如Internet Explorer等，用户可以将请求传送给业务服务层，从服务器端接收和分析Html文档。第二层是表示层，使用微软IIS6.0(InternetInformation Server)以上版本的网络服务器。第三层是业务层，包括业务逻辑和业务规则。第四层包含数据库、模型库和标准库。数据库中包含日光温室环境信息、栽培信息、病害信息等；模型库中包含日光温室黄瓜叶片湿润时间估计模型和黄瓜霜霉病预测模型等；标准库中主要是中国良好农业规范(ChinaGAP)及其相关标准。
图7是本发明提供的温室黄瓜霜霉病预测装置的结构示意图之三。在温室黄瓜霜霉病预测装置设置于便携式终端的情况下，温室黄瓜霜霉病预测装置的结构如图7所示。
如图7所示，在温室黄瓜霜霉病预测装置设置于便携式终端的情况下，可运行于任何使用Android(7.0及以上版本)和ios(10.0及以上版本)的便携式终端上。
第一层是操作系统层。目前Android、ios、Windows Mobile等是移动端PDA上最流行的操作系统，它们都可以提供高分辨率的色彩现实和存储大量的数据。第二层是支持软件层。温室黄瓜霜霉病预测装置采用.NET或Java开发，因此需要HAL.NET CompactFramework的支持，以及Android Runtime和Native C/C++Libraries。地图管理和数据同步功能则分别依赖于MapX Mobile和SQL Server。第三层是模型层。模型包括黄瓜霜霉病预测模型、黄瓜施肥模型等，可以采用Visual C#或Python实现。第四层是功能层。基于上述三层的支持，温室黄瓜霜霉病预测装置可以提供农事信息采集、决策支持、地图管理、数据同步等功能。
本发明实施例通过在待预测温室内黄瓜霜霉病菌孢子囊的数量不小于第一预设值的情况下，获取待预测温室内的气象数据，将待预测温室内的气象数据输入黄瓜霜霉病预测模型，获取上述黄瓜霜霉病预测模型输出的待预测温室内黄瓜霜霉病的预测结果，能更准确的获取待预测温室内黄瓜霜霉病的预测结果，能为提前采取防治措施以更好的防治黄瓜霜霉病提供依据，能更好的防治黄瓜霜霉病，能减少农药的使用次数和/或使用剂量，能更好的适应食品安全、环境友好的要求。
图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行温室黄瓜霜霉病预测方法，该方法包括：获取待预测温室内黄瓜霜霉病菌孢子囊的数量；在黄瓜霜霉病菌孢子囊的数量大于第一预设值的情况下，获取待预测温室内的气象数据；将待预测温室内的气象数据输入黄瓜霜霉病预测模型，获取黄瓜霜霉病预测模型输出的待预测温室黄瓜霜霉病的预测结果；其中，黄瓜霜霉病预测模型，是基于样本数据及对应的样本标签进行训练得到的；样本数据，包括样本温室内的气象数据；样本标签，包括样本温室内黄瓜霜霉病的实际发病情况。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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步骤。而前述的存储介质包括：U盘、移动硬盘、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。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的温室黄瓜霜霉病预测方法，该方法包括：获取待预测温室内黄瓜霜霉病菌孢子囊的数量；在黄瓜霜霉病菌孢子囊的数量大于第一预设值的情况下，获取待预测温室内的气象数据；将待预测温室内的气象数据输入黄瓜霜霉病预测模型，获取黄瓜霜霉病预测模型输出的待预测温室黄瓜霜霉病的预测结果；其中，黄瓜霜霉病预测模型，是基于样本数据及对应的样本标签进行训练得到的；样本数据，包括样本温室内的气象数据；样本标签，包括样本温室内黄瓜霜霉病的实际发病情况。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的温室黄瓜霜霉病预测方法，该方法包括：获取待预测温室内黄瓜霜霉病菌孢子囊的数量；在黄瓜霜霉病菌孢子囊的数量大于第一预设值的情况下，获取待预测温室内的气象数据；将待预测温室内的气象数据输入黄瓜霜霉病预测模型，获取黄瓜霜霉病预测模型输出的待预测温室黄瓜霜霉病的预测结果；其中，黄瓜霜霉病预测模型，是基于样本数据及对应的样本标签进行训练得到的；样本数据，包括样本温室内的气象数据；样本标签，包括样本温室内黄瓜霜霉病的实际发病情况。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种温室黄瓜霜霉病预测方法，其特征在于，包括：
获取待预测温室内黄瓜霜霉病菌孢子囊的数量；
在所述黄瓜霜霉病菌孢子囊的数量大于第一预设值的情况下，获取所述待预测温室内的气象数据；
将所述待预测温室内的气象数据输入黄瓜霜霉病预测模型，获取所述黄瓜霜霉病预测模型输出的所述待预测温室黄瓜霜霉病的预测结果；
其中，所述黄瓜霜霉病预测模型，是基于样本数据及对应的样本标签进行训练得到的；所述样本数据，包括样本温室内的气象数据；所述样本标签，包括所述样本温室内黄瓜霜霉病的实际发病情况；
所述黄瓜霜霉病预测模型，包括：侵染条件预测子模型；所述气象数据，包括：叶片湿润时间和温度；
相应地，所述将所述待预测温室内的气象数据输入黄瓜霜霉病预测模型，获取所述黄瓜霜霉病预测模型输出的所述待预测温室黄瓜霜霉病的预测结果，具体包括：
将所述待预测温室内的叶片湿润时间和温度输入所述侵染条件预测子模型，获取所述侵染条件预测子模型输出的所述待预测温室黄瓜霜霉病的预测结果；
其中，所述预测结果表示所述待预测温室未出现黄瓜霜霉病侵染；所述侵染条件预测子模型用于基于所述待预测温室内的叶片湿润时间，预测所述待预测温室是否出现黄瓜霜霉病侵染，在预测得到所述待预测温室未出现黄瓜霜霉病侵染的情况下，输出所述预测结果；
所述黄瓜霜霉病预测模型，还包括：潜育期预测子模型；
相应地，所述将所述待预测温室内的叶片湿润时间和温度输入所述侵染条件预测子模型之后，所述方法还包括：
在获取到所述侵染条件预测子模型输出的第一指令的情况下，将所述待预测温室内的温度输入所述潜育期预测子模型，获取所述潜育期预测子模型输出的所述待预测温室黄瓜霜霉病的预测结果；
其中，所述预测结果表示所述待预测温室出现黄瓜霜霉病侵染且未结束黄瓜霜霉病潜育期；所述侵染条件预测子模型用于在预测得到所述待预测温室出现黄瓜霜霉病侵染的情况下，输出所述第一指令；所述潜育期预测子模型用于基于所述待预测温室内的温度，预测所述待预测温室是否结束黄瓜霜霉病潜育期，在预测得到所述待预测温室未结束黄瓜霜霉病潜育期的情况下，输出所述预测结果；
所述黄瓜霜霉病预测模型，还包括：发病预测子模型；所述气象数据，还包括：相对湿度和日照时长；
相应地，所述将所述待预测温室内的温度输入所述潜育期预测子模型之后，所述方法还包括：
在获取到所述潜育期预测子模型输出的第二指令的情况下，将所述待预测温室的温度、相对湿度、叶片湿润时间和日照时长输入所述发病预测子模型，获取所述发病预测子模型输出的所述待预测温室黄瓜霜霉病的预测结果；
其中，所述预测结果包括所述待预测温室内黄瓜霜霉病是否发病；所述潜育期预测子模型用于在预测得到所述待预测温室内黄瓜霜霉病的潜育期结束的情况下，输出所述第二指令。
2.根据权利要求1所述的温室黄瓜霜霉病预测方法，其特征在于，所述预测结果，包括所述待预测温室内黄瓜霜霉病发病的概率和/或所述待预测温室内黄瓜霜霉病发病的风险等级。
3.根据权利要求1所述的温室黄瓜霜霉病预测方法，其特征在于，所述获取待预测温室内黄瓜霜霉病菌孢子囊的数量，具体包括：
获取所述待预测温室内黄瓜的生长发育数据和栽培管理数据；
在所述待预测温室内黄瓜的生长发育数据和栽培管理数据满足预设条件的情况下，获取所述待预测温室内黄瓜霜霉病菌孢子囊的数量。
4.根据权利要求1所述的温室黄瓜霜霉病预测方法，其特征在于，所述发病预测子模型是基于贝叶斯网络模型构建的。
5.根据权利要求1或2所述的温室黄瓜霜霉病预测方法，其特征在于，所述获取所述待预测温室内的气象数据，具体包括：
基于扩展的相对湿度阈值法，获取所述待预测温室内的叶片湿润时间。
6.一种温室黄瓜霜霉病预测装置，其特征在于，包括：
第一数据获取模块，用于获取待预测温室内黄瓜霜霉病菌孢子囊的数量；
第二数据获取模块，用于在所述黄瓜霜霉病菌孢子囊的数量大于第一预设值的情况下，获取所述待预测温室内的气象数据；
病害预测模块，用于将所述待预测温室内的气象数据输入黄瓜霜霉病预测模型，获取所述黄瓜霜霉病预测模型输出的所述待预测温室黄瓜霜霉病的预测结果；
其中，所述黄瓜霜霉病预测模型，是基于样本数据及对应的样本标签进行训练得到的；所述样本数据，包括样本温室内的气象数据；所述样本标签，包括所述样本温室内黄瓜霜霉病的实际发病情况；
所述黄瓜霜霉病预测模型，包括：侵染条件预测子模型；所述气象数据，包括：叶片湿润时间和温度；
相应地，所述病害预测模块将所述待预测温室内的气象数据输入黄瓜霜霉病预测模型，获取所述黄瓜霜霉病预测模型输出的所述待预测温室黄瓜霜霉病的预测结果，具体包括：
将所述待预测温室内的叶片湿润时间和温度输入所述侵染条件预测子模型，获取所述侵染条件预测子模型输出的所述待预测温室黄瓜霜霉病的预测结果；
其中，所述预测结果表示所述待预测温室未出现黄瓜霜霉病侵染；所述侵染条件预测子模型用于基于所述待预测温室内的叶片湿润时间，预测所述待预测温室是否出现黄瓜霜霉病侵染，在预测得到所述待预测温室未出现黄瓜霜霉病侵染的情况下，输出所述预测结果；
所述黄瓜霜霉病预测模型，还包括：潜育期预测子模型；
相应地，所述病害预测模块将所述待预测温室内的叶片湿润时间和温度输入所述侵染条件预测子模型之后，还包括：
在获取到所述侵染条件预测子模型输出的第一指令的情况下，将所述待预测温室内的温度输入所述潜育期预测子模型，获取所述潜育期预测子模型输出的所述待预测温室黄瓜霜霉病的预测结果；
其中，所述预测结果表示所述待预测温室出现黄瓜霜霉病侵染且未结束黄瓜霜霉病潜育期；所述侵染条件预测子模型用于在预测得到所述待预测温室出现黄瓜霜霉病侵染的情况下，输出所述第一指令；所述潜育期预测子模型用于基于所述待预测温室内的温度，预测所述待预测温室是否结束黄瓜霜霉病潜育期，在预测得到所述待预测温室未结束黄瓜霜霉病潜育期的情况下，输出所述预测结果；
所述黄瓜霜霉病预测模型，还包括：发病预测子模型；所述气象数据，还包括：相对湿度和日照时长；
相应地，所述病害预测模块将所述待预测温室内的温度输入所述潜育期预测子模型之后，还包括：
在获取到所述潜育期预测子模型输出的第二指令的情况下，将所述待预测温室的温度、相对湿度、叶片湿润时间和日照时长输入所述发病预测子模型，获取所述发病预测子模型输出的所述待预测温室黄瓜霜霉病的预测结果；
其中，所述预测结果包括所述待预测温室内黄瓜霜霉病是否发病；所述潜育期预测子模型用于在预测得到所述待预测温室内黄瓜霜霉病的潜育期结束的情况下，输出所述第二指令。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述温室黄瓜霜霉病预测方法的步骤。
CN202210208805.XA 2022-03-04 2022-03-04 温室黄瓜霜霉病预测方法及装置 Active CN114781683B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210208805.XA CN114781683B (zh) 2022-03-04 2022-03-04 温室黄瓜霜霉病预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210208805.XA CN114781683B (zh) 2022-03-04 2022-03-04 温室黄瓜霜霉病预测方法及装置

Publications (2)

Publication Number Publication Date
CN114781683A CN114781683A (zh) 2022-07-22
CN114781683B true CN114781683B (zh) 2023-10-20

Family

ID=82423841

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210208805.XA Active CN114781683B (zh) 2022-03-04 2022-03-04 温室黄瓜霜霉病预测方法及装置

Country Status (1)

Country Link
CN (1) CN114781683B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103173365A (zh) * 2013-03-11 2013-06-26 河北省农林科学院植物保护研究所 一种用于室内培养繁殖葡萄霜霉病菌的方法
CN113902673A (zh) * 2021-09-02 2022-01-07 北京市农林科学院信息技术研究中心 番茄灰霉病程度识别方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103173365A (zh) * 2013-03-11 2013-06-26 河北省农林科学院植物保护研究所 一种用于室内培养繁殖葡萄霜霉病菌的方法
CN113902673A (zh) * 2021-09-02 2022-01-07 北京市农林科学院信息技术研究中心 番茄灰霉病程度识别方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于冠层温湿度模型的日光温室黄瓜霜霉病预警方法;王慧 等;《应用生态学报》;第26卷(第10期);第3027-3034页 *
基于贝叶斯网络的日光温室黄瓜霜霉病和白粉病预测模型研究;魏少伟;《中国优秀硕士学位论文全文数据库农业科技辑》(第2期);第D046-103页 *

Also Published As

Publication number Publication date
CN114781683A (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN109214592B (zh) 一种多模型融合的深度学习的空气质量预测方法
Xu et al. Research and application of a hybrid model based on dynamic fuzzy synthetic evaluation for establishing air quality forecasting and early warning system: A case study in China
Srbinovska et al. The effect of small green walls on reduction of particulate matter concentration in open areas
Huang et al. An analytical comparison of four approaches to modelling the daily variability of solar irradiance using meteorological records
Emmett et al. Spatial patterns and environmental constraints on ecosystem services at a catchment scale
Uriarte et al. Multidimensional trade‐offs in species responses to disturbance: implications for diversity in a subtropical forest
Waongo et al. A crop model and fuzzy rule based approach for optimizing maize planting dates in Burkina Faso, West Africa
Xiao et al. Optimizing hotspot areas for ecological planning and management based on biodiversity and ecosystem services
CN102183621A (zh) 水产养殖溶解氧浓度在线预测方法及系统
CN112215716A (zh) 农作物生长干预方法、装置、设备及存储介质
Mokarram et al. CA-Markov model application to predict crop yield using remote sensing indices
Petacchi et al. Large‐scale simulation of temperature‐dependent phenology in wintering populations of B actrocera oleae (Rossi)
Waits et al. Applications of landscape genetics to connectivity research in terrestrial animals
CN113849763A (zh) 冬小麦-夏玉米干旱灾害风险评估方法、存储介质及终端
de Freitas Cunha et al. Estimating crop yields with remote sensing and deep learning
Duan et al. Effect of present and past landscape structures on the species richness and composition of ground beetles (Coleoptera: Carabidae) and spiders (Araneae) in a dynamic landscape
Verma et al. Comparative analysis of CMIP5 and CMIP6 in conjunction with the hydrological processes of reservoir catchment, Chhattisgarh, India
Abbal et al. A decision support system for vine growers based on a Bayesian network
Rahmana et al. Comparative study of extraction features and regression algorithms for predicting drought rates
Krupa et al. Considerations for establishing relationships between ambient ozone (O3) and adverse crop response
CN114781683B (zh) 温室黄瓜霜霉病预测方法及装置
Ramsey et al. A management experiment reveals the difficulty of altering seedling growth and palatable plant biomass by culling invasive deer
Shulika et al. Control over grape yield in the North-Eastern region of Ukraine using mathematical modeling
Yi et al. Examination and characterization of key factors to seasonal epidemics of downy mildew in native grape species Vitis davidii in southern China with the use of disease warning systems
Camp et al. Passerine bird trends at Hakalau Forest National Wildlife Refuge, Hawaii

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