CN115496300B - 一种月季育苗生长信息及环境监测方法 - Google Patents

Abstract

本发明涉及一种月季育苗生长信息及环境监测方法，属于月季花监测技术领域，本发明通过获取当前月季花育苗区域的历史环境气候信息以及当前月季花育苗区域在预设范围之内的历史爆发病虫害信息，根据当前月季花育苗区域在预设范围之内的历史爆发病虫害信息获得当前月季花的病虫害爆发类型；基于历史环境气候信息以及当前月季花的病虫害爆发类型得到当前月季花育苗区域的害虫存活率；从而通过对历史环境气候信息以及所述当前月季花的病虫害爆发类型进行害虫存活率的预测，从而对当前月季花育苗区域的病虫害爆发进行预测，根据预测结果对该地域的病虫害进行爆发性预测，进而能够有效地对月季花育苗区做出提前防治措施，有利于提高月季花育苗的成功率。

Description

一种月季育苗生长信息及环境监测方法

技术领域

本发明涉及月季花环境监测技术领域，尤其涉及一种月季育苗生长信息及环境监测方法。

背景技术

月季花在我国又被称为月月红，我国是月季花的原产地，月季花还被称作是四季蔷薇，花开四季，姿态各异，风姿卓越，有着“花中皇后”的美誉，是一种很受人们喜爱的盆栽绿植。古人就已经很欣赏月季的姿态，有诗“只道花无百日红，此花五日不春风”对月季进行赞美。在18 世纪末，月季传入欧洲，欧洲人用此花和当地的蔷薇杂交，到19 世纪中叶的时候，培育出了芳香月季。月季历史悠久，经过几百年的发展，月季家族发展的很是庞大，品种多达数千，好的月季花，姿色堪比牡丹。月季的颜色鲜艳，有多种颜色，甚至还有双色月季、二重色月季。近年来,全球区域气候多异常变化，反复出现大范围的暖冬情况，正常低温天气持续时间短，土壤墒情好，使月季各类病虫害越冬存活率高，增大了次年的病虫量发生基数；而现如今的防治方法中，还无法根据往年气候的变化特征来预测月季花在育苗过程中的爆发率，导致了缺乏预防措施，往往在造成严重危害时，才组织防治，进一步导致了防治效率低、效果差。

发明内容

本发明克服了现有技术的不足，提供了一种月季育苗生长信息及环境监测方法。

为达上述目的，本发明采用的技术方案为：

本发明第一方面提供了一种月季育苗生长信息及环境监测方法，包括以下步骤：

获取当前月季花育苗区域的历史环境气候信息以及当前月季花育苗区域在预设范围之内的历史爆发病虫害信息，根据所述当前月季花育苗区域在预设范围之内的历史爆发病虫害信息获得当前月季花的病虫害爆发类型；

基于所述历史环境气候信息以及所述当前月季花的病虫害爆发类型得到当前月季花育苗区域的害虫存活率；

构建月季花病虫害预测模型，根据所述当前月季花育苗区域的害虫存活率以及所述月季花病虫害预测模型得到当前月季花病虫害爆发率；

获取当前月季花的育苗信息，并根据所述当前月季花病虫害爆发率以及所述当前月季花育苗信息得到月季花病虫害的爆发期，基于所述月季花病虫害的爆发期生成调控策略，并将所述调控策略传输至远程控制终端。

进一步地，本发明的一个较佳实施例中，基于所述历史环境气候信息以及所述当前月季花的病虫害爆发类型得到当前月季花育苗区域的害虫存活率，具体包括以下步骤：

将所述当前月季花育苗区域的历史环境气候信息进行分割，生成时间序列的历史气候时间区域信息，并根据所述时间序列的历史气候时间区域信息生成历史环境气候变化曲线；

通过大数据网络获取所述当前月季花的病虫害爆发类型在各种环境气候信息之下的害虫存活率，构建害虫存活率数据库，并将所述各种环境气候信息之下的害虫存活率输入到害虫存活率数据库中存储；

获取历史环境气候变化曲线中每个温度梯度区域的温度信息，并统计每个温度梯度区域的温度信息以形成多个时间区域，并将每一个时间区域的温度信息输入到所述害虫存活率数据库中，得到每一个时间区域的害虫存活率；

构建序列表，通过对所述每一个时间区域的害虫存活率进行相互比较，并对所述每一个时间区域的害虫存活率进行从小到大进行排序，并将排序后的每一个时间区域的害虫存活率输入到构建序列表，并获取所述序列表中最小的害虫存活率作为最终的害虫存活率输出。

进一步地，本发明的一个较佳实施例中，构建月季花病虫害预测模型，根据所述当前月季花育苗区域的害虫存活率以及所述月季花病虫害预测模型得到当前月季花病虫害爆发率，具体包括以下步骤：

获取大量的害虫存活率与月季花发生病虫害的爆发率，并通过多因素logistic回归分析法分析害虫存活率与月季花发生病虫害的爆发率的潜在关系，以得到权重向量信息，并通过灰色关联分析法对所述权重向量信息进行分析，以得到虫害爆发率的评价分数；

基于卷积神经网络构建月季花病虫害预测模型，并获取大量的虫害爆发率的评价分数作为训练集以及测试集，并将所述训练集输入到所述月季花病虫害预测模型中；

通过交叉熵损失函数进行参数反向传播训练，直到误差收敛至预设值，并保存模型参数，通过所述测试集对所述月季花病虫害预测模型进行测试，直至所述月季花病虫害预测模型满足预设要求；

将所述当前月季花育苗区域的害虫存活率输入到月季花病虫害预测模型中，得到当前月季花育苗区域的虫害爆发率的评价分数，并将所述虫害爆发率的评价分数作为月季花发生病虫害的爆发率输出。

进一步地，本发明的一个较佳实施例中，根据所述当前月季花病虫害爆发率以及所述当前月季花育苗信息得到月季花病虫害的爆发期，具体包括以下步骤：

判断所述当前月季花病虫害爆发率是否大于预设爆发率，若所述当前月季花病虫害爆发率大于预设爆发率，则获取当前月季花病虫害爆发率大于预设爆发率相对应的病虫害类型；

通过对所述当前月季花育苗信息进行特征提取，得到各个月季花各个生长阶段的计划信息，并通过大数据网络获取当前月季花病虫害爆发率大于预设爆发率相对应的病虫害类型所危害的生长阶段；

根据所述当前月季花病虫害爆发率大于预设爆发率相对应的病虫害类型所危害的生长阶段以及各个月季花各个生长阶段的计划信息得到危害月季花的时间节点；

将所述害月季花的时间节点作为月季花病虫害的爆发期，并将所述月季花病虫害的爆发期输出。

进一步地，本发明的一个较佳实施例中，基于所述月季花病虫害的爆发期生成调控策略，并将所述调控策略传输至远程控制终端，具体包括以下步骤：

构建月季花病虫害知识图谱，并通过大数据网络获取各种月季花病虫害的防治方案，并将所述各种月季花病虫害的防治方案输入到所述月季花病虫害知识图谱中；

获取当前危害月季花的病虫害类型，并将所述危害月季花的病虫害类型输入到所述月季花病虫害知识图谱中，得到当前月季花的初始防治方案；

获取当前种植区域的历史防治方案，若所述历史防治方案中存在化学防治方案之时，则将所述历史防治方案从所述当前月季花的初始防治方案中进行剔除，生成当前月季花的二次调整防治方案；

基于所述当前月季花的二次调整防治方案以及所述月季花病虫害的爆发期生成调控策略，并将所述调控策略传输至远程控制终端。

进一步地，本发明的一个较佳实施例中，根据所述当前月季花育苗区域在预设范围之内的历史爆发病虫害信息获得当前月季花的病虫害爆发类型，具体包括以下步骤：

获取当前月季花育苗区域在预设范围之内的历史爆发病虫害信息，并判断所述历史爆发病虫害信息是否危害当前月季花；

若所述历史爆发病虫害信息危害当前月季花，则将所述历史爆发病虫害信息中的病虫害类型作为当前月季花病虫害爆发类型进行输出。

本发明第二方面提供了一种月季育苗生长信息及环境监测系统，所述检测系统包括存储器以及处理器，所述存储器中包括月季育苗生长信息及环境监测方法程序，所述月季育苗生长信息及环境监测方法程序被处理器执行时，实现如下步骤：

获取当前月季花育苗区域的历史环境气候信息以及当前月季花育苗区域在预设范围之内的历史爆发病虫害信息，根据所述当前月季花育苗区域在预设范围之内的历史爆发病虫害信息获得当前月季花的病虫害爆发类型；

基于所述历史环境气候信息以及所述当前月季花的病虫害爆发类型得到当前月季花育苗区域的害虫存活率；

构建月季花病虫害预测模型，根据所述当前月季花育苗区域的害虫存活率以及所述月季花病虫害预测模型得到当前月季花病虫害爆发率；

获取当前月季花的育苗信息，并根据所述当前月季花病虫害爆发率以及所述当前月季花育苗信息得到月季花病虫害的爆发期，基于所述月季花病虫害的爆发期生成调控策略，并将所述调控策略传输至远程控制终端。

在本实施例中，基于所述历史环境气候信息以及所述当前月季花的病虫害爆发类型得到当前月季花育苗区域的害虫存活率，具体包括以下步骤：

将所述当前月季花育苗区域的历史环境气候信息进行分割，生成时间序列的历史气候时间区域信息，并根据所述时间序列的历史气候时间区域信息生成历史环境气候变化曲线；

通过大数据网络获取所述当前月季花的病虫害爆发类型在各种环境气候信息之下的害虫存活率，构建害虫存活率数据库，并将所述各种环境气候信息之下的害虫存活率输入到害虫存活率数据库中存储；

获取历史环境气候变化曲线中每个温度梯度区域的温度信息，并统计每个温度梯度区域的温度信息以形成多个时间区域，并将每一个时间区域的温度信息输入到所述害虫存活率数据库中，得到每一个时间区域的害虫存活率；

构建序列表，通过对所述每一个时间区域的害虫存活率进行相互比较，并对所述每一个时间区域的害虫存活率进行从小到大进行排序，并将排序后的每一个时间区域的害虫存活率输入到构建序列表，并获取所述序列表中最小的害虫存活率作为最终的害虫存活率输出。

在本实施例中，构建月季花病虫害预测模型，根据所述当前月季花育苗区域的害虫存活率以及所述月季花病虫害预测模型得到当前月季花病虫害爆发率，具体包括以下步骤：

获取大量的害虫存活率与月季花发生病虫害的爆发率，并通过多因素logistic回归分析法分析害虫存活率与月季花发生病虫害的爆发率的潜在关系，以得到权重向量信息，并通过灰色关联分析法对所述权重向量信息进行分析，以得到虫害爆发率的评价分数；

基于卷积神经网络构建月季花病虫害预测模型，并获取大量的虫害爆发率的评价分数作为训练集以及测试集，并将所述训练集输入到所述月季花病虫害预测模型中；

通过交叉熵损失函数进行参数反向传播训练，直到误差收敛至预设值，并保存模型参数，通过所述测试集对所述月季花病虫害预测模型进行测试，直至所述月季花病虫害预测模型满足预设要求；

将所述当前月季花育苗区域的害虫存活率输入到月季花病虫害预测模型中，得到当前月季花育苗区域的虫害爆发率的评价分数，并将所述虫害爆发率的评价分数作为月季花发生病虫害的爆发率输出。

在本实施例中，根据所述当前月季花病虫害爆发率以及所述当前月季花育苗信息得到月季花病虫害的爆发期，具体包括以下步骤：

判断所述当前月季花病虫害爆发率是否大于预设爆发率，若所述当前月季花病虫害爆发率大于预设爆发率，则获取当前月季花病虫害爆发率大于预设爆发率相对应的病虫害类型；

通过对所述当前月季花育苗信息进行特征提取，得到各个月季花各个生长阶段的计划信息，并通过大数据网络获取当前月季花病虫害爆发率大于预设爆发率相对应的病虫害类型所危害的生长阶段；

根据所述当前月季花病虫害爆发率大于预设爆发率相对应的病虫害类型所危害的生长阶段以及各个月季花各个生长阶段的计划信息得到危害月季花的时间节点；

将所述害月季花的时间节点作为月季花病虫害的爆发期，并将所述月季花病虫害的爆发期输出。

本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：

本发明通过获取当前月季花育苗区域的历史环境气候信息以及当前月季花育苗区域在预设范围之内的历史爆发病虫害信息，根据所述当前月季花育苗区域在预设范围之内的历史爆发病虫害信息获得当前月季花的病虫害爆发类型；基于所述历史环境气候信息以及所述当前月季花的病虫害爆发类型得到当前月季花育苗区域的害虫存活率；从而通过对历史环境气候信息以及所述当前月季花的病虫害爆发类型进行害虫存活率的预测，从而对当前月季花育苗区域的病虫害爆发进行预测，根据预测结果对该地域的病虫害进行爆发性预测，进而能够有效地对月季花育苗区做出提前防治措施，有利于提高月季花育苗的成功率。

附图说明

为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅仅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实施例的附图。

图1示出了一种月季育苗生长信息与环境监测方法的方法流程图；

图2示出了得到当前月季花育苗区域的害虫存活率的方法流程图；

图3示出了得到当前月季花病虫害爆发率的方法流程图；

图4示出了一种月季育苗生长信息与环境监测系统的系统框图。

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。

本发明第一方面提供了一种月季育苗生长信息及环境监测方法，包括以下步骤：

S102:获取当前月季花育苗区域的历史环境气候信息以及当前月季花育苗区域在预设范围之内的历史爆发病虫害信息，根据当前月季花育苗区域在预设范围之内的历史爆发病虫害信息获得当前月季花的病虫害爆发类型；

S104:基于历史环境气候信息以及当前月季花的病虫害爆发类型得到当前月季花育苗区域的害虫存活率；

S106:构建月季花病虫害预测模型，根据当前月季花育苗区域的害虫存活率以及月季花病虫害预测模型得到当前月季花病虫害爆发率；

S108:获取当前月季花的育苗信息，并根据当前月季花病虫害爆发率以及当前月季花育苗信息得到月季花病虫害的爆发期，基于月季花病虫害的爆发期生成调控策略，并将调控策略传输至远程控制终端。

需要说明的是，本发明通过获取当前月季花育苗区域的历史环境气候信息以及当前月季花育苗区域在预设范围之内的历史爆发病虫害信息，根据所述当前月季花育苗区域在预设范围之内的历史爆发病虫害信息获得当前月季花的病虫害爆发类型；基于所述历史环境气候信息以及所述当前月季花的病虫害爆发类型得到当前月季花育苗区域的害虫存活率；从而通过对历史环境气候信息以及所述当前月季花的病虫害爆发类型进行害虫存活率的预测，从而对当前月季花育苗区域的病虫害爆发进行预测，根据预测结果对该地域的病虫害进行爆发性预测，进而能够有效地对月季花育苗区做出提前防治措施，有利于提高月季花育苗的成功率。

进一步地，本发明的一个较佳实施例中，基于历史环境气候信息以及当前月季花的病虫害爆发类型得到当前月季花育苗区域的害虫存活率，具体包括以下步骤：

S202:将当前月季花育苗区域的历史环境气候信息进行分割，生成时间序列的历史气候时间区域信息，并根据时间序列的历史气候时间区域信息生成历史环境气候变化曲线；

S204:通过大数据网络获取当前月季花的病虫害爆发类型在各种环境气候信息之下的害虫存活率，构建害虫存活率数据库，并将各种环境气候信息之下的害虫存活率输入到害虫存活率数据库中存储；

S206: 获取历史环境气候变化曲线中每个温度梯度区域的温度信息，并统计每个温度梯度区域的温度信息以形成多个时间区域，并将每一个时间区域的温度信息输入到所述害虫存活率数据库中，得到每一个时间区域的害虫存活率；

S208:构建序列表，通过对每一个时间区域的害虫存活率进行相互比较，并对每一个时间区域的害虫存活率进行从小到大进行排序，并将排序后的每一个时间区域的害虫存活率输入到构建序列表，并获取序列表中最小的害虫存活率作为最终的害虫存活率输出。

需要说明的是，由于现如今的气候异常，反复出现大范围的暖冬情况，正常低温天气持续时间短，土壤墒情好，使月季各类病虫害越冬存活率高，增大了次年的病虫量发生基数。由于当前月季花育苗区域中产生过该类病虫害，虽然以往加以施药对其进行灭杀，但是当前育苗区域之中难免存在存活的害虫。通过大数据网络获取相似案例之下的害虫存活率，由于害虫的存活率受到冬季的温度影响，在一定的低温之下，害虫往往被冻死一部分，当处于最低温的累积时间区域之中，此时的存活率是最真实的数据以及最准确的存活率数据信息，从而通过在序列表中获取最小的害虫存活率作为最终的害虫存活率输出。其中，温度值相差不大的时间区域作为一个时间区域，如A时段内的温度值与B时段内的温度值均在预设温度值范围之内，则A时段与B时段的组合作为一个时间区域。若害虫在某一个低温时间区域之中冻死，此时的存活率是最低的，由于害虫在冬眠的过程中不参与各种繁殖行为，此时的存活率即为最接近的害虫存活率。

进一步地，本发明的一个较佳实施例中，构建月季花病虫害预测模型，根据当前月季花育苗区域的害虫存活率以及月季花病虫害预测模型得到当前月季花病虫害爆发率，具体包括以下步骤：

S302:获取大量的害虫存活率与月季花发生病虫害的爆发率，并通过多因素logistic回归分析法分析害虫存活率与月季花发生病虫害的爆发率的潜在关系，以得到权重向量信息，并通过灰色关联分析法对权重向量信息进行分析，以得到虫害爆发率的评价分数；

S304:基于卷积神经网络构建月季花病虫害预测模型，并获取大量的虫害爆发率的评价分数作为训练集以及测试集，并将训练集输入到月季花病虫害预测模型中；

S306:通过交叉熵损失函数进行参数反向传播训练，直到误差收敛至预设值，并保存模型参数，通过测试集对月季花病虫害预测模型进行测试，直至月季花病虫害预测模型满足预设要求；

S308:将当前月季花育苗区域的害虫存活率输入到月季花病虫害预测模型中，得到当前月季花育苗区域的虫害爆发率的评价分数，并将虫害爆发率的评价分数作为月季花发生病虫害的爆发率输出。

需要说明的是，logistic回归又称logistic回归分析，是一种广义的线性回归分析模型，常用于数据挖掘经济预测等领域。通过多因素logistic回归分析法分析害虫存活率与月季花发生病虫害的爆发率的潜在关系，以得到权重向量信息，进而通过灰色关联分析法对权重向量信息进行分析，以得到虫害爆发率的评价分数。其中权重向量信息表示在该害虫存活率之下的虫害爆发的概率，虫害爆发率的评价分数越高表示虫害爆发率就越高，通过卷积神经网络进一步对该虫害爆发率的评价分数进行训练，从而提高虫害爆发率的评价分数的计算速度。

进一步地，本发明的一个较佳实施例中，根据当前月季花病虫害爆发率以及当前月季花育苗信息得到月季花病虫害的爆发期，具体包括以下步骤：

判断当前月季花病虫害爆发率是否大于预设爆发率，若当前月季花病虫害爆发率大于预设爆发率，则获取当前月季花病虫害爆发率大于预设爆发率相对应的病虫害类型；

通过对当前月季花育苗信息进行特征提取，得到各个月季花各个生长阶段的计划信息，并通过大数据网络获取当前月季花病虫害爆发率大于预设爆发率相对应的病虫害类型所危害的生长阶段；

根据当前月季花病虫害爆发率大于预设爆发率相对应的病虫害类型所危害的生长阶段以及各个月季花各个生长阶段的计划信息得到危害月季花的时间节点；

将害月季花的时间节点作为月季花病虫害的爆发期，并将月季花病虫害的爆发期输出。

需要说明的是，在本实施例中，其中，一些病虫害类型仅仅只危害某一生长阶段的月季苗，如月季花蔷薇茎蜂危害月季茎干，通过本方案能够根据当前月季花病虫害爆发率大于预设爆发率相对应的病虫害类型所危害的生长阶段以及各个月季花各个生长阶段的计划信息得到危害月季花的时间节点，从而获取月季花病虫害的爆发期，进而来提前对该类病虫害进行防治。

进一步地，本发明的一个较佳实施例中，基于月季花病虫害的爆发期生成调控策略，并将调控策略传输至远程控制终端，具体包括以下步骤：

构建月季花病虫害知识图谱，并通过大数据网络获取各种月季花病虫害的防治方案，并将各种月季花病虫害的防治方案输入到月季花病虫害知识图谱中；

获取当前危害月季花的病虫害类型，并将危害月季花的病虫害类型输入到月季花病虫害知识图谱中，得到当前月季花的初始防治方案；

获取当前种植区域的历史防治方案，若历史防治方案中存在化学防治方案之时，则将历史防治方案从当前月季花的初始防治方案中进行剔除，生成当前月季花的二次调整防治方案；

基于当前月季花的二次调整防治方案以及月季花病虫害的爆发期生成调控策略，并将调控策略传输至远程控制终端。

需要说明的是，由于该地的历史防治方案中存在相同的化学防治方案之时，如上一年使用了某某化学药剂，而该化学药剂对于当前月季花育苗区域而言，已经形成了一定的抗药性；通过本方法能够有效地剔除已经造成抗药性的防治方案，从而选择更加合理的化学防治方案，以提高月季花育苗的虫害的防治效果，进而对该地的土壤区域进行提前布置防控措施。

进一步地，本发明的一个较佳实施例中，根据当前月季花育苗区域在预设范围之内的历史爆发病虫害信息获得当前月季花的病虫害爆发类型，具体包括以下步骤：

获取当前月季花育苗区域在预设范围之内的历史爆发病虫害信息，并判断历史爆发病虫害信息是否危害当前月季花；

若历史爆发病虫害信息危害当前月季花，则将历史爆发病虫害信息中的病虫害类型作为当前月季花病虫害爆发类型进行输出。

此外，本方法还可以包括以下步骤：

通过无线传感器获取预设时间内土壤的理化特性信息，并根据所述理化特性信息构建理化特性数据曲线图，通过大数据网络获取各种月季花病虫害爆发类型的偏好理化特性信息，并将所述偏好理化特性信息输入到所述月季花病虫害知识图谱中；

从所述理化特性数据曲线图中获取预设时间内月季花的理化特性信息，并将所述预设时间内月季花的理化特性信息输入到所述月季花病虫害知识图谱中进行匹配，得到匹配相似度；

若所述匹配相似度大于预设匹配相似度，则获取当前月季花病虫害爆发类型以及当前月季花的生长阶段，通过对所述当前月季花病虫害爆发类型以及当前月季花的生长阶段是否存在关联，若存在关联，将所述当前月季花病虫害爆发类作为即将爆发的病虫害类型输出；

若不存在关联，则获取当前月季花病虫害爆发类型所对应的月季花生长阶段，并根据所述当前月季花病虫害爆发类型所对应的月季花生长阶段获取到爆发的时间节点。

需要说明的是，所述理化特征至少包括土壤的温度、湿度等，由于冬季之后，慢慢回暖，病虫就从土壤中破蛹而出。通过本方法能够及时地判断虫害爆发率超过预定爆发率的虫害是否会进行进一步地爆发，从而及时地对病虫害爆发进行提前预报，进而提前采取相应的措施进行灭杀病虫。

此外，本方法还可以包括以下步骤：

通过遥感技术获取当前预设范围之内花育苗区域的图像信息，通过对所述图像信息进行识别，以得到识别结果；

判断所述识别结果中是否存在预设类型虫，若存在预设类型的害虫，当所述预设类型的害虫处于成虫年龄段，则获取预设时间内的该害虫的飞行路线；

根据所述该害虫的飞行路线获取沿途飞行路线的视频帧信息，并获取所述视频帧信息中该类害虫在当前月季花育苗区域的停留时间，通过大数据网络获取害虫进行繁殖时的时间信息，判断所述停留时间是否大于所述害虫进行繁殖时的时间信息；

若所述停留时间大于所述害虫进行繁殖时的时间信息，则获取在当前月季花育苗区域的停留时间内的行为信息，当所述行为信息存在繁殖行为之时，则将当前月季花育苗区域作为防控区域。

需要说明的是，其中预设类型的害虫可以的飞行类害虫，如潜夜蛾类害虫、飞蛾类害虫，可以通过神经网络、深度学习、大数据等手段来识别是否存在害虫，进而通过本方法能够进一步提高防控效果。

本发明第二方面提供了一种月季育苗生长信息及环境监测系统，监测系统包括存储器41以及处理器62，存储器41中包括月季育苗生长信息及环境监测方法程序，月季育苗生长信息及环境监测方法程序被处理器62执行时，实现如下步骤：

获取当前月季花育苗区域的历史环境气候信息以及当前月季花育苗区域在预设范围之内的历史爆发病虫害信息，根据当前月季花育苗区域在预设范围之内的历史爆发病虫害信息获得当前月季花的病虫害爆发类型；

基于历史环境气候信息以及当前月季花的病虫害爆发类型得到当前月季花育苗区域的害虫存活率；

构建月季花病虫害预测模型，根据当前月季花育苗区域的害虫存活率以及月季花病虫害预测模型得到当前月季花病虫害爆发率；

获取当前月季花的育苗信息，并根据当前月季花病虫害爆发率以及当前月季花育苗信息得到月季花病虫害的爆发期，基于月季花病虫害的爆发期生成调控策略，并将调控策略传输至远程控制终端。

在本实施例中，基于历史环境气候信息以及当前月季花的病虫害爆发类型得到当前月季花育苗区域的害虫存活率，具体包括以下步骤：

将当前月季花育苗区域的历史环境气候信息进行分割，生成时间序列的历史气候时间区域信息，并根据时间序列的历史气候时间区域信息生成历史环境气候变化曲线；

通过大数据网络获取当前月季花的病虫害爆发类型在各种环境气候信息之下的害虫存活率，构建害虫存活率数据库，并将各种环境气候信息之下的害虫存活率输入到害虫存活率数据库中存储；

获取历史环境气候变化曲线中每个温度梯度区域的温度信息，并统计每个温度梯度区域的温度信息以形成多个时间区域，并将每一个时间区域的温度信息输入到所述害虫存活率数据库中，得到每一个时间区域的害虫存活率；

构建序列表，通过对每一个时间区域的害虫存活率进行相互比较，并对每一个时间区域的害虫存活率进行从小到大进行排序，并将排序后的每一个时间区域的害虫存活率输入到构建序列表，并获取序列表中最小的害虫存活率作为最终的害虫存活率输出。

在本实施例中，构建月季花病虫害预测模型，根据当前月季花育苗区域的害虫存活率以及月季花病虫害预测模型得到当前月季花病虫害爆发率，具体包括以下步骤：

获取大量的害虫存活率与月季花发生病虫害的爆发率，并通过多因素logistic回归分析法分析害虫存活率与月季花发生病虫害的爆发率的潜在关系，以得到权重向量信息，并通过灰色关联分析法对权重向量信息进行分析，以得到虫害爆发率的评价分数；

基于卷积神经网络构建月季花病虫害预测模型，并获取大量的虫害爆发率的评价分数作为训练集以及测试集，并将训练集输入到月季花病虫害预测模型中；

通过交叉熵损失函数进行参数反向传播训练，直到误差收敛至预设值，并保存模型参数，通过测试集对月季花病虫害预测模型进行测试，直至月季花病虫害预测模型满足预设要求；

将当前月季花育苗区域的害虫存活率输入到月季花病虫害预测模型中，得到当前月季花育苗区域的虫害爆发率的评价分数，并将虫害爆发率的评价分数作为月季花发生病虫害的爆发率输出。

在本实施例中，根据当前月季花病虫害爆发率以及当前月季花育苗信息得到月季花病虫害的爆发期，具体包括以下步骤：

判断当前月季花病虫害爆发率是否大于预设爆发率，若当前月季花病虫害爆发率大于预设爆发率，则获取当前月季花病虫害爆发率大于预设爆发率相对应的病虫害类型；

通过对当前月季花育苗信息进行特征提取，得到各个月季花各个生长阶段的计划信息，并通过大数据网络获取当前月季花病虫害爆发率大于预设爆发率相对应的病虫害类型所危害的生长阶段；

根据当前月季花病虫害爆发率大于预设爆发率相对应的病虫害类型所危害的生长阶段以及各个月季花各个生长阶段的计划信息得到危害月季花的时间节点；

将害月季花的时间节点作为月季花病虫害的爆发期，并将月季花病虫害的爆发期输出。

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，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权利要求的保护范围为准。

Claims (6)

1.一种月季育苗生长信息及环境监测方法，其特征在于，包括以下步骤：

获取当前月季花育苗区域的历史环境气候信息以及当前月季花育苗区域在预设范围之内的历史爆发病虫害信息，根据所述当前月季花育苗区域在预设范围之内的历史爆发病虫害信息获得当前月季花的病虫害爆发类型；

基于所述历史环境气候信息以及所述当前月季花的病虫害爆发类型得到当前月季花育苗区域的害虫存活率；

构建月季花病虫害预测模型，根据所述当前月季花育苗区域的害虫存活率以及所述月季花病虫害预测模型得到当前月季花病虫害爆发率；

获取当前月季花的育苗信息，并根据所述当前月季花病虫害爆发率以及所述当前月季花育苗信息得到月季花病虫害的爆发期，基于所述月季花病虫害的爆发期生成调控策略，并将所述调控策略传输至远程控制终端；

其中，构建月季花病虫害预测模型，根据所述当前月季花育苗区域的害虫存活率以及所述月季花病虫害预测模型得到当前月季花病虫害爆发率，具体包括以下步骤：

获取大量的害虫存活率与月季花发生病虫害的爆发率，并通过多因素logistic回归分析法分析害虫存活率与月季花发生病虫害的爆发率的潜在关系，以得到权重向量信息，并通过灰色关联分析法对所述权重向量信息进行分析，以得到虫害爆发率的评价分数；

基于卷积神经网络构建月季花病虫害预测模型，并获取大量的虫害爆发率的评价分数作为训练集以及测试集，并将所述训练集输入到所述月季花病虫害预测模型中；

通过交叉熵损失函数进行参数反向传播训练，直到误差收敛至预设值，并保存模型参数，通过所述测试集对所述月季花病虫害预测模型进行测试，直至所述月季花病虫害预测模型满足预设要求；

将所述当前月季花育苗区域的害虫存活率输入到月季花病虫害预测模型中，得到当前月季花育苗区域的虫害爆发率的评价分数，并将所述虫害爆发率的评价分数作为月季花发生病虫害的爆发率输出；

其中，根据所述当前月季花病虫害爆发率以及所述当前月季花育苗信息得到月季花病虫害的爆发期，具体包括以下步骤：

判断所述当前月季花病虫害爆发率是否大于预设爆发率，若所述当前月季花病虫害爆发率大于预设爆发率，则获取当前月季花病虫害爆发率大于预设爆发率相对应的病虫害类型；

通过对所述当前月季花育苗信息进行特征提取，得到各个月季花各个生长阶段的计划信息，并通过大数据网络获取当前月季花病虫害爆发率大于预设爆发率相对应的病虫害类型所危害的生长阶段；

根据所述当前月季花病虫害爆发率大于预设爆发率相对应的病虫害类型所危害的生长阶段以及各个月季花各个生长阶段的计划信息得到危害月季花的时间节点；

将所述害月季花的时间节点作为月季花病虫害的爆发期，并将所述月季花病虫害的爆发期输出。

2.根据权利要求1所述的一种月季育苗生长信息及环境监测方法，其特征在于，基于所述历史环境气候信息以及所述当前月季花的病虫害爆发类型得到当前月季花育苗区域的害虫存活率，具体包括以下步骤：

将所述当前月季花育苗区域的历史环境气候信息进行分割，生成时间序列的历史气候时间区域信息，并根据所述时间序列的历史气候时间区域信息生成历史环境气候变化曲线；

通过大数据网络获取所述当前月季花的病虫害爆发类型在各种环境气候信息之下的害虫存活率，构建害虫存活率数据库，并将所述各种环境气候信息之下的害虫存活率输入到害虫存活率数据库中存储；

获取历史环境气候变化曲线中每个温度梯度区域的温度信息，并统计每个温度梯度区域的温度信息以形成多个时间区域，并将每一个时间区域的温度信息输入到所述害虫存活率数据库中，得到每一个时间区域的害虫存活率；

构建序列表，通过对所述每一个时间区域的害虫存活率进行相互比较，并对所述每一个时间区域的害虫存活率进行从小到大进行排序，并将排序后的每一个时间区域的害虫存活率输入到构建序列表，并获取所述序列表中最小的害虫存活率作为最终的害虫存活率输出。

3.根据权利要求1所述的一种月季育苗生长信息及环境监测方法，其特征在于，基于所述月季花病虫害的爆发期生成调控策略，并将所述调控策略传输至远程控制终端，具体包括以下步骤：

构建月季花病虫害知识图谱，并通过大数据网络获取各种月季花病虫害的防治方案，并将所述各种月季花病虫害的防治方案输入到所述月季花病虫害知识图谱中；

获取当前危害月季花的病虫害类型，并将所述危害月季花的病虫害类型输入到所述月季花病虫害知识图谱中，得到当前月季花的初始防治方案；

获取当前种植区域的历史防治方案，若所述历史防治方案中存在化学防治方案之时，则将所述历史防治方案从所述当前月季花的初始防治方案中进行剔除，生成当前月季花的二次调整防治方案；

基于所述当前月季花的二次调整防治方案以及所述月季花病虫害的爆发期生成调控策略，并将所述调控策略传输至远程控制终端。

4.根据权利要求1所述的一种月季育苗生长信息及环境监测方法，其特征在于，根据所述当前月季花育苗区域在预设范围之内的历史爆发病虫害信息获得当前月季花的病虫害爆发类型，具体包括以下步骤：

获取当前月季花育苗区域在预设范围之内的历史爆发病虫害信息，并判断所述历史爆发病虫害信息是否危害当前月季花；

若所述历史爆发病虫害信息危害当前月季花，则将所述历史爆发病虫害信息中的病虫害类型作为当前月季花病虫害爆发类型进行输出。

5.一种月季育苗生长信息及环境监测系统，其特征在于，所述监测系统包括存储器以及处理器，所述存储器中包括月季育苗生长信息及环境监测方法程序，所述月季育苗生长信息及环境监测方法程序被处理器执行时，实现如下步骤：

获取当前月季花育苗区域的历史环境气候信息以及当前月季花育苗区域在预设范围之内的历史爆发病虫害信息，根据所述当前月季花育苗区域在预设范围之内的历史爆发病虫害信息获得当前月季花的病虫害爆发类型；

基于所述历史环境气候信息以及所述当前月季花的病虫害爆发类型得到当前月季花育苗区域的害虫存活率；

构建月季花病虫害预测模型，根据所述当前月季花育苗区域的害虫存活率以及所述月季花病虫害预测模型得到当前月季花病虫害爆发率；

获取当前月季花的育苗信息，并根据所述当前月季花病虫害爆发率以及所述当前月季花育苗信息得到月季花病虫害的爆发期，基于所述月季花病虫害的爆发期生成调控策略，并将所述调控策略传输至远程控制终端；

其中，构建月季花病虫害预测模型，根据所述当前月季花育苗区域的害虫存活率以及所述月季花病虫害预测模型得到当前月季花病虫害爆发率，具体包括以下步骤：

获取大量的害虫存活率与月季花发生病虫害的爆发率，并通过多因素logistic回归分析法分析害虫存活率与月季花发生病虫害的爆发率的潜在关系，以得到权重向量信息，并通过灰色关联分析法对所述权重向量信息进行分析，以得到虫害爆发率的评价分数；

基于卷积神经网络构建月季花病虫害预测模型，并获取大量的虫害爆发率的评价分数作为训练集以及测试集，并将所述训练集输入到所述月季花病虫害预测模型中；

通过交叉熵损失函数进行参数反向传播训练，直到误差收敛至预设值，并保存模型参数，通过所述测试集对所述月季花病虫害预测模型进行测试，直至所述月季花病虫害预测模型满足预设要求；

将所述当前月季花育苗区域的害虫存活率输入到月季花病虫害预测模型中，得到当前月季花育苗区域的虫害爆发率的评价分数，并将所述虫害爆发率的评价分数作为月季花发生病虫害的爆发率输出；

其中，根据所述当前月季花病虫害爆发率以及所述当前月季花育苗信息得到月季花病虫害的爆发期，具体包括以下步骤：

判断所述当前月季花病虫害爆发率是否大于预设爆发率，若所述当前月季花病虫害爆发率大于预设爆发率，则获取当前月季花病虫害爆发率大于预设爆发率相对应的病虫害类型；

通过对所述当前月季花育苗信息进行特征提取，得到各个月季花各个生长阶段的计划信息，并通过大数据网络获取当前月季花病虫害爆发率大于预设爆发率相对应的病虫害类型所危害的生长阶段；

根据所述当前月季花病虫害爆发率大于预设爆发率相对应的病虫害类型所危害的生长阶段以及各个月季花各个生长阶段的计划信息得到危害月季花的时间节点；

将所述害月季花的时间节点作为月季花病虫害的爆发期，并将所述月季花病虫害的爆发期输出。

6.根据权利要求5所述的一种月季育苗生长信息及环境监测系统，其特征在于，基于所述历史环境气候信息以及所述当前月季花的病虫害爆发类型得到当前月季花育苗区域的害虫存活率，具体包括以下步骤：

将所述当前月季花育苗区域的历史环境气候信息进行分割，生成时间序列的历史气候时间区域信息，并根据所述时间序列的历史气候时间区域信息生成历史环境气候变化曲线；

通过大数据网络获取所述当前月季花的病虫害爆发类型在各种环境气候信息之下的害虫存活率，构建害虫存活率数据库，并将所述各种环境气候信息之下的害虫存活率输入到害虫存活率数据库中存储；

获取历史环境气候变化曲线中每个温度梯度区域的温度信息，并统计每个温度梯度区域的温度信息以形成多个时间区域，并将每一个时间区域的温度信息输入到所述害虫存活率数据库中，得到每一个时间区域的害虫存活率；

构建序列表，通过对所述每一个时间区域的害虫存活率进行相互比较，并对所述每一个时间区域的害虫存活率进行从小到大进行排序，并将排序后的每一个时间区域的害虫存活率输入到构建序列表，并获取所述序列表中最小的害虫存活率作为最终的害虫存活率输出。

Images