首页 > 分享 > 基于长短时记忆网络的棉花病虫害发生预测研究

基于长短时记忆网络的棉花病虫害发生预测研究

花匠小妙招
2024-08-16 19:27

基于长短时记忆网络的棉花病虫害发生预测研究

【摘要】： 随着计算机科学的发展以及云计算、大数据时代的到来,机器学习和深度学习方法广泛应用于各个领域,在农业领域也初见成效。长短时记忆网络(LSTM)是在传统循环神经网络(RNN)的基础上经过改进的一种人工神经网络。改进后的LSTM不仅继承了RNN在处理时间序列问题上的优势,而且解决了RNN经常出现的梯度消失和梯度爆炸问题,具有更长期的记忆功能。本文利用LSTM来预测棉花病虫害的发生,通过对LSTM网络的不断训练,迭代优化,最终在棉花病虫害发生问题上取得良好的预测效果。本文搜集了1981-2011年间印度地区棉花病虫害数据、天气因素变化数据和部分大气环流数据,并利用LSTM网络构建了病虫害发生预测模型。本文的主要内容概括如下:1.统计分析天气与棉花病虫害之间的内在联系。本文统计了1981-2011年间印度地区的8种天气因素和棉花病虫害发生数据的年平均变化趋势,结果显示病虫害发生危害程度逐年上升,且在2005-2011年间危害程度加剧。与此同时,印度地区的温度、湿度、降雨量等呈逐年减少的趋势,与病虫害发生危害趋势相反。然后,本文分别对数据中的年份、月份以及天气因素与病虫害发生情况进行相关性分析。结果表明,印度不同地区、不同种类棉花病虫害的发生均与天气因素显著相关,其中,温度、湿度和日间蒸发量三种天气因素的显著性较为普遍。天气与病虫害发生存在的普遍规律,为本文接下来的病虫害发生预测建模提供了理论依据。2.基于LSTM的棉花病虫害发生的二分类预测。本文所获取的天气-棉花病虫害数据是时间序列类型的数据,在时间上有一定的规律可循。LSTM作为一种改进的RNN,非常适合用于这类问题的建模。首先,从农作物病虫害决策支持系统中下载了1981-2011年间印度地区棉花病虫害发生数据和8种天气特征数据,进行简单的数据清洗和预处理以达到建模输入的基本要求。然后,利用单一变量原则对LSTM网络的重要参数进行设置。最后,利用历史的天气-棉花病虫害发生数据对未来印度各地区棉花病虫害的发生情况进行预测。为了突出LSTM在处理长时程依赖问题上的优势,使用传统机器学习模型与该模型进行对比。结果显示,LSTM在各项性能指标上均优于传统机器学习模型。3.基于LSTM的棉花病虫害危害程度的多分类预测。基于原始数据,本文将印度地区棉花病虫害的发生危害程度分为四个等级:不发生病虫害、轻微病虫害、中等病虫害和严重病虫害。在查阅了大量文献后发现,部分大气环流指数可以通过影响各地区的气候变化来进一步影响当地农作物病虫害的发生。因此,本文从中国气象局国家气候中心下载了部分大气环流指数用来作为补充特征,与天气因素一起用于LSTM网络建模。随后,搭建了LSTM模型并进行数据预测。同时测试了不同地区、不同种类的棉花病虫害数据,以检验模型的普适性。最后,本文还测试了不同预测时间长度下本模型的性能。结果表明,本模型不仅在预测未来一周病虫害发生时表现良好,同时也能为未来两周甚至一个月后的棉花病虫害发生情况提供参考。

【学位授予单位】：安徽大学
【学位级别】：硕士
【学位授予年份】：2019

1234187246572142592