首页 > 分享 > 一种基于大数据的烟草主要病虫害预测方法与流程

一种基于大数据的烟草主要病虫害预测方法与流程

花匠小妙招
2024-11-07 17:47

本发明设计植物病虫害预测领域，尤其涉及一种基于大数据的烟草主要病虫害预测方法。

背景技术：

烤烟是一种以收获叶片为目的的特殊农作物，其农药选择及使用受到前所未有的重视和限制。在昆明烟区，随着育苗方式和栽培模式的改变，以及农村经济作物结构的调整，危害烟草的主要病虫害也发生了巨大的改变。2010年前，危害当地烟草主要以“五病、四虫”(病害：黑胫病、黄瓜花叶病、烟草花叶病、野火病、赤星病；虫害：地老虎、金龟子、烟蚜、烟青虫)为主。而最近两年，已经演变为“新五病、新五虫”(黑胫病、烟草花叶病、番茄斑萎病毒病、赤星病、根结线虫病；地老虎、金龟子、蓟马、烟蚜、斜纹夜蛾)为主的新格局，同时，还有白粉病、根黑腐病的危害也有上升趋势。

目前，传统的烟草病虫害防治方式，需要人工到现场检验作物叶片或其他发病位置有无病虫害侵染现象，但是一旦已经出现病虫害侵染状况，说明病虫害已经开始侵染，再采取防治措施，防治效果极差，很多病虫害都是可防不可治，错过了最佳施药时间，致使没有及时的对农作物进行施药，影响农作物产量，给种植户带来一定程度的损失。

技术实现要素：

本发明的目的在于，针对上述问题，提出一种基于大数据的烟草主要病虫害预测方法。

一种基于大数据的烟草主要病虫害预测方法，包括如下步骤：

s1.病虫害数据采集：对烟区的实时病虫害相关数据与历史病虫害相关数据进行采集；

s2.病虫害数据分析：根据采集的病虫害相关数据中对病虫害发生的贡献度，挑选病虫害预测模型的建模因子；

s3.预测模型建模及优化：根据挑选的建模因子基于神经网络构建病虫害预测模型，并利用采集的历史病虫害相关数据对预测模型进行训练优化；

s4.病虫害预测及验证：调用病虫害预测模型输入实时病虫害相关数据以及历史病虫害相关数据进行烟区的病虫害数据预测，并进行数据预测值的准确性验证。

进一步的，所述的烟草相关数据包括烟区气象数据、烟区土壤数据、烟区地理位置数据以及烟草性状数据。

进一步的，所述的病虫害相关数据的采集包括利用设置于烟区的多个物联网采集终端采集烟区实时病虫害相关数据，以及利用保存历史病虫害相关数据的数据库获取历史病虫害相关数据。

进一步的，所述的步骤s2中采用人工干涉或非人工干涉进行病虫害预测模型建模因子的挑选，其中，人工干涉采用逐步回归maic估计算法，非人工干涉采用多元回归算法、稳健回归算法、岭回归算法或主成分回归算法。

进一步的，所述的步骤s3中病虫害预测模型构建包括如下子步骤：

s301.输入挑选的病虫害预测模型建模因子对应的数据序列；

s302.利用编码器对数据序列进行特征提取；

s303.使用解码器网络解码特征；

s304.通过lstm神经网络中多层全连接网络利用softmx层输出预测结果。

进一步的，所述的步骤s3中对预测模型进行训练优化包括如下子步骤：

s311.输入采集的历史病虫害相关数据，将输入的相关数据制作为多个训练集；

s312.通过多个训练集对预测模型进行不断优化训练，直到构建的预测模型f(x1，x2，···，xt-1，θ*)的输出分布q与数据的真实分布p(xt|x1，x2，x3，···，xt-1)满足差异性要求。

进一步的，所述的满足差异性要求为预测模型的输出分布q与数据的真实分布p的交叉熵满足要求，其中q与p的交叉熵表示为：优化后的交叉熵满足其中，yi表示采集的实际值数据，表示预测模型输出的数据。

进一步的，所述的准确性验证包括验证数据采集以及预测模型准确率验证两个步骤，通过人工采集对应烟区预测值的实际值，并利用预测值与实际值进行对比，计算预测模型的预测精确度。

进一步的，所述的预测模型准确率验证采用计算预测值与实际值偏差的平方与观测次数的比值的方式获得预测模型的损失函数，所述损失函数表示为：其中，fi表示预测模型输出数据，yi表示采集的实际值数据，mse的值越小，说明预测模型的精确度越好。

进一步的，还包括预测数据可视化步骤，通过报表或gis模式，展示各地区各类病虫害的发生情况、预计的危害程度以及预测准确精度。

本发明的有益效果：本发明基于大数据的采集对烟叶的病虫害的多个影响因子进行数据采集以及预测因子提取，并通过构建模型利用lstm神经网络进行烟叶病虫害的预测，为种植户提供了防治方向，减少了病虫害对烟草种植造成的损失；同时根据采集的实际值与预测值对该预测模型进行准确性计算，能够对该预测模型进行评价，也为预测模型的优化提供了数据支撑。

附图说明

图1是本发明的流程示意图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式。

如图1所示，本实施例中，一种基于大数据的烟草主要病虫害预测方法，包括如下步骤：s1.病虫害数据采集：对烟区的实时病虫害相关数据与历史病虫害相关数据进行采集；s2.病虫害数据分析：根据采集的病虫害相关数据中对病虫害发生的贡献度，挑选病虫害预测模型的建模因子；s3.预测模型建模及优化：根据挑选的建模因子基于神经网络构建病虫害预测模型，并利用采集的历史病虫害相关数据对预测模型进行训练优化；s4.病虫害预测及验证：调用病虫害预测模型输入实时病虫害相关数据以及历史病虫害相关数据进行烟区的病虫害数据预测，并进行数据预测值的准确性验证。

病虫害数据采集：

通过从气象局采集烟区影响烟草的生育期病虫害流行的气象数据(如气温、降水量、空气湿度等)和通过物联网传感技术采集土壤数据(如土壤温度、土壤含水量、土壤ph值、土壤含氮量、土壤含钾量等)，历史数据接入等多样化的数据采集方式来采集历史和实时的病虫害监测数据，形成病虫害防治数据库。病虫害相关数据的采集包括利用设置于烟区的多个物联网采集终端采集烟区实时病虫害相关数据，以及利用保存历史病虫害相关数据的数据库获取历史病虫害相关数据。

病虫害数据分析：

在烟区气候资料收集整理工作的基础上，选用逐步回归maic估计等非人工干涉方法建模，也可利用多元回归、稳健回归、岭回归和主成分回归等可人工干涉方法，人工挑选对病虫害发生有生物意义的因子，经稳定性和独立性检查后，根据因子对病虫害发生的贡献，人工挑选因子建模。

预测模型建模及优化：

病虫害模型采用神经网络构建，需要不断的训练以提高预报准确率，通过利用历史气象数据、病虫害发生情况等模型要素数据对模型进行训练和自训练，利用当年监测数据进行训练，获得经验，不断优化模型算法。

目标是通过学习算法学习到的模型f(x1，x2，···，xt-1，θ*)能够逼近数据的真实分布p(xt|x1，x2，x3，···，xt-1)，即模型的输出yi能近似真实分布的值设模型学习到的分布为q。则目标即是减少分布p与q之间的差异。描述两个分布差异性的标准是交叉熵：

优化的最终目标为:

病虫害预测及验证：

病虫害模型验证是对模型预测预报准确率的一个评估，也是衡量年度任务的一个关键性指标，针对病虫害模型的验证需要实际数据信息作为验证的依据。最终，通过病虫害模型预报预测数据和烟区实际发生的病虫害情况，通过模型准确率验证算法计算出当前模型的预报准确率。

a.烟区历史数据采集

采集烟区历史数据仓库中的气象、土壤、烟草基本信息数据，以使用编码器对数据序列进行特征提取，实现历史数据的标注。

b.模型预测预报

根据采集的历史数据，通过病虫害预测预报模型，预测病虫害发病情况，将预测数据存入预测数据分析库。

c.烟区实况数据采集

当前只能通过人工到烟区考察病虫害情况的方式，获取烟叶病虫害的情况，需要采集各烟区的病虫害发病种类，病害程度，发病分布，发病的概率。

d.准确率验证

根据病虫害模型的预报预测值与实际调研的采集值进行对比，采用计算均方误差的方式计算预报准确率。

预测值与真值偏差的平方和与观测次数的比值：

这就是线性回归中最常用的损失函数，线性回归过程中尽量让该损失函数最小。那么模型之间的对比也可以用它来比较。mse可以评价数据的变化程度，mse的值越小，说明预测模型描述实验数据具有更好的精确度。

预测数据可视化：

数据可视化过程分为：数据预处理、绘制、显示和交互这几个阶段。将数据的聚类和分类结果，按照多维、时态、层次和网络类别进行展现。在具体技术载体上，基于echarts数据可视化技术，将数据展示在web端，为用户提供包括传统数据报表表达形式之外，更有直观化、关联化、艺术性和交互性的使用感受。

预测预报数据的可视化展示，主要是通过报表、gis等，实现各地区各类病虫害的发生情况以及预计的危害程度等，进行展示。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。