论文部分内容阅读
在农业生产中,农作物害虫的常年发生给农作物生产带来严重影响,是造成农作物减产的重要原因。为了有效地对农作物害虫进行防治,人们对农作物害虫发生预测方法进行了长期研究,目前主要的预测方法有经验预测、实验预测、统计预测和信息预测。近年来,随着非线性科学、信息技术和人工智能技术的发展,作为主要的农作物害虫发生预测方法之一的信息预测研究,越来越引起关注。针对农作物害虫发生预测问题,本文采用了逐步回归分析、聚类分析、主成分分析方法(PCA),应用了反向传播人工神经网络(BPANN)、时态地理信息系统(TGIS)等技术,以水稻常见害虫三化螟(Scirpophaga incertulas)、蔬菜常见害虫斑潜蝇(Liriomya Huidobresis, Blanchard)为研究对象,对农作物害虫发生的预测模型和信息预测技术进行了研究,得出了基于逐步回归分析的农作物害虫发生预测模型和基于PCA/BPANN的农作物害虫发生预测模型,并对基于时态GIS的农作物害虫发生信息预测系统进行了初步研究。主要的研究内容和成果如下:1、本文首先基于线性科学,利用逐步回归分析方法建立了农作物害虫发生预测模型,并利用云南省建水县三化螟和斑潜蝇发生情况对模型进行了检验。结果表明,(1)通过逐步回归方程的建立,可找出影响两种害虫发生量的主要气象因子,并可在一定程度上对害虫的发生趋势进行分析。(2)两种害虫的逐步回归方程的复相关系数不超过0.7,可以看出利用逐步回归方程对三化螟和斑潜蝇发生量做定量预测时,具有一定局限性。2、本文针对农作物害虫发生预测模型中,原始数据常存在误差的问题,提出了先应用聚类分析方法对原始数据进行预处理,在保证原始数据真实有效的前提下,有效地提高了原始数据的可靠性;其次,针对BP人工神经网络输入因子过多时运算复杂、难以收敛的问题,利用主成分分析方法中降维的思想,把影响农作物害虫发生的多个影响因子转化为少数几个综合因子,在保证影响因子全面性的情况下,减少了BP人工神经网络的输入数据量,提高了预测模型的运算速率和预测精度。3、通过对农作物害虫发生规律、影响因素相关性、原始数据可靠性、BP人工神经网络在输入因子过多时运算复杂等问题的分析研究,将聚类分析方法、主成分分析方法和BP人工神经网络技术相结合,给出了一个基于PCA/BPANN的农作物害虫发生预测模型,并利用云南省建水县三化螟和斑潜蝇的调查数据对模型进行了检验。结果表明,该模型预测效果较好,稳定性较强。4、对基于逐步回归分析方法的农作物害虫发生预测模型和基于PCA/BPANN的农作物害虫发生预测模型进行比较研究。本文分别利用逐步回归分析方法和PCA/BPANN技术建立了农作物害虫发生预测模型,并利用云南省建水县三化螟和斑潜蝇的调查数据分别对以上两种预测模型进行检验。结果表明,针对农作物害虫发生的实际情况,考虑了非线性性质的PCA/BPANN农作物害虫发生预测模型比只考虑线性性质的逐步回归分析方法的农作物害虫发生预测模型具有更好的预测效果。5、将时态GIS技术应用于农作物害虫发生预测系统研究中。在对农作物害虫发生的时空特性进行研究的基础上,将时间作为与空间同等重要的因素引入到农作物害虫发生信息预测系统中;并根据农作物害虫分布区域与相对应的农田地块变更情况相关的特点,将农作物害虫发生的时空特性转换为相对应的农田地块变更信息的时空特性进行描述,给出了一种适用于农田地块变更信息的时空数据模型。最后对基于时态GIS的农作物害虫发生信息预测系统的构建进行了初步研究。