论文部分内容阅读
我国虫害爆发频繁,历年来对作物生产造成了严重危害。虫害预测预报是作物生产防灾减灾中重要的基础性工作,在我国的作物安全生产中居于重要地位。只有准确预测农作物虫害的发生量才能为各类农业政策的制定提供有效参考,及时、得力地进行虫害暴发的预警预防,将虫害暴发危害损失控制在经济允许范围以内。由于虫害数据受全球气候、天气、农作物生长情况、化肥药剂施用量等多个外部环境因子的影响,自身又包含显著动态时序特征,要做到精确预测难度较大。为了提高虫害预测预报的准确性,本文从以下几个方面进行了研究:(1)基于变量影响值Ⅳ (Impact Value)和实验室前期发展的神经网络优化模型REMCC-BPNN (Back Propagation Neural Network based on the Minimum Correlation Coefficient of the fitting Relative Error)提出了一种新的预测方法IV-REMCC-BPNN。具体步骤如下:先将归一化后的训练样本K利用REMCC-BPNN进行网络训练;再将K中每一自变量在原值基础上±10%,构成两个新的训练样本K1和K2,将它们分别代入已建立的网络进行仿真,得到两组预测值YK1和YK2。对YK1和YK2进行成对数据t测验,将t值作为变动后自变量对因变量的影响值Ⅳ。设置合适的差异显著性检验水准alpha,实现变量的自动筛选;最后基于筛选后的特征子集和REMCC-BPNN模型实施独立预测。(2)基于气象因子的虫害发生量预测。以历史统计资料为基础,对数据进行科学分析与处理,使用IV-REMCC-BPNN模型结合气温,降雨量等传统气象影响因子对虫害的发生量进行独立预测。水稻稻瘿蚊和玉米螟发生量的独立预测结果表明,IV-REMCC-BPNN模型性能稳健,预测精度高,且明显优于BPNN、REMCC-BPNN、 SVR、SVR-CAR等参比模型,具有较大的推广价值。(3)基于太阳黑子的虫害发生量预测。太阳作为地球上光和热的提供者,它的细微变化都会对地球产生各种各样的影响,国内外的许多研究表明气候变化、疾病流行和虫害发生与太阳活动有着客观的联系,太阳黑子是太阳最剧烈活动的表现。因此,本文引入历史太阳黑子月值数据作为虫害预测影响因子,并应用到水稻稻瘿蚊和玉米螟发生量的独立预测中,取得了较好的预测效果。为虫害预测影响因子的选取开拓了新的思路,给虫害预测和太阳黑子数据研究方面的学者提供了有效的参考。