论文部分内容阅读
葡萄霜霉病是危害葡萄最严重的一种病害,极易导致果穗无法正常生长,引发减产,导致很大程度的经济损失。快速、准确地作出预测预报是有效防治和控制葡萄霜霉病发生、发展的重要手段,对保证葡萄高产、安全和优质生产具有重要意义。现阶段把葡萄霜霉病初次侵染日期的预测和初侵染开始发病程度预测结合起来的研究较少,支持向量机泛化能力强和非线性拟合的优势对葡萄霜霉病预测起到了积极作用,但是训练学习参数的选取极大影响着SVM模型的预测性能,而且现有的关于葡萄霜霉病预测因子选择的研究还很匮乏。针对目前的研究现状,本文以北京市房山波龙堡酒庄的霞多丽作为研究对象,首先确定该地区葡萄霜霉病的初侵染日期,运用灰色关联分析法(GRA,Grey Relational Analysis)筛选出与葡萄霜霉病变化态势最相近的气象因子作为SVM模型的特征输入向量,通过参数优化算法寻找SVM最优参数构建葡萄霜霉病短期预测模型,并且在此基础上设计了葡萄霜霉病预测系统,实现对葡萄霜霉病发病程度更精确有效的预测。本文主要进行了如下研究:(1)针对葡萄霜霉病初次侵染日期的预测问题,选择对典型的农业气象模型DMCAST进行本地化应用操作,在保留其核心算法的基础上,调整其预测因子和参数初始值,形成适应于所研究地区的DMCAST-BJ模型。通过本地化后的DMCAST-BJ模型对2012年北京房山波龙堡酒庄葡萄霜霉病的初侵染日期进行了预测,模型预测出的初侵染日期是6月21号,比实际监测到的病害初侵染日期提前了3天;(2)针对葡萄霜霉病发病程度预测阶段的预测因子选择问题,运用灰色关联分析法计算整理得到的8个气象因子的灰色关联度,最终确定平均相对湿度,最低相对湿度,累计降水量和累计降水日作为输入向量,以此构建GRA-SVM模型实现对未来一天的葡萄霜霉病病害等级的预测。出于对灰色关联分析所确定预测因子有效性的验证,构建基于全部因子的葡萄霜霉病SVM预测模型,对比分析基于两种预测因子的SVM模型的预测准确率和运行时间,实验发现基于灰色关联分析的SVM模型预测效果更好;(3)针对核函数的选取和其他机器学习方法对SVM模型预测效果的影响,本研究使用4种核函数和BP网络方法分别建立基于灰色关联分析的葡萄霜霉病SVM预测模型和基于灰色关联分析的葡萄霜霉病BP预测模型,比较确定基于径向基函数的SVM模型具有更好的预测效果,同等条件下SVM模型的预测稳定度更高,实验结果表明以径向基函数作为核函数的GRA-SVM模型能更好的实现对葡萄霜霉病发病程度的预测;(4)针对传统方法在寻找SVM参数时极易陷入局部最优的问题,本研究使用粒子群算法(PSO,Particle Swarm Optimization),遗传算法(GA,Genetic Algorithm)和改进网格搜索法(GS,Grid Search)优化SVM模型的两个参数,构建基于灰色关联分析和优化SVM的葡萄霜霉病预测模型,并且使用混淆矩阵法从预测准确率,精确率和召回率3个角度对3种模型进行对比分析。预测结果表明粒子群算法和遗传算法寻优效果更好,预测准确率达到95.24%,且两种算法优化后的SVM模型除了在等级2的精确率和等级1的召回率预测上有所偏颇外,对其他等级的预测精确率和召回率皆为100%;(5)基于所研究的葡萄霜霉病发病程度预测GRA-PSO-SVM模型,设计了基于Java Web的葡萄霜霉病预测系统,可完成对预测数据的管理,并且能实现对葡萄霜霉病发病程度的预测预警,相关人员可根据预警信息对葡萄霜霉病进行及时有效的防治。本文主要研究葡萄霜霉病初侵染日期预测、发病程度短期预测模型构建及预测系统设计,在葡萄霜霉病预测因子选择和SVM参数优化上进行了探讨,建立的基于灰色关联分析和优化SVM的短期预测模型为葡萄霜霉病预测预报提供了一种新的研究思路。