论文部分内容阅读
森林病虫害在我国的危害面积始终居高不下,一直是严重制约我国林业发展的重大问题。松毛虫是我国森林的一类重要害虫,其危害严重影响了我国林木生长和森林资源的安全。因而,及时准确地对松毛虫的发生趋势进行预测预报十分必要。虫害的发生受到多种因素的影响,是一种复杂的非线性关系,传统的预测方法大多为基于线性的预测,导致预测效果不够理想,需要搜寻更为科学先进的预测方法来提高预测的准确性,真正做到对害虫发生趋势的科学预测。马尾松毛虫和落叶松毛虫是发生较为严重的松树叶部害虫。本研究以这两种害虫历年发生面积作为研究样本,利用多层前馈神经网络(MLFN)、广义回归神经网络(GRNN)以及支持向量机(SVM)三种机器学习算法对其发生面积进行预测,并将三种方法的预测结果与传统的多元线性回归预测方法相比较,通过均方根误差(RMSE)、预测准确率以及模型的训练时间作为评价标准,综合对比来评价各模型的性能。以确定机器学习在虫害预测中的可行性,进而寻求一种对松毛虫发生趋势预测的有效方法。结果显示:(1)在针对于马尾松毛虫的预测中,GRNN模型的RMSE值为1.92,远大于多元线性回归(RMSE=0.494)、MLFN 模型(RMSE=0.36)和 SVM 模型(RMSE=0.33)的 RMSE值,表明该模型的预测结果与实际值偏差较大,预测效果不够理想。MLFN模型和SVM模型的RMSE值较为接近,均优于多元线性回归。MLFN模型和SVM模型在30%容忍度下的预测准确率分别为60%和80%,训练时间分别为41s和ls,说明SVM模型的预测准确率更高,预测耗时更短。因而,SVM模型更适于对马尾松毛虫发生趋势的预测。(2)在针对于落叶松毛虫的预测中,对比各模型的RMSE值可知,三种机器学习模型 MLFN(RMSE=0.4002)、GRNN(RMSE=0.2565)、SVM(RMSE=0.077)的预测效果均在很大程度上优于多元线性回归(RMSE=0.7474)。并且SVM模型的预测准确率在30%容忍度下可达100%,高于MLFN模型(33.33%)和GRNN模型(66.67%)的预测准确率。在训练时间上SVM模型(1s)相较于MLFN模型(56s)也有较大优势。因此,SVM模型更适用于对落叶松毛虫发生面积的预测。(3)利用已构建的SVM模型,以其基本原理及最优化参数为基础,开发基于MATLAB GUI的松毛虫发生面积预测软件,将预测模型实现可视化,方便使用者直接输入数据等操作。该软件可以快速导入并处理数据,且用户界面简洁友好,操作简单直观,很好的实现了人机交互。该软件已封装为可执行文件,可移植性较好,更便于用户的使用,有很好的应用性。根据对这四种预测模型预测效果的对比分析表明,机器学习可以应用于生产实际并有效预测虫害发生面积,尤其是支持向量机模型可以作为一种很好预测手段。