论文部分内容阅读
小麦赤霉病是世界性的麦类病害之一,它的影响因素众多且危害严重,在预测方面有一定的难度。安徽省农作物病虫害监测预警平台中已针对小麦赤霉病提出了几种预测模型,但是在预测的精确度上还有待提高。本文以安徽省小麦为研究对象,通过小麦赤霉病发生年间的气象数据与赤霉病病穗率数据进行预测,来定量研究该病发生的可能性,具体工作包括:(1)对小麦赤霉病数据进行预处理本文分析了影响小麦赤霉病发生的气象因子,在安徽省农作物病虫害监测预警平台数据库中,选取安徽桐城2005~2017年间小麦赤霉病扬花期前后(当年3月下旬、4月及5月上旬)的气象数据和小麦乳熟期赤霉病平均病穗率数据,对所选数据进行了预处理及相关性分析,并陈述了选择灰色预测、BP神经网络预测模型的原因。(2)构建了基于GM(1,1)的安徽小麦赤霉病预测模型将小麦乳熟期赤霉病的平均病穗率作为该灰色预测模型的原始序列,使用matlab工具进行模型计算求解,由于小麦赤霉病实际值的波动较大,故该模型预测值的精度较低。(3)构建了基于BP神经网络的安徽小麦赤霉病预测模型首先将气象因子数据作为BP神经网络的输入样本,小麦乳熟期赤霉病平均病穗率作为网络的输出样本,通过matlab工具建立BP神经网络模型对训练样本进行模型求解及误差分析,并用训练好的网络验证测试样本,测试数据的平均相对误差在8.19%左右。BP神经网络模型精确度较高,预测结果具有一定的参考价值。(4)构建了基于遗传算法优化BP神经网络的安徽小麦赤霉病预测模型首先采用遗传算法来获得最优的初始权值和阈值,然后基于最优的权值和阈值,使用matlab工具对BP神经网络模型进行训练求解与误差分析,测试数据的平均相对误差在6.51%左右。两者的结合可以解决BP神经网络易于陷入局部最优和收敛速度慢的问题,在收敛速度和预测准确性可靠性上都有所提高。本文通过以上三种预测模型对安徽小麦赤霉病的发生进行预测分析,分析可知,使用遗传算法优化后的BP神经网络在预测精度和收敛速度上都有所提高,可用于赤霉病预测防治,这对农业作业有一定的指导作用。