基于支持向量机的稻田虫害预测方法研究

Approaches combining the knowledge from plant-protection experts with the big data analysis represent the future trend of pest prediction research, however, implementing these approaches needs to solve two puzzles: (i) creates the dynamic pest occurrence databases which are accurate and of consistent standard; (ii) constructs the models describing the knowledge from plant protection experts correctly and having powerful extrapolation ability. For the former one, the applicant presented a method for the normalization of the accumulated history data on the pest occurrence and decided the criterion for making up the missing data and the wrong data, while creating the multi-dimensional rice field pest data collection approach by utilizing remote sensing and sensors which made up the drawbacks of manual data collection. For the latter, the applicant explored the estimating of the pest risk index, the identifying of the hazard ranking of different rice pests as well as the estimating of the pigment content in rice and the pest severity index on the basis of the classification of support vectors and remote sensing data. Then, the support vector regression approach was joined by the spherical model equation of semivariation function in geostatistics to decide the optimal expansion order and create the local timing prediction model. The rationality and validity of this approach were verified by the applicant. In summary, this research carried out clear innovations in the collecting and analyzing of the pest data , the deciding of the optimal timing model order, the nonlinear screening of factors and the creating of the local timing model. The studies will bring new method and idea for pests forecasting.

融合植物保护专家知识与大数据分析的方法是今后病虫害预测预报方法的研究方向，但需要解决两个难题：一、构建数据准确、标准一致的害虫数据采集方法；二、构建预测能力强精度高的数学模型。申请者将探索构建包含卫星遥感、飞艇遥感和传感器的多层次、多尺度数据采集方法，为构建模型提供实时、连续、精确、标准化的田间数据，并研究历史文献中病虫害发生数据标准化处理方法，制定缺失、错漏数据补齐标准，提高数据可用性。在获取高质量虫害数据的基础上，申请者将基于支持向量分类和主成分分析方法，研究虫害危害指数的估算算法、水稻不同病虫害危害等级判别算法、水稻色素含量和虫害严重度指数关联算法；基于支持向量回归结合地统计学半变异函数球状模型方程，研究时间序列最优拓展阶数计算算法，并研究构建稻田虫害发生局部预测模型。本研究将为病虫害预测预报提供新的研究方法和思路。

准确预报稻田害虫发生面临两个主要挑战，一是发展准确的田间害虫识别方法，关键在于解决复杂背景下多类别小目标准确识别问题；二是发展具中长期预测能力的预报方法，关键在于解决存在趋势和周期特征的非平稳时间序列模型构建与分析问题。.本项目构建的稻田害虫识别模型，对复杂背景下的多类别小目标具有良好的识别性能，通过融合卷积神经网络与域转移网络，使模型对未知昆虫具有判别能力，同时该模型参数少、对硬件要求低，实用化优势明显。本项目构建的稻田害虫发生预测模型，能够精确解析非平稳时间序列，通过引入自适应记忆网络，基于全局和局部模块分析趋势性与周期性特征，使得模型具备中长期预报能力。.本项目主要取得以下成果：.1、研制了害虫自动化监测设备，开发了基于FPGA芯片的多传感器数据融合及应用系统，实现了野外环境实时、长期、高精度、自动化地获取田间害虫图像、环境因子等多源异构数据。.2、建立了害虫图片数据库，包含34个分类共计114,853张图片，对其中40,219张图片进行人工标注和智能校正。.3、融合卷积神经网络和域学习方法，发展了轻量化稻田害虫识别模型，对复杂背景下的34种害虫的识别准确率达92.7%。.4、建立了湖南虫害发生动态数据库，采集了湖南省各县市20余年虫害发生历史数据，智能匹配19类影响因子数据，采用贝叶斯估值等方法进行数据清洗，该数据库包含30.7万个表格、近400万条记录，具重要科学价值。.5、融合DeepAR算法和自注意力机制构建新的预测方法，选取了湖南省洪江市、东安县和沅江县等5个地区2000-2020年的数据，进行二化螟发生动态预测试验，分别按7天和15天为滑动窗口进行预报，平均准确度为95.2%。.通过项目实施，课题组构建了完整的稻田虫害监测及预报方法体系，包含害虫自动监测设备、害虫图片数据库、害虫发生动态数据库以及害虫识别和发生预测两个算法模型，完成了相关产品开发，并已进行2年技术示范，为现代植物保护发展提供了新的、可行的技术选择。