【技術實現步驟摘要】
本專利技術涉及一種基于氣象因素的蘋果葉片斑點落葉病葉率預測系統，屬于蘋果葉斑點落葉病病害預警。
技術介紹
1、蘋果葉片斑點落葉病是一種常見病害，其具有對作物的侵蝕類型多樣、傳播迅速及季節性變化的特點，嚴重影響著果實的生長和果園的產量。
2、傳統的蘋果葉片斑點落葉病害需要人工到現場檢驗作物葉片或其他發病位置有無病斑侵染現象。但是一旦已經出現病斑侵染狀況，再采取防治措施，只能收到微乎其微的防治效果，必然帶來果實減產的后果，給種植戶造成經濟損失。
技術實現思路
1、本專利技術的目的在于提供一種基于氣象因素的蘋果葉片斑點落葉病葉率預測系統，該預測系統能夠對斑點落葉病的發生趨勢進行預測，以便于提前采取防治措施，減輕病害對果實生長帶來的不利影響。
2、為了實現上述目的，本專利技術提供一種基于氣象因素的蘋果葉片斑點落葉病葉率預測系統，包括如下步驟：
3、step?1、對所研究果園的歷史蘋果葉片斑點落葉病葉率信息以及歷史氣象信息進行采集并建立數據集；
4、step?2、對step?1得到的數據集進行預處理；
5、step?3、對預處理后的數據集中的特征值即果園歷史氣象信息與目標值即果園歷史蘋果葉片斑點落葉病葉率信息進行相關性分析，得到與病葉率更相關的主要氣象因素；
6、step?4、將step?3中得到的影響斑點落葉病葉率的主要氣象因素作為特征，斑點落葉病葉率作為目標，使用雙向長短期記憶網絡的時序序列預測網絡的方法建立預測模型
7、step?5、根據step?4得到的預測模型使用pyqt界面開發工具對系統界面進行設計，得到預測系統。
8、進一步地，所述step1中歷史蘋果葉片斑點落葉病葉率信息來自于果園所處地區的農林科學實驗站發布于蘋果病蟲害防控信息網上的數據；歷史氣象信息來自于果園所處位置的氣象網站發布的數據；將采集到的蘋果葉片斑點落葉病葉率數據和氣象數據按照氣象因素在前、病葉率在后的順序整理在同一張excel表格中。
9、進一步地，所述step?2中對數據集進行預處理包括特征編碼和缺失值填充，其中，特征編碼為將數據集中非數值型的數據轉換成后續的預測模型能夠處理的數值型數據；缺失值為數據集中缺失的數據，將缺失值使用隨機森林回歸的方法從缺失最少的特征開始將數據集中所有的缺失項填充完整，具體的步驟為：
10、step?2-1、確定缺失值的數量，并將缺失值從由少到多的列逐一列出；
11、step?2-2、由缺失值最少的列開始，遍歷每一列，其中被填充的列視為特征列，其他未被填充的列與目標值組成新的特征矩陣以便進行填充；當所組成的新的特征矩陣中存在缺失值，先使用0填充，然后將填充后的特征矩陣拆分為訓練集和測試集，其中，訓練集中沒有缺失值部分，測試集中包含缺失值部分；
12、step?2-3、使用隨機森林回歸模型進行訓練，并對測試集中的缺失值進行預測，將得到的結果填補回step?1得到的數據集中的相應位置；
13、step?2-4、檢查填充后的數據集中是否還存在缺失值，若存在則按照step?2-1至step?2-3的步驟繼續進行填充，不存在則結束填充。
14、進一步地，所述step?3中特征值與目標值之間的相關性分析使用pearson相關性分析，具體步驟為：
15、step?3-1、分別計算各特征列與目標變量之間的協方差與標準差，將兩者的比值作為pearson相關系數r，用表達式表示為：
16、
17、式中，xi、yi分別表示第i個特征變量與目標變量；分別表示兩樣本均值；
18、r的取值范圍為[-1,1]，當取值為-1時，表示完全負線性相關，取值為0時，表示無線性相關，取值為1時，表示完全正線性相關；
19、step?3-2、分別計算出各氣象因素與病葉率之間的相關系數r，對比得到的各相關系數，在[-1,1]取值區間，絕對值越大代表該氣象因素與病葉率更相關，進而分析得到與斑點落葉病葉率更相關的氣象因素。
20、進一步地，所述step?4中雙向長短期記憶網絡的時序序列預測網絡的方法的具體步驟為：
21、step?4-1、通過前一時刻的隱層狀態ht-1以及當前時刻的輸入xt計算出遺忘門的值ft，其計算表達式為：
22、ft＝σ(wf·[ht-1,xt]+bf)；
23、式中，wf、bf分別表示此時遺忘門的權重和偏置項，σ表示激活函數；
24、step?4-2、選擇要記憶的信息，其中包括記憶門的值it和臨時狀態用表達式表示為：
25、it＝σ(wi·[ht-1,xt]+bi)；
26、
27、式中，wi和wc分別表示此時記憶門的權重和偏置項；bi和bc分別表示此時臨時狀態的權重和偏置項；
28、step?4-3、通過記憶門的值it、遺忘門的值ft、臨時狀態以及上一時刻狀態ct-1計算得到當前時刻狀態ct，用表達式表示為：
29、
30、step?4-4、根據當前時刻狀態ct結合前一時刻隱藏層狀態ht-1和當前時刻輸入xt得到輸出門的值οt以及此時刻的隱藏層狀態ht，用表達式表示為：
31、οt＝σ(wο[ht-1,xt]+bο)；
32、ht＝οt*tanh(ct)；
33、式中，wο和bο分別表示此時輸出門的權重和偏置項；當長短期記憶網絡反向處理序列當前時刻為t時，原來的上一時刻t-1變為下一時刻t+1，原來的下一時刻t+1變為上一時刻t-1，實現時序的倒置處理。
34、進一步地，所述step5中使用pyqt界面開發工具對系統界面進行設計的界面包括對于斑點落葉病的病斑特征、防治建議、上傳表格文件按鈕；其預測系統包括兩個部分，第一部分是病害基礎知識部分，這一部分包括斑點落葉病病害圖像，病斑特征以及防治建議；第二部分是預測部分，單擊上傳按鈕將采集得到的氣象信息上傳到系統中，根據訓練好的預測模型得到病葉率預測結果并顯示在系統界面上。
35、本專利技術通過對所研究果園的歷史蘋果葉片斑點落葉病葉率信息以及歷史氣象信息進行采集并建立數據集，對數據集進行預處理后，再對預處理后的數據集中的特征值與目標值進行相關性分析，得到影響病葉率的主要氣象因素；將得到的氣象因素作為特征，病葉率作為目標，使用雙向長短期記憶網絡的時序序列預測網絡的方法建立預測模型，對于已知氣象因素條件下的斑點落葉病葉率進行預測，最后根據預測模型使用pyqt界面開發工具對系統界面進行設計，得到預測系統。本專利技術通過深度學習時間序列預測方法實現了基于氣象因素對蘋果葉片斑點落葉病葉率的準確預測，實現了對于病害的提前預警，能夠在病害發生之前及時采取措施，減輕了病害對果實生長帶來的不利影響。
本文檔來自技高網...【技術保護點】
1.一種基于氣象因素的蘋果葉片斑點落葉病葉率預測系統，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于氣象因素的蘋果葉片斑點落葉病葉率預測系統，其特征在于，所述Step1中歷史蘋果葉片斑點落葉病葉率信息來自于果園所處地區的農林科學實驗站發布于蘋果病蟲害防控信息網上的數據；歷史氣象信息來自于果園所處位置的氣象網站發布的數據；將采集到的蘋果葉片斑點落葉病葉率數據和氣象數據按照氣象因素在前、病葉率在后的順序整理在同一張Excel表格中。
3.根據權利要求1所述的基于氣象因素的蘋果葉片斑點落葉病葉率預測系統，其特征在于，所述Step?2中對數據集進行預處理包括特征編碼和缺失值填充，其中，特征編碼為將數據集中非數值型的數據轉換成后續的預測模型能夠處理的數值型數據；缺失值為數據集中缺失的數據，將缺失值使用隨機森林回歸的方法從缺失最少的特征開始將數據集中所有的缺失項填充完整，具體的步驟為：
4.根據權利要求1所述的基于氣象因素的蘋果葉片斑點落葉病葉率預測系統，其特征在于，所述Step?3中特征值與目標值之間的相關性分析使用Pearson相關性分析，具
5.根據權利要求1所述的基于氣象因素的蘋果葉片斑點落葉病葉率預測系統，其特征在于，所述Step?4中雙向長短期記憶網絡的時序序列預測網絡的方法的具體步驟為：
6.根據權利要求1所述的基于氣象因素的蘋果葉片斑點落葉病葉率預測系統，其特征在于，所述Step5中使用PyQt界面開發工具對系統界面進行設計的界面包括對于斑點落葉病的病斑特征、防治建議、上傳表格文件按鈕；其預測系統包括兩個部分，第一部分是病害基礎知識部分，這一部分包括斑點落葉病病害圖像，病斑特征以及防治建議；第二部分是預測部分，單擊上傳按鈕將采集得到的氣象信息上傳到系統中，根據訓練好的預測模型得到病葉率預測結果并顯示在系統界面上。
...【技術特征摘要】
1.一種基于氣象因素的蘋果葉片斑點落葉病葉率預測系統，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于氣象因素的蘋果葉片斑點落葉病葉率預測系統，其特征在于，所述step1中歷史蘋果葉片斑點落葉病葉率信息來自于果園所處地區的農林科學實驗站發布于蘋果病蟲害防控信息網上的數據；歷史氣象信息來自于果園所處位置的氣象網站發布的數據；將采集到的蘋果葉片斑點落葉病葉率數據和氣象數據按照氣象因素在前、病葉率在后的順序整理在同一張excel表格中。
3.根據權利要求1所述的基于氣象因素的蘋果葉片斑點落葉病葉率預測系統，其特征在于，所述step?2中對數據集進行預處理包括特征編碼和缺失值填充，其中，特征編碼為將數據集中非數值型的數據轉換成后續的預測模型能夠處理的數值型數據；缺失值為數據集中缺失的數據，將缺失值使用隨機森林回歸的方法從缺失最少的特征開始將數據集中所有的缺失項填充完整，具體的步...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。