一種棉葉螨的預(yù)測(cè)方法
【專利摘要】本發(fā)明公開(kāi)了一種棉葉螨的預(yù)測(cè)方法，屬于農(nóng)業(yè)技術(shù)領(lǐng)域；該預(yù)測(cè)方法包括以下步驟：確定隱馬爾科夫模型的隱含狀態(tài)集合及觀測(cè)值序列；對(duì)隱馬爾科夫模型進(jìn)行訓(xùn)練，得到適合預(yù)測(cè)棉葉螨發(fā)生和發(fā)展的隱馬爾科夫模型；利用訓(xùn)練好的隱馬爾科夫模型實(shí)現(xiàn)對(duì)棉葉螨發(fā)生和發(fā)展的預(yù)測(cè)。該方法解決了現(xiàn)有技術(shù)中對(duì)棉葉螨的預(yù)測(cè)準(zhǔn)確度低的問(wèn)題，實(shí)現(xiàn)了棉葉螨快速且準(zhǔn)確地預(yù)測(cè)。
【專利說(shuō)明】
一種棉葉螨的預(yù)測(cè)方法
技術(shù)領(lǐng)域
[0001 ]本發(fā)明涉及農(nóng)業(yè)技術(shù)領(lǐng)域，具體涉及一種棉葉螨的預(yù)測(cè)方法。
【背景技術(shù)】
[0002] 棉花是重要的經(jīng)濟(jì)作物，而棉葉螨俗是棉花的三大蟲(chóng)害之一，主要在棉花葉面背 部刺吸汁液，使葉面出現(xiàn)黃斑、紅葉和落葉等危害癥狀，造成大面積減產(chǎn)甚至絕收，平均每 年使棉花減產(chǎn)可達(dá)10%~68%，給棉農(nóng)造成重大的經(jīng)濟(jì)損失。及時(shí)、準(zhǔn)確地掌握病蟲(chóng)害的發(fā) 生發(fā)展情況并采取科學(xué)的防治措施非常必要。
[0003] 目前已有很多學(xué)者對(duì)棉葉螨的發(fā)生發(fā)展規(guī)律進(jìn)行了研究，如3月上旬7~8°C開(kāi)始 產(chǎn)卵，3月底10°C開(kāi)始孵化并取食各種雜草，5初月至6月旬迀入棉田開(kāi)始形成危害，并且分 別大概在7月初、8月初、8月下旬形成三個(gè)危害的高峰期。但這些對(duì)棉葉螨的預(yù)測(cè)大多停留 在基于歷史經(jīng)驗(yàn)的定性分析上，缺少量化的防治預(yù)測(cè)方法，且具體到生產(chǎn)實(shí)踐中，棉葉螨具 有爆發(fā)時(shí)間快的特征，往往需要更為精細(xì)的準(zhǔn)確預(yù)測(cè)，錯(cuò)過(guò)了最佳防治時(shí)機(jī)，后續(xù)的防治措 施則會(huì)事倍功半。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于通過(guò)提供一種棉葉螨的預(yù)測(cè)方法，解決了現(xiàn)有技術(shù)中對(duì)棉葉螨 的預(yù)測(cè)準(zhǔn)確度低的問(wèn)題，實(shí)現(xiàn)了棉葉螨快速且準(zhǔn)確地預(yù)測(cè)。
[0005] 為達(dá)到上述目的，本發(fā)明主要提供如下技術(shù)方案：
[0006] 本發(fā)明實(shí)施例提供了一種棉葉螨的預(yù)測(cè)方法，包括以下步驟：
[0007] 確定隱馬爾科夫模型的隱含狀態(tài)集合及觀測(cè)值序列；
[0008] 對(duì)隱馬爾科夫模型進(jìn)行訓(xùn)練，得到適合預(yù)測(cè)棉葉螨發(fā)生和發(fā)展的隱馬爾科夫模 型；
[0009] 利用訓(xùn)練好的隱馬爾科夫模型實(shí)現(xiàn)對(duì)棉葉螨發(fā)生和發(fā)展的預(yù)測(cè)。
[0010] 作為優(yōu)選，所述隱含狀態(tài)集合為SHS^Ss，…，SN}，隱含狀態(tài)5:表示不同的棉葉螨 發(fā)生等級(jí)，l〈i〈N，其中N為棉葉螨發(fā)生等級(jí)的個(gè)數(shù)，所述棉葉螨發(fā)生等級(jí)根據(jù)歷史棉葉螨發(fā) 生時(shí)的紅葉株率進(jìn)行劃分。
[0011] 作為優(yōu)選，基于預(yù)測(cè)棉田所在地區(qū)的氣象數(shù)據(jù)確定所述觀測(cè)值序列。
[0012] 作為優(yōu)選，將氣象數(shù)據(jù)中的平均氣溫所在的范圍劃分成若干個(gè)區(qū)間段，將每個(gè)區(qū) 間段作為一個(gè)平均氣溫等級(jí)，得到平均氣溫等級(jí)集合{〇k}，其中為平均氣溫等級(jí) 的個(gè)數(shù);將預(yù)測(cè)棉田所在地區(qū)在未來(lái)一段時(shí)間內(nèi)每天的平均氣溫等級(jí)作為所述觀測(cè)值序列 中的觀測(cè)值〇t，其中1 ，T為觀測(cè)值的個(gè)數(shù)，即得到隨時(shí)間推移的觀測(cè)值序列0= {(h， 〇2，."，〇t}〇
[0013] 作為優(yōu)選，采用Baum-Welch算法對(duì)隱馬爾科夫模型進(jìn)行訓(xùn)練，包括以下步驟：
[0014] a.根據(jù)預(yù)測(cè)棉田的歷史棉葉螨發(fā)生的統(tǒng)計(jì)數(shù)據(jù)對(duì)隱馬爾科夫模型中的模型參數(shù) 賦初值，根據(jù)預(yù)測(cè)棉田的歷史棉葉螨發(fā)生時(shí)的氣象數(shù)據(jù)建立用于訓(xùn)練HMM模型的觀測(cè)值訓(xùn) 練序列(/ = {C/ 1，(/ 2，…，(/ T}，由此建立隱馬爾科夫初始模型入0 ;
[0015] b.根據(jù)隱馬爾科夫初始模型Ao中的模型參數(shù)，分別計(jì)算觀測(cè)值訓(xùn)練序列〇'中觀測(cè) 值C/taStST)對(duì)應(yīng)的隱馬爾科夫前變量a t(Si)和后向變量0t(Si)，并由at(Si)和0t(Si)計(jì) 算中間變量Yt(Si)和|t(Si，Sj)以及前向概率P((/ |入〇)，由Yt(Si)和|t(Si，Sj)重新計(jì)算模型 參數(shù)，得到新隱馬爾科夫模型入i;
[0016] c.根據(jù)新隱馬爾科夫模型的模型參數(shù)按照步驟b進(jìn)行重復(fù)迭代計(jì)算，直至得到的 新隱馬爾科夫模型收斂，收斂的新隱馬爾科夫模型即為最佳的隱馬爾科夫模型，即適合預(yù) 測(cè)棉葉螨發(fā)生和發(fā)展的隱馬爾科夫模型。
[0017] 作為優(yōu)選，所述收斂的評(píng)判標(biāo)準(zhǔn)是比較前后兩次迭代計(jì)算得到的前向概率PCcy 入e-1和P(<y | Ae)，其中e為大于或等于1的整數(shù)，表示采用Baum-Welch算法的迭代次數(shù)，當(dāng)I P ((/ l^-P^ |U |〈e時(shí)，則隱馬爾科夫模型M夂斂，e為自定義閾值，取e為1(T3,收斂的隱 馬爾科夫模型k即為最佳的隱馬爾科夫模型。
[0018] 作為優(yōu)選，利用訓(xùn)練好的隱馬爾科夫模型對(duì)棉葉螨的發(fā)生和發(fā)展進(jìn)行預(yù)測(cè)為:通 過(guò)Viterbi算法計(jì)算觀測(cè)值序列0=10102，…，0 T}對(duì)應(yīng)的最優(yōu)隱含狀態(tài)序列，包括以下步 驟：
[0019] a.對(duì)下列變量賦初值：
[0020] 令^(Si) =P(qi = Si，0i | Ae) = Jiibi(0i)，ih(Si) = 0,
[0021] 其中8t(Si)=maxqi々2，...,qt^ P{(]uq2, = S；,〇i，〇2, .：,〇t i K)
[0022]觀測(cè)值序列0 = {，02，…，0T}
[0023] b.對(duì)變量5t(Sj)進(jìn)行遞歸：
[0024] 5t(Sj) =maxisasSN[5t-i(Si)aij]bjk
[0025] ih(Sj) =arg maxisasSN[5t-i(Si)aij]
[0026] 其中iMSj)表示使st-KSihij取最大值的隱含狀態(tài)Si [0027] c ?迭代過(guò)程：
[0028] 令t = t+l，若t〈T，重復(fù)步驟b的遞歸過(guò)程，否則迭代終止，得到：
[0029] P(q，01 入e) =maxisasSN[5T(Si)]
[0030] ^ = arg max [ ^(^)]
[0031] d.最優(yōu)隱含狀態(tài)序列的獲取：
[0032] 令t = T_l，T_2，…，1，由祐=$ m(U可得到最大概率的隱含狀態(tài)序列，即最優(yōu) 隱含狀態(tài)序列，由所述最優(yōu)隱含狀態(tài)序列即可預(yù)測(cè)棉葉螨的發(fā)生和發(fā)展。
[0033] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：
[0034] 本發(fā)明實(shí)施例通過(guò)對(duì)棉葉螨發(fā)生數(shù)據(jù)與氣象數(shù)據(jù)構(gòu)建隱馬爾科夫模型，將容易觀 測(cè)的氣溫因素與棉葉螨發(fā)生等級(jí)建立聯(lián)系，實(shí)現(xiàn)了棉葉螨快速且準(zhǔn)確的預(yù)測(cè)。本發(fā)明實(shí)施 例建立的預(yù)測(cè)模型不僅參考?xì)v史棉葉螨蟲(chóng)害發(fā)生數(shù)據(jù)及氣象數(shù)據(jù)，而且在預(yù)測(cè)時(shí)結(jié)合實(shí)時(shí) 的氣象數(shù)據(jù)，使得對(duì)棉葉螨蟲(chóng)害發(fā)生和發(fā)展的預(yù)測(cè)準(zhǔn)確度高，而且隨著時(shí)間的推移預(yù)測(cè)準(zhǔn) 確度不會(huì)下降，同時(shí)預(yù)測(cè)時(shí)間上尺度很小，有助于實(shí)際植保工作的開(kāi)展。
【具體實(shí)施方式】
[0035] 下面結(jié)合具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步詳細(xì)描述，但不作為對(duì)本發(fā)明的限定。
[0036] 隱馬爾科夫模型(HMM模型)是一種基于參數(shù)表示的描述隨機(jī)過(guò)程統(tǒng)計(jì)特性的概率 模型，可定義為一個(gè)五元組人=(5,0,31，，8)，簡(jiǎn)記為人=( 31，，8)，其中五個(gè)參數(shù)的含義如 下：
[0037] (1)S= {Si，S2，…，SN}代表一組馬爾科夫模型中隱含狀態(tài)集合，其中N為隱含狀態(tài) 個(gè)數(shù)，這些狀態(tài)之間滿足馬爾科夫性質(zhì)，是HMM模型中實(shí)際所隱含的狀態(tài)，這些狀態(tài)無(wú)法通 過(guò)觀測(cè)得到，狀態(tài)之間可以相互轉(zhuǎn)換，可把t時(shí)刻馬爾科夫鏈處于隱含狀態(tài)Si表示成q t = Si
[0038] (2)0= {(h，02，…，0T}為T(mén)個(gè)相互獨(dú)立的觀測(cè)值組成的觀測(cè)值序列，0t為t時(shí)刻的觀 測(cè)值，{o1，。2,…，〇M}為觀測(cè)值集合，其中M為隱馬爾科夫模型在任意時(shí)刻所處狀態(tài)產(chǎn)生的觀 測(cè)值數(shù)目，OtGlO'O2,…，〇M};
[0039] (3)JT={3ii}為初始狀態(tài)概率矩陣，其中JiiiPUiiSiKKiSN)表示在初始時(shí)刻 馬爾科夫鏈處于隱含狀態(tài)Si的概率，滿足= 1，W彡〇;
[0040] (4) A= {aij }NXN，其中1 ，1 < j彡N，表示從t時(shí)刻的隱含狀態(tài)Si轉(zhuǎn)向t+1時(shí)刻的 隱含狀態(tài)Sj的狀態(tài)轉(zhuǎn)移概率矩陣，即aij = P(qt+1 = Sj | qt = Si)，且滿足SJU % = 1，aij彡0;
[0041] (5)B={bjk}_，其中1彡j彡N，1彡k彡M，表示t時(shí)刻在隱含狀態(tài)Sj下取得相應(yīng)觀測(cè) 值〇 k的概率所構(gòu)成的觀測(cè)值概率矩陣，即bjk = P(0t = 0k|qt = Sj)，且滿足SHib典= l，bjk彡 0〇
[0042] 本發(fā)明實(shí)施例針對(duì)棉葉螨發(fā)生發(fā)展的預(yù)測(cè)，通過(guò)建立棉葉螨發(fā)生等級(jí)的隱馬爾科 夫模型，將可觀測(cè)的氣溫因素與棉葉螨發(fā)生等級(jí)建立聯(lián)系，可實(shí)現(xiàn)棉葉螨發(fā)生發(fā)展的快速 準(zhǔn)確預(yù)測(cè)。具體包括以下步驟：
[0043] (1)收集預(yù)測(cè)棉田區(qū)的歷史棉葉螨發(fā)生數(shù)據(jù)及對(duì)應(yīng)的氣象數(shù)據(jù)，并創(chuàng)建數(shù)據(jù)庫(kù);其 中歷史棉葉螨發(fā)生數(shù)據(jù)信息包括:發(fā)生時(shí)間、發(fā)生條田編號(hào)、發(fā)生蟲(chóng)害名稱、有螨株率(紅葉 株率）；氣象數(shù)據(jù)信息包括:時(shí)間、地點(diǎn)、日平均氣溫；
[0044] (2)構(gòu)建HMM模型
[0045] a.確定隱馬爾科夫模型的隱含狀態(tài)集合5={51，52，一5~}，其中隱含狀態(tài)51(1〈1〈 N)為棉葉螨發(fā)生等級(jí)，其中N為棉葉螨發(fā)生等級(jí)的個(gè)數(shù)，該棉葉螨發(fā)生等級(jí)根據(jù)棉葉螨分級(jí) 規(guī)則對(duì)歷史棉葉螨發(fā)生數(shù)據(jù)進(jìn)行等級(jí)劃分得到，具體是對(duì)棉葉螨發(fā)生時(shí)的紅葉株率進(jìn)行劃 分得到不同的棉葉螨發(fā)生等級(jí)，再將確定的棉葉螨發(fā)生等級(jí)添加到數(shù)據(jù)庫(kù)中，完善歷史棉 葉螨發(fā)生數(shù)據(jù)；
[0046] b.確定隱馬爾科夫模型的觀測(cè)值集合{O1，。2,…，0M}，0 k(l<k<M)為平均氣溫等 級(jí)，M為平均氣溫等級(jí)的個(gè)數(shù);結(jié)合歷史棉葉螨發(fā)生發(fā)展與氣溫的關(guān)系，根據(jù)氣溫劃分規(guī)則， 對(duì)棉葉螨發(fā)生時(shí)的平均氣溫進(jìn)行等級(jí)劃分，即將平均氣溫所在的范圍劃分成若干個(gè)區(qū)間 段，將每個(gè)區(qū)間段作為一個(gè)平均氣溫等級(jí)，即得到平均氣溫等級(jí)集合{〇 k}，再將確定的平均 氣溫等級(jí)添加到數(shù)據(jù)庫(kù)中，完善棉葉螨發(fā)生時(shí)的氣象數(shù)據(jù)。
[0047] c.確定基于隱馬爾科夫模型數(shù)學(xué)定義的觀測(cè)值序列0= {0^02,…，0T}，該觀測(cè)值 序列基于預(yù)測(cè)棉田所在地區(qū)的氣象數(shù)據(jù)確定，即將預(yù)測(cè)棉田所在地區(qū)在未來(lái)一段時(shí)間內(nèi)每 天的平均氣溫等級(jí)作為觀測(cè)值序列中的觀測(cè)值〇t，其中l(wèi)<t<T，T為觀測(cè)值的個(gè)數(shù)，即得到 隨時(shí)間推移的觀測(cè)值序列0 = {〇1，〇2，…，Ot}，其中t時(shí)刻的觀測(cè)值Ot G {o1，〇2，…，〇M};
[0048] d.建立棉葉螨發(fā)生等級(jí)初始概率矩陣31= {JIU2,…耶}，其中jiiipQizSi) (Ki <N)表示在初始時(shí)刻棉葉螨發(fā)生等級(jí)為一:的概率，R為統(tǒng)計(jì)中一:等級(jí)發(fā)生的次數(shù)與全部統(tǒng) 計(jì)次數(shù)的比例，即為
?其中m為棉葉螨發(fā)生等級(jí)為&時(shí)的統(tǒng)計(jì)次數(shù)；
[0049] e.建立棉葉螨發(fā)生等級(jí)的概率轉(zhuǎn)移矩陣A={aij}NXN，其中彡N，aij表 示棉葉螨發(fā)生等級(jí)從t時(shí)刻的狀態(tài)Si到t+1時(shí)刻的狀態(tài)Sj的轉(zhuǎn)移概率，即為棉葉螨發(fā)生等級(jí) 由狀態(tài)S i轉(zhuǎn)移到狀態(tài)S j占所有從狀態(tài)S i轉(zhuǎn)移到別的狀態(tài)的比例，即：
:(1彡1^^，1彡」彡《，其中11^為棉葉螨發(fā)生等級(jí)由狀態(tài)5 1轉(zhuǎn)移 到狀態(tài)Sj的次數(shù)；
[0050] f.建立棉葉螨發(fā)生等級(jí)與平均氣溫等級(jí)的觀測(cè)值概率矩陣B={bjk}NXM，其中l(wèi)<j <N，l<k<M，bjk表示t時(shí)刻棉葉螨發(fā)生等級(jí)為Sj時(shí)平均氣溫等級(jí)為0k的概率，即棉葉螨發(fā) 生等級(jí)為&時(shí)平均氣溫等級(jí)為0 k的次數(shù)占棉葉螨發(fā)生等級(jí)為&時(shí)的總統(tǒng)計(jì)次數(shù)的比例，即：
，（1彡j<N，l<k<M)，其中qjk為棉葉螨發(fā)生等級(jí)為Sj且平均氣溫 等級(jí)為妒時(shí)的統(tǒng)計(jì)次數(shù)；
[0051] 由上述步驟，構(gòu)建HMM模型A=(S，0，jt，A，B);
[0052] (3)采用Baum-Welch算法對(duì)上述HMM模型進(jìn)行訓(xùn)練，以得到適合預(yù)測(cè)棉葉螨發(fā)生和 發(fā)展的隱馬爾科夫模型，具體包括以下步驟：
[0053] a.根據(jù)數(shù)據(jù)庫(kù)中預(yù)測(cè)棉田的歷史棉葉螨發(fā)生的統(tǒng)計(jì)數(shù)據(jù)分別給上述HMM模型中的 模型參數(shù):^i、aij和bjk賦初值?f，竭、和峨:.，且 <，.略。和峨滿足=. 1和 = 1;根據(jù)數(shù)據(jù)庫(kù)中預(yù)測(cè)棉田歷史棉葉螨發(fā)生時(shí)的氣象數(shù)據(jù)建立用于訓(xùn)練HMM模型 的觀測(cè)值訓(xùn)練序列，即平均氣溫等級(jí)訓(xùn)練序列(/ = {C/ i，(/ 2，…，(/ t}，該訓(xùn)練序列中的觀測(cè) 值為歷史棉葉螨發(fā)生時(shí)的一段時(shí)間內(nèi)每天的平均氣溫等級(jí)，由此得到隱馬爾科夫初始模型 入〇=(s，(y，^(^(^(^，其中耶-…分別是由^崎和峨構(gòu)成的矩陣；
[0054] b.根據(jù)給定的平均氣溫等級(jí)訓(xùn)練序列及隱馬爾科夫初始模型，3i()，A0， Bo)，分別計(jì)算平均氣溫等級(jí)訓(xùn)練序列亇中觀測(cè)值亇t對(duì)應(yīng)的隱馬爾科夫前變量citUO和后 向變量Pt(Si)，其中：
[0055] at(Si)=P(0/1〇72……(T t，qt = Si | 入〇)
[0056] Pt(Si)=P(0/ t+iO71+2……0/x|qt = Si,A〇)
[0057] 由at(Si)和Pt(Si)計(jì)算 ydSihUSiJjMPPCOlAo):
[0058] 從沃)=P(qt= Si 丨 〇U〇)=S)L匕(知 5/)
[0060] 由yt(Si)和|t(Si，Sj)重新計(jì)算模型參數(shù)A、知和'，其中：
[0061] = P{Qi - =
[0064] 由龜、知和^得到新的HMM模型^^^(/，"丄^山其中"^力分別是由 斤<、&和馬/c成的矩陣；
[0065] c.根據(jù)新的HMM模型的模型參數(shù)按照步驟b進(jìn)行重復(fù)迭代計(jì)算，直至得到的新隱馬 爾科夫模型Ae收斂，其中 e為大于或等于1的整數(shù)，表示采用Baum-Welch算法的迭代次數(shù);判 斷隱馬爾科夫模型I收斂的評(píng)判標(biāo)準(zhǔn)是比較前后兩次迭代計(jì)算得到的前向概率I入 e-i 和P((y |Ae)，當(dāng)IPM ID-PM HOlO時(shí)，則隱馬爾科夫模型M夂斂，其中e為自定義閾 值，取e為1 〇-3;上述收斂的隱馬爾科夫模型k = (I，Ae，Be) g卩為最佳的HMM模型；
[0066] (4)根據(jù)上述確定的最佳HMM模型，對(duì)棉葉螨發(fā)生和發(fā)展進(jìn)行預(yù)測(cè)
[0067] 根據(jù)最佳HMM模型Ae，使用Viterbi算法，輸入任一觀測(cè)值序列OzIOlO^^'Ot}， 得出該觀測(cè)值序列所對(duì)應(yīng)的最優(yōu)隱含狀態(tài)序列S' = {S' i，S' 2，…，S' T}，即棉葉螨發(fā)生等級(jí) 序列，從而實(shí)現(xiàn)對(duì)棉葉螨發(fā)生發(fā)展的預(yù)測(cè);采用上述Viterbi算法確定棉葉螨發(fā)生等級(jí)序列 包括以下步驟：
[0068] a?對(duì)下列變量賦初值，令 S1(Si)=P(q1 = Si，01|Ae)=3iibi(01)，ih(Si)=0，l^a<N
[0069] 其中(.') .t(Si.)-P(U.2.，..…，％ _ 5、,:, 0[ 02!.…I 丨 D
[0070] b.對(duì)變量5t(Sj)進(jìn)行遞歸：
[0071] 6你)=max%€2-也h P(f/1; ，…，辦=巧,01; 02,…,Ot | Ae) -戶（9.1_，如，…，Qt-'i. _ ^1' Qt _ ^.l> ^21 > 〇t I ^-e) .= …I f)i，％，…，9t-.i =心心=S:, 乂八，…，0卜:1. I D P("i，…，= &，<7t =巧，…，I .〇. .=max(f、,"2.…々t_2，、巧…，=' 系.,0i,及2."":，I -fTiax?; [ ^-^q1,q2t.,,,qt_2 Q'Z' ?' Q^-Z' Qt-1 ~ ^1> ^2' ?' I ^ e)^-ij\^jk
[0072] 即 5t(Sj) =maxisasSN[5t-i(Si)aij]bjk
[0073] ih(Sj) =arg maxisasSN[5t-i(Si)aij]
[0074]上述MS」)表示使St-KsOa:煎最大值的棉葉螨發(fā)生等級(jí)S1;
[0075] 令t = t+1，若t〈T，重復(fù)上述遞歸過(guò)程，否則迭代終止，得到：
[0076] P(q，01 入e) =maxisasSN[5T(Si)]
[0077] fr = arg max [8r(St)]
[0078] c.最優(yōu)隱含狀態(tài)序列獲?。?br>[0079] 令t = T-l，T_2,…，1，由盔=UW+1)可得到最大概率的隱含狀態(tài)序列，即棉葉 螨發(fā)生等級(jí)序列。
[0080] 本發(fā)明實(shí)施例選取一塊預(yù)測(cè)棉田區(qū)，在建立該預(yù)測(cè)棉田區(qū)的歷史棉葉螨發(fā)生數(shù)據(jù) 庫(kù)后，根據(jù)該預(yù)測(cè)棉田區(qū)歷史棉葉螨的發(fā)生情況，將棉葉螨發(fā)生時(shí)的紅葉株率分成3個(gè)等 級(jí)，如表1所示，由此確定隱含狀態(tài)集合S={1，2,3};分析該預(yù)測(cè)棉田區(qū)歷史棉葉螨發(fā)生發(fā) 展與氣溫的關(guān)系，將棉葉螨發(fā)生時(shí)的日平均氣溫分成3個(gè)等級(jí)，如表2所示，由此確定觀測(cè)值 集合為{1，2,3};
[0081] 統(tǒng)計(jì)數(shù)據(jù)庫(kù)中預(yù)測(cè)棉田的歷史棉葉螨發(fā)生及發(fā)展的每天的等級(jí)情況和對(duì)應(yīng)的每 天的平均氣溫等級(jí)，得到表3所示的棉葉螨發(fā)生等級(jí)的概率轉(zhuǎn)移矩陣A(3X3)和表4所示的 棉葉螨發(fā)生等級(jí)與平均氣溫等級(jí)的觀測(cè)值概率矩陣B(3X3);任意選取上述預(yù)測(cè)棉田區(qū)歷 史棉葉螨發(fā)生時(shí)的連續(xù)189天，根據(jù)每天的平均氣溫確定每天的平均氣溫等級(jí)，將每天的平 均氣溫等級(jí)作為平均氣溫等級(jí)訓(xùn)練序列中的觀測(cè)值，從而得到了隨時(shí)間推移的平均氣溫等 級(jí)訓(xùn)練序列亇={1，1，2,2,2,2,2,3,3,3,2,2,3,3,3,3,3,3,3,3,2，1，1，1，1，2，1，1，1，2,2， 3,2,2,3,3,2,2,1,1,1,2,3,3,3,3,3,3,3,2,2,2,2,3,3,2,1,1,1,1,1,3,2,1,1,2,1,1,3, 2.1.1.1.1.2.1.2.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.2.3.1.1, 1.1.1.1.1.1.2.2.1.1.2.2.2.3.2.3.3.3.3.2.3.3.2.2.2.2.2.1.2.2.3.2.2.2.2.2.2.2, 1.1.2.2.3.3.2.2.2.3.3.3.1.1.1.2.2.2.2.2.3.3.2.3.3.2.2.2.2.2.2.2.2.2.2.3.2.2, 2，2，2，2，1，1};根據(jù)數(shù)據(jù)庫(kù)中的棉葉螨發(fā)生等級(jí)數(shù)據(jù)，確定上述時(shí)間段的初始時(shí)刻各棉葉 螨發(fā)生等級(jí)的發(fā)生概率，從而得到棉葉螨發(fā)生等級(jí)初始概率矩陣^1={0.6,0.3,0.1}，采用 該初始概率矩陣以及上述的棉葉螨發(fā)生等級(jí)的概率轉(zhuǎn)移矩陣A(3X 3)和棉葉螨發(fā)生等級(jí)與 平均氣溫等級(jí)的觀測(cè)值概率矩陣B(3 X 3)對(duì)HMM模型賦初值，對(duì)該HMM模型訓(xùn)練后得到最佳 的HMM模型(jie，Ae，B e)，其中{0，0.6，0.4}，Ae如表5所示，Be如表6所示。
[0082]根據(jù)預(yù)測(cè)棉田區(qū)未來(lái)40天的氣象數(shù)據(jù)，以當(dāng)天的平均氣溫等級(jí)為觀測(cè)值序列的第 一個(gè)觀測(cè)值，再依次確定隨后每天的平均氣溫等級(jí)，依次作為觀測(cè)值序列中的觀測(cè)值，得到 隨時(shí)間推移的觀測(cè)值序列 〇={2,2,3,3,3,3，1，2，1，1，2,2,3,3,3,2,3,3,3,2,2,3,3,3,3， 3,3,3,3,3,3,2，1，1，1，1，1，2，1，2};根據(jù)上述最佳的腿1模型，采用￥1仏吐1算法，得到未來(lái) 40天的棉葉螨發(fā)生等級(jí)序列 1，1，1，1，1，1，1，1，3,3,3,3,3,3,3,3}，即預(yù)測(cè)未來(lái)40天每天的棉葉螨發(fā)生等級(jí)將按照2，1， 1，1，1，1，2,2,2,2，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，3,3,3,3,3,3,3,3的 趨勢(shì)發(fā)展。
[0083] 將上述預(yù)測(cè)結(jié)果與棉葉螨實(shí)際發(fā)生情況進(jìn)行比較發(fā)現(xiàn)，該預(yù)測(cè)準(zhǔn)確度高。在實(shí)際 應(yīng)用中，可根據(jù)氣象數(shù)據(jù)的變化，實(shí)時(shí)對(duì)觀測(cè)值序列中的觀測(cè)值平均氣溫等級(jí)進(jìn)行調(diào)整，也 可根據(jù)實(shí)際情況對(duì)觀測(cè)值的統(tǒng)計(jì)間隔進(jìn)行調(diào)整，從而避免隨時(shí)間的推移造成預(yù)測(cè)準(zhǔn)確度的 下降，確保對(duì)棉葉螨蟲(chóng)害的發(fā)生和發(fā)展進(jìn)行快速且準(zhǔn)確的預(yù)測(cè)。
[0084] 本發(fā)明實(shí)施例在遵循棉葉螨歷史發(fā)生規(guī)律的客觀基礎(chǔ)上，引入影響棉葉螨發(fā)生的 實(shí)時(shí)的氣溫因素，構(gòu)建隱馬爾科夫鏈預(yù)測(cè)模型，將容易觀測(cè)的氣溫因素與棉葉螨發(fā)生等級(jí) 建立聯(lián)系，實(shí)現(xiàn)棉葉螨快速且準(zhǔn)確的預(yù)測(cè)。本發(fā)明實(shí)施例建立的預(yù)測(cè)模型不僅參考?xì)v史棉 葉螨蟲(chóng)害發(fā)生數(shù)據(jù)及氣象數(shù)據(jù)，而且在預(yù)測(cè)時(shí)結(jié)合實(shí)時(shí)的氣象數(shù)據(jù)，使得對(duì)棉葉螨蟲(chóng)害發(fā) 生和發(fā)展的預(yù)測(cè)準(zhǔn)確度高，而且隨著時(shí)間的推移預(yù)測(cè)準(zhǔn)確度不會(huì)下降，同時(shí)預(yù)測(cè)時(shí)間上尺 度很小，有助于實(shí)際植保工作的開(kāi)展。
[0085]表1.棉葉螨發(fā)生等級(jí)劃分說(shuō)明
[0087]表2.平均氣溫等級(jí)劃分說(shuō)明
[0089]表3.棉葉螨發(fā)生等級(jí)的概率轉(zhuǎn)移矩陣A(3 X 3)
[0091 ]表4.棉葉螨發(fā)生等級(jí)與平均氣溫等級(jí)的觀測(cè)值概率矩陣B( 3 X 3)
[0093]表5.最佳概率轉(zhuǎn)移矩陣Ae(3X3)
[0095] 表6.最佳觀測(cè)值概率矩陣Be(3 X 3)
[0097]最后說(shuō)明的是，以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案而非限制，盡管參照較 佳實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可以對(duì)本發(fā)明的技 術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的宗旨和范圍，其均應(yīng)涵蓋在本
【主權(quán)項(xiàng)】
1. 一種棉葉螨的預(yù)測(cè)方法，其特征在于，包括以下步驟： 確定隱馬爾科夫模型的隱含狀態(tài)集合及觀測(cè)值序列； 對(duì)隱馬爾科夫模型進(jìn)行訓(xùn)練，得到適合預(yù)測(cè)棉葉螨發(fā)生和發(fā)展的隱馬爾科夫模型； 利用訓(xùn)練好的隱馬爾科夫模型實(shí)現(xiàn)對(duì)棉葉螨發(fā)生和發(fā)展的預(yù)測(cè)。2. 根據(jù)權(quán)利要求1所述的棉葉螨的預(yù)測(cè)方法，其特征在于，所述隱含狀態(tài)集合為S= (S1, S2，…，Sn}，隱含狀態(tài)Si表示不同的棉葉螨發(fā)生等級(jí)，I〈i〈N，其中N為棉葉螨發(fā)生等級(jí)的個(gè) 數(shù)，所述棉葉螨發(fā)生等級(jí)根據(jù)歷史棉葉螨發(fā)生時(shí)的紅葉株率進(jìn)行劃分。3. 根據(jù)權(quán)利要求1所述的棉葉螨的預(yù)測(cè)方法，其特征在于，基于預(yù)測(cè)棉田所在地區(qū)的氣 象數(shù)據(jù)確定所述觀測(cè)值序列。4. 根據(jù)權(quán)利要求3所述的棉葉螨的預(yù)測(cè)方法，其特征在于，將氣象數(shù)據(jù)中的平均氣溫所 在的范圍劃分成若干個(gè)區(qū)間段，將每個(gè)區(qū)間段作為一個(gè)平均氣溫等級(jí)，得到平均氣溫等級(jí) 集合l〇 k}，其中l(wèi)<k<M，M為平均氣溫等級(jí)的個(gè)數(shù);將預(yù)測(cè)棉田所在地區(qū)在未來(lái)一段時(shí)間內(nèi) 每天的平均氣溫等級(jí)作為所述觀測(cè)值序列中的觀測(cè)值〇t，其中l(wèi)<t<T，T為觀測(cè)值的個(gè)數(shù)， 即得到隨時(shí)間推移的觀測(cè)值序列O=IOiO 2^sOTh5. 根據(jù)權(quán)利要求1所述的棉葉螨的預(yù)測(cè)方法，其特征在于，采用Baum-Welch算法對(duì)隱馬 爾科夫模型進(jìn)行訓(xùn)練，包括以下步驟： a. 根據(jù)預(yù)測(cè)棉田的歷史棉葉螨發(fā)生的統(tǒng)計(jì)數(shù)據(jù)對(duì)隱馬爾科夫模型中的模型參數(shù)賦初 值，根據(jù)預(yù)測(cè)棉田的歷史棉葉螨發(fā)生時(shí)的氣象數(shù)據(jù)建立用于訓(xùn)練HMM模型的觀測(cè)值訓(xùn)練序 列(/ = {(/ i，(/ 2，…，(/ τ}，由此建立隱馬爾科夫初始模型入〇; b. 根據(jù)隱馬爾科夫初始模型λ〇中的模型參數(shù)，分別計(jì)算觀測(cè)值訓(xùn)練序列0'中觀測(cè)值 (KtST)對(duì)應(yīng)的隱馬爾科夫前變量Ctt(S i)和后向變量Pt(Si)，并由Ctt(Si)和Pt(S i)計(jì)算中間 變量Yt(Si)和|t(Si，Sj)以及前向概率Ρ((/ |人〇)，由Yt(Si)和|t(Si，Sj)重新計(jì)算模型參數(shù)， 得到新隱馬爾科夫模型A 1; c. 根據(jù)新隱馬爾科夫模型的模型參數(shù)按照步驟b進(jìn)行重復(fù)迭代計(jì)算，直至得到的新隱 馬爾科夫模型收斂，收斂的新隱馬爾科夫模型即為最佳的隱馬爾科夫模型，即適合預(yù)測(cè)棉 葉螨發(fā)生和發(fā)展的隱馬爾科夫模型。6. 根據(jù)權(quán)利要求5所述的棉葉螨的預(yù)測(cè)方法，其特征在于，所述收斂的評(píng)判標(biāo)準(zhǔn)是比較 前后兩次迭代計(jì)算得到的前向概率Ρω?λ^和Ρ(0' |λθ)，其中e為大于或等于1的整數(shù)，表 示采用Baum-Welch算法的迭代次數(shù)，當(dāng)|Ρ((/ |λθ)-Ρ((/ |λθ-，則隱馬爾科夫模型~收 斂，ε為自定義閾值，取ε為10Λ收斂的隱馬爾科夫模型k即為最佳的隱馬爾科夫模型。7. 根據(jù)權(quán)利要求1所述的棉葉螨的預(yù)測(cè)方法，其特征在于，利用訓(xùn)練好的隱馬爾科夫模 型對(duì)棉葉螨的發(fā)生和發(fā)展進(jìn)行預(yù)測(cè)為:通過(guò)Viterbi算法計(jì)算觀測(cè)值序列0= {〇1，〇2,…，0τ} 對(duì)應(yīng)的最優(yōu)隱含狀態(tài)序列，包括以下步驟： a. 對(duì)下列變量賦初值： 令3i(Si) = P(qi = Si,Oi I Ae) =Jiibi(Oi)，ih(Si) = 0, KiSN 其中O L(S)=Iiiaxii,此= '&為為，…Ue) b. 對(duì)變量St (Sj)進(jìn)行遞歸： St ( Sj ) 一 HiaxiSiiSiN [ 5t-l(Si)aij]bjk Φ? (Sj) - axgmaxi$i^N[ δ^-i(Si)aij] 其中Ih(Sj)表示使Sf1(Si)aij取最大值的隱含狀態(tài)Si C.迭代過(guò)程： 令t = t+l，若t〈T，重復(fù)步驟b的遞歸過(guò)程，否則迭代終止，得到： P(q?〇 I λθ) =maxi^i^N[5T(Si)]d.最優(yōu)隱含狀態(tài)序列的獲取： 令t = T-l，T-2，"_，l，由(61 = 1t+1(W+1)可得到最大概率的隱含狀態(tài)序列，即最優(yōu)隱含 狀態(tài)序列，由所述最優(yōu)隱含狀態(tài)序列即可預(yù)測(cè)棉葉螨的發(fā)生和發(fā)展。
【文檔編號(hào)】G06Q50/02GK105930921SQ201610227145
【公開(kāi)日】2016年9月7日
【申請(qǐng)日】2016年4月13日
【發(fā)明人】趙慶展, 靳光才, 周文杰, 許金霞
【申請(qǐng)人】石河子大學(xué), 石河子開(kāi)發(fā)區(qū)石大天翔空間信息技術(shù)有限公司