全 文 ： 9～，7‘
第 19卷第 5期
1999年 9月
生 态 学 报
ACTA ECOLOGICA SINlCA
Vol 19，No．5
Sept ．1999
基于人工神经网络的农业病虫害预测模型及其效果检验
搦 ，彭荔
(1．成都气象学院 ．成都 610041；2 厦r丁大学环境科学研究中心．厦门 361005)
j f、l
摘要 ，选取与病虫害有关 的日子作为样本的输^特征．建立丁农业病虫害年分类预测的 B—P人工神经网络模型：该方法
应用于稻瘟病的预测建横结果的拟台章为 100 一预留样本检验报准率为 83
关键词：人工神经网络 |B-P算法．病虫害{预测；农业
Prediction model of agricultural plant diseases and insect pests
based 0n artificial neural network and its verificati0n
L1 Zuo Yong ，PENG Li Hong (1．Ch~~gd of Mete~ology．Chengdu 610041．c^ ；2 R~sea h
c州f of Envlronm~t Soirees—Xiamea 0 i 一Xiamen 361005，c ^口)
Abstract；A model is developed for the classifed prediction of agricuhural plant diseases and insect pests
using B—P artificial neural network with factors related to agricultural plant diseBses and insect pests as in—
put features of sample．The results of prediction to rice blast show that the quarried retes of fitting and
predicting using this model acquire 100 and 33．3 ·respectively．
Key words：artificial neural network；B P algorithm ~diseases and insect pests,prediction；agriculture
文章缠号 ：1000-0933(1999)05r0759 04 中围分类号；$431 文献标诅码：A
我国幅员广大，每年都有不同地区的农作物遭受病虫害+直接影响农怍物产量+给国民经济带来很大
损失 ]，若能早期作出预报 ，及时采取防治措旄 ，可使病虫害对农作物危害造成的损失减少到最低限度 。
与病 虫有关的前期因子较多，而且很复杂 其中气象因子与病虫害关系密切 不过 ，气象因子与病虫害
的关系并非线性关系。因此，用常规的数理统计方法找出气象因子与病虫 害之间的某种函数关 系有一定难
度 80年代 来 ，迅速发展的人工神经网络由于它模拟人脑思维结构 ，具有很强的自学 习、自组织 ．自适应
和容错性强等特点+它特别适用于非线性问题的处理 ]：本文在选取了与农业病虫害有密切关系的前期因
子基础上 ，采用误差反向传播算法 的人工神经网络(以下简张 B P网络)建立病虫害的分类预测模型+为人
工神经网络用于农业病虫害预测开辟了新途径。
1 前馈式的B—P闻络原理及学习过程简介
人工神经 网络是 80年代迅速兴起的一门非线性科学 。在神经网络模型中+前馈式的 B—P网络是一种
最简单而用途广泛的人工神经网络[a,41。它适用于非线性的模式识别和分类预测问题。最基本的B—P网络
是由输入层、隐层和输出层组成的 3层前馈网络 每层有若干十互不连接的神经元节点，相邻两层节点通
过权连接，如图1所示。B—P网络的操作分为学习和应用两十过程 第1过程为正向学习过程，具体实现方
法见图 1。①根据问题性质，设定网络结构，赋予相邻各层节点之间的连接权值 、V 和隐层节点及输出层
节 点的阁值 ”为 (一1+1)之间的任一随机小数；②从输入节点输入学习样本的信息 z，，井向前传播 ，由式
(1)的 Sigmoid函数计算出隐节点和输出节 点的输 出 H 、 ：
， )一 1／[1 exp(一 )] (1)
甘．一f(z．)一，(>： ．+ ．) (2)
基盘项 目：四川省应用科学研究基金资助项 目
收稿日期 1996—11—07；．奎订 日期 ：1998—09 26
n)
维普资讯 http://www.cqvip.com
760 生 态 学 报 1 9卷
}自^ 节点 隐节点 输出节点
图 i 3层 g-p凡工神经呵培模型
Fig i The model of B_P neural ttetwork with 3
st1"atum s
— f(H ) ，(∑V H + )
第 2阶段为误差传播阶段 。
(3)计算输出节点的输出误差：
靠 = ( ～ D )Or(1一 o )
式中，D 为学习样本的期望输出。
(4)计算隐节点的误差：
(∑axVxj)H,(1一H )
(5)用下述公式对权值和阐值加修正 ：
= Vb+ 哦 ^
# + 以
= WJ+ aajar，
e r— e + 8df
以上诸式 中， 、卢为在 (O，1)之间取值的学习率 。
(3)
(4)
(5)
(6) ‘
(7)
(8)
(9)
(6)依次输入学习样本。经以上两个阶段反复交替学习，待全部拌本学完一遍后．计算误差：
1 三
一 音 )：( 一日I) (10)
若 E≤e(￡为指定误差限值)，则学 习终止，得到学 习终止时网络的权值和 阈值 否则，更新学 习攻敦 ，再将
样本重新输^学习，直到式(10)满足收敛条件为止 投^使甩时，只要将新的样本信息格^训练好的B-P
阿络，就可以从网络输出端获得需要的结果。B—P网络的原理和算法详见文献r5]。
2 B-P网络用于农业病虫害分类预测t攮的一个控鞋实倒
经分析影响稻瘟病的主要因子是气象因子。根据文献[ ，将 B-P网络用于某地区稻瘟病流行年的分
类预报时，应选取与稻瘟病有关的 7个主要气象因子为： 当年 7～8月平均最高气温}噩 上年 l0月下
旬平均最低气温}量 上年 u 月中、下旬 日照时数 }置 当年 3月中旬平均气温 } 当年 6月上甸平均气
温 } 当年 4月中、下旬雨 日} ，当年 7月中旬～8月上甸平均气温 已有的 41个病虫害年样本分 为A、
B、C三类 B-P网络用于分K类预报时，其各类样本的期望输出通常设定为K维向量D (1。0，⋯，o)，皿 一
(o，1，0，⋯，0)，⋯，D (0，0，⋯，0，1)。在本实例中，由于训练样本由历史实测资料组成，因此不能完全代
替总体的未米病虫害年样本．考虑到由于训练样本的不完全性造成的抽样误差，使建立的罚测模型有一定
的推广能力，必须对样本的期望输出留有一定余地，故本实例每类样本相应的网络期望输出如下；
样本类别 A类 (轻宿年) B类 (中病年 ) C类 (重病年)
期望输出 D (0．9，0，0) (O，0．9，。) (0，0，0．9)
首先将样本的各因子观测数据按下述公式规格化：
0)一 ( 0)一X ．叫)／( ⋯ 一x：叫) t一 1～ 41 l～ 7
全部 41个样本因子规格化后数值及其类别见表 1。用前 35个样本作为B-P网络建模学习样本，后 6
个留作检验 样本 。建立 7个输八节点 ，5个隐节点和 3个输出节点的 3层 B—P网络结构 。随机赋于网络的初
始权值和阕值后，将表 1中前 35个样本因子数值及样本期望输出嵌攻输八 B-P网络。由于 、 取值对学
习速度有明显影响。取值太小，收敛可能很慢}若太大，可能出现连续不稳定 一般经多发调节，选取一个适
当大小的中间值。本实倒中，经过选不同a、 组合进行训练，最后选取 —o 35，卢 0．5时训练较理想；经
过 435遍学习后，E≤0．ol，得到终止学习后的权值和闰值(见表 2) 由表 2中的权值和阕值及公式(1)～
(3)，可得前 35个样本的拟合和后 6个样本 的预报检验结果亦见表 1。其拟合率为 100 ，预报准确率为
83．3
维普资讯 http://www.cqvip.com
5期 李柞泳等 ：基于人工神经 网络的农业病虫害预测模型及其效果检验 761
0．4468
O．7234
0．2766
0．3617
0．3830
0．7660
0．1064
0．3404
0．1702
0．3617
0．3191
0 3830
0．6383
0．4255
0．1702
0．2553
0．5532
0．5745
0．4468
O．7660
O 4468
0．0426
0．8085
O．4894
O．1064
O．4255
O．4468
1．0000
0．1915
0．4255
0．1915
0．4255
0 3830
0．4468
O．6383
0．3404
O．0000
O．4043
0．5532
0 2l28
0 3830
O．57O0
0．35O0
0．5000
O．0000
O．35O0
0．4500
0．4600
0．2300
0．2600
0．6800
1．0000
0．6700
0．9600
0 4300
0 3300
0．1300
0．4600
0．7500
O．5000
0．7900
O．2700
O．2600
O．81O0
0．31O0
0 2900
0 0000
0 41O0
O．4300
0 4600
0 Z600
0 2500
O 6000
O．8800
0．6000
0．8900
0．3900
O．3200
0 1700
0 2700
O．1600
0．6900
0．3345
0．1745
0．0000
0．6238
0．4834
0．0468
0．7123
0．6017
0．6323
0 4179
0 4996
0．5668
0．6255
0．2179
0．4119
0．8681
0．4000
0．4690
0 5396
O．6817
0．0800
0．5847
O．7200
O．0570
1．0000
O．6613
O．4417
0．1251
0．771
O．6451
0．8757
O．4817
O．5328
0 5643
0．7268
O．1966
O．5617
O．5949
O．4366
O．1064
O．1889
1．0000
0．8553
0．9605
0．5658
0．0000
0．2368
0．8158
0．7500
0．2368
0．6842
0．5658
0．9605
0．3553
0 4079
0 5395
O．3684
O．6447
O．5263
O．9211
0 3158
O．3684
O．4605
O．3684
0．3947
0．5000
0 5395
0．O132
0 2632
0．6711
0 7237
0．2632
0．6053
0．5000
O．8421
0．3289
O．381 6
O．4605
O．9474
0．9079
0 9250
O 5921
0．2909
0．4727
0 3818
0 0364
0 1818
0 4182
0 2182
0 000(1
0 4182
0 4000
0．1273
0 5091
0 0909
O．7273
O．5455
0．6364
0．67Z7
0．2182
0．6182
0．1818
0．8909
0．67Z7
0．2000
l_0000
O．7273
O．1273
O．2727
0．4545
0．2909
O．0727
O．5273
O．5091
0．12 3
0 5636
0．1455
0．8545
0．5636
0 0909
0 1636
0．1818
0．2182
0 4545
0 8182
0 O9O9
0．4545
0．2727
0．0000
0．5455
0．7273
0．4545
0．9090
O 9090
O．7273
1．0000
0．4545
O 6364
O．4545
O．7273
O．6364
O．6364
0．5455
0．3636
0．7273
0．5455
0．3636
0．8182
0 7273
0 36聃
0．1818
0．3636
0．5455
0．2727
0．7273
0．3636
0．7273
0．3664
0．4545
0．3664
O．6364
0．5455
O 36聃
O 7273
0．8000 0．0827 0．O114
O．9143 0 0868 0．0092
0．5439 0 7972 O．1474
0 6571 O．0115 0．0000
0 6000 O 0002 0．0494
0 7143 0．0112 0．962O
0 0000 O．0209 0．0001
0 6000 O．0974 0．0000
0 5143 0．00004 0．0059
O 5429 0．9694 0．0067
O．2571 0．1896 O．7990
O．7429 O．9852 O．0108
0．6286 0．9817 O．0079
0．4173 0．0717 0．7241
O．3143 0．0140 0．0035
O．6571 0．0004 0．0026
0．6857 0．8894 0．0247
0．7429 0．9674 0．0177
0．7714 0．9569 0．0088
0．7714 0．8325 0．036Z
0．8857 0．0228 0．9022
0．Z857 0．0018 O．0022
0．8571 0．9269 0．033O
1．0000 0．0636 仃_9586
0．3714 0．0028 0．0004
0．7143 0．O248 0．0000
0．6571 0．0007 0．1123
0．9143 0．1155 0．9113
0．0000 0．0019 0．0017
0．6286 0．0807 0．0000
0．5429 0．0001 0．0219
0．6000 0．8738 0．O144
0．5714 0．7502 O．0862
0．7714 O．9738 0．0103
0．7429 0．9143 0．0209
0．8000 O．0390 0．8487
0．3429 0．0025 O．0023
0．4857 O．0060 O．0000
0．6000 0．4333 0．0002
0．4286 0．1385 0．0002
0．7714 0．9847 0．0159
0．0048
0．0040
0．0101
0．9791
O．9550
0．05O0
0．9331
0．8989
0．9750
0．0084
0．01 34
0．0040
0．0048
0．0375
0．7933
0．9816
0．0132
0．0058
0．0104
0．0142
0．0485
0．9536
0．0076
0．O136
0．9722
0．9692
0．8467
0．0128
0．9596
0．8884
0．9831
0．0186
0．O134
0．0064
0．O104
0．0407
0．9423
O．8976
O．4376
O．7320
O．0O30
*代表预测样本 preseⅡt pred1cti⋯ amp【e．
A A A C C B C C C A B A A B C C A A A A B C A B C C C B C C C A A A A B C C C A A
A A A C C B C C C A B A A B C C A A A A B C A B C C C B C C C A A A A B C C C C A
0 0 0 n " 肋札控船 跖拍扑拈曲∞虬站站H_蛊 -。三：
维普资讯 http://www.cqvip.com
762 生 态 学 报 l9卷
3 结论
(1)农业病虫害的危害程度与其预报因子的关系．大多具有非正态和非线性特征 ，采用具有 Sigmoid函
数的 B—P网络来描述它们之间的这种关系是适宜的
(2)用巳训练好的 B-P网络预报农业病虫害类别时，只需将表 2中的权值和固值及待预测样本的因子
规格化数值代入公式 (1)～(3)，进行简单运算 ，就可获得结果
裹 2 训练结束后的权位和阐位
Table 2 "lYMned weight and threshold values
(3)B—P网络具有 自适应 、抗干扰和窖错性强能力，个别学习样本的分量偏差对网络的学习效果影响较
小，因此模型的稳定性较好。
(4)B P网络建模精度高低仍与因子的选取有关 因此，本实例中选择与病虫害相关性好的固于建模
是根重要的。
(5)由于 B P网络学习过程中，有可能出现 局部极小”、“收敛速度慢 等问题 。若遇此情况 ．可参阅文
献ET：指出的方法加以解决。随着 B-P网络模型的不断改进和完善 ，B—P网络用于病虫害预测将是可行的
参考文献 ：
[1] 汤金倥，等 ．我国水稻迁飞性害虫猖舞成因及其治理对策建议 ．生态学报，1996，16(8)；187~173
：2] WidrowR 30 years ot adapdve neural networksIpe~eptron Madaline．and B-P．Proc．IEEE，1990，78(9){1415~
1442．
[3]
[4]
[5：
[8]
[7]
Rume]hartD．H[nfonG-Williams R．Learrfing repreBsentat【on byhe~kpropagating errors．Nature,1986·(323)：533
～ 586．
Stornetta W ，Huberman B．An improved threelayer backpropagation algorithm．Proceeding of the IEEE First Inter
Conf．on Neural Networks．1987．(I)￡837～ 644．
王 伟编著 ．人工神经阿培原理—— 入门与应用 ．北京 ；北京航空航天太学出版社，1995 52～78
周洪祥．等 ．模糊数学在农业病虫害预报中的应用 模糊数学．1986，6(1)；41~44．
高洪踩，陶有德 ．BP神经 罔络模型的改进 系统工程理论 与实践，1998，16(1)；67～71
维普资讯 http://www.cqvip.com