基于環(huán)境信息和深度自編碼網(wǎng)絡(luò)的農(nóng)作物病害預(yù)測模型

張善文, 黃文準(zhǔn), 張傳雷

(1.西京學(xué)院信息工程學(xué)院，陜西 西安 710123； 2.弗吉尼亞理工大學(xué)計(jì)算機(jī)科學(xué)系，美國 弗吉尼亞 VA24061)

農(nóng)作物病害一直是世界各國農(nóng)業(yè)生產(chǎn)中的主要災(zāi)害之一。目前，中國農(nóng)作物病害的發(fā)生范圍、發(fā)展趨勢和危害程度都有所增大。農(nóng)作物病害嚴(yán)重制約了中國農(nóng)產(chǎn)品的產(chǎn)量、質(zhì)量和農(nóng)業(yè)可持續(xù)發(fā)展。農(nóng)作物病害的及早預(yù)測和科學(xué)防治是提高農(nóng)作物產(chǎn)量和質(zhì)量，減少經(jīng)濟(jì)損失以及控制農(nóng)藥污染最有效的措施之一[1-2]。農(nóng)作物病害與土壤、氣候、氣象等環(huán)境信息緊密相關(guān)，任何病害的發(fā)生和發(fā)展都需要一定的環(huán)境條件，一些病害在多雨季節(jié)發(fā)生，一些病害在高溫干旱的環(huán)境中發(fā)生。一般情況下，溫暖、多雨、低洼潮濕以及連作地易造成病害發(fā)生和流行[3-4]。很多病害具有季節(jié)性，例如，黃瓜細(xì)菌性角斑病發(fā)病期為4月下旬至5月上旬，發(fā)病高峰期為5月下旬至6月上旬，發(fā)病的適宜溫度為22～24 ℃，相對濕度在70%以上。黃瓜灰霉病在高濕(相對濕度94%以上)、低溫(18～23 ℃)、光照不足、植株長勢弱時(shí)容易發(fā)病，當(dāng)氣溫超過30 ℃且相對濕度不足90%時(shí)，病害停止蔓延，因此該病在冬季、低溫、光照少的溫室內(nèi)容易發(fā)生。黃瓜炭疽病在生長中后期發(fā)病較重，當(dāng)濕度高達(dá)87%～95%時(shí)發(fā)病迅速，而在濕度小于54%時(shí)該病害不發(fā)生[5]。農(nóng)作物的生長環(huán)境條件不僅影響農(nóng)作物病害在一個(gè)發(fā)病季節(jié)中的發(fā)生和危害程度，還決定著病害的地理分布[6-7]。例如，小麥赤霉病就是一種比較典型的氣候型病害，該病害是否發(fā)生和蔓延及其危害程度主要取決于氣候條件(抽穗至灌漿期雨日數(shù))、菌源數(shù)量(稻樁帶菌率)和寄主易感病生育期等因素。若小麥灌漿乳熟期溫度偏高，雨水偏多，小麥赤霉病發(fā)病侵染則較嚴(yán)重[8]。而當(dāng)溫度超過20 ℃時(shí)，即使?jié)穸葪l件適宜，小麥條銹病菌也不會發(fā)生侵染。有些環(huán)境因素對農(nóng)作物病害可即時(shí)發(fā)生作用，產(chǎn)生明顯的當(dāng)時(shí)效應(yīng)，有些則當(dāng)時(shí)效應(yīng)不顯著，而后效深遠(yuǎn)[1]。作物病害預(yù)測的難點(diǎn)主要是：(1)影響病害發(fā)生的因素多，不容易選出與特種病害關(guān)系緊密的因素；(2)實(shí)際采集到的樣本數(shù)量較少且分布不均，不容易得到泛化能力強(qiáng)的預(yù)測模型[9]。王淑梅[10-11]提出了一套農(nóng)作物病害發(fā)生和發(fā)展所需的氣候氣象預(yù)報(bào)方法。鄧剛[12]給出了氣象因子變化規(guī)律與黑龍江省林業(yè)有害生物種類變化、發(fā)生危害程度及其分布之間的關(guān)系，驗(yàn)證了降水量與林業(yè)有害生物發(fā)生量之間的線性關(guān)系。同一種病害發(fā)生和發(fā)展所需的氣候及氣象等一些自然條件較為穩(wěn)定[13]，如黃瓜霜霉病適宜高溫高濕且耐干燥，當(dāng)溫度為20～25 ℃，相對濕度為 70%～85%時(shí)最可能發(fā)病。在雨季來得早、雨量大、雨天多時(shí)，黃瓜疫病易流行。了解這些信息將有助于預(yù)測農(nóng)作物病害的發(fā)生和發(fā)展。但是，由于農(nóng)作物病害發(fā)生的原因很多，大部分病害發(fā)生與氣象條件(氣溫、日照、濕度等)、土壤條件(田地連種和施肥情況、含水量、土壤重金屬等)、生物學(xué)特性(根系吸水能力、葉面等)以及農(nóng)業(yè)基礎(chǔ)措施等很多因素緊密相關(guān)，而且在病害發(fā)生和發(fā)展的不同階段一般是很多環(huán)境因素綜合發(fā)生作用，各個(gè)因素之間經(jīng)常相互制約和相互影響[14]，使得很多傳統(tǒng)農(nóng)作物病害預(yù)測方法的準(zhǔn)確率不高，魯棒性不強(qiáng)[15]。

深度學(xué)習(xí)是一種通過模擬人腦多層感知結(jié)構(gòu)來認(rèn)識數(shù)據(jù)模式的學(xué)習(xí)算法，能夠從大量無標(biāo)簽非線性的復(fù)雜數(shù)據(jù)中自動學(xué)習(xí)有效的分類特征，具有較強(qiáng)地?cái)?shù)據(jù)分類、識別和預(yù)測能力，已經(jīng)成功應(yīng)用到人臉識別[16]、交通擁堵預(yù)測[17]、蛋白質(zhì)相互作用預(yù)測[18-19]、植物識別[20]和作物病害識別[21]等問題中。由于農(nóng)作物病害預(yù)測的復(fù)雜性，目前鮮有利用深度學(xué)習(xí)和作物生長環(huán)境信息預(yù)測作物病害的應(yīng)用實(shí)例報(bào)道。日常生活中氣候氣象等信息通過網(wǎng)絡(luò)、報(bào)紙、電視以及農(nóng)業(yè)物聯(lián)網(wǎng)等途徑獲得，特別是高性能大容量數(shù)據(jù)存儲器、計(jì)算機(jī)、網(wǎng)絡(luò)技術(shù)以及海量復(fù)雜數(shù)據(jù)處理技術(shù)的不斷發(fā)展，為實(shí)現(xiàn)農(nóng)作物病害自動預(yù)測提供了可能[22-23]。本研究擬利用農(nóng)作物生長的環(huán)境信息，提出一種基于深度自編碼網(wǎng)絡(luò)的農(nóng)作物病害預(yù)測模型，以期作為一種長效的農(nóng)作物病害預(yù)測模型應(yīng)用于農(nóng)作物病害管理系統(tǒng)中[24-25]。

1 材料與方法

1.1 數(shù)據(jù)獲取

與西北農(nóng)林科技大學(xué)、陜西楊凌農(nóng)業(yè)示范區(qū)和朱雀國家森林公園等單位合作，利用農(nóng)業(yè)物聯(lián)網(wǎng)傳感器采集與農(nóng)作物病害發(fā)生相關(guān)的環(huán)境信息等，在植保專家的指導(dǎo)下構(gòu)建一個(gè)農(nóng)作物病害管理數(shù)據(jù)庫。

采集到的與病害發(fā)生相關(guān)的環(huán)境信息主要包括：土壤信息(地域、土壤溫度、土壤濕度、土壤水分、土壤鹽分、土壤是否連種、土壤pH值以及微生物含量等)、氣象信息(空氣溫度、空氣濕度、光照度、光合有效輻射、降水量、雨日數(shù)、氣壓、風(fēng)速、風(fēng)向、二氧化碳濃度等)和病害信息(農(nóng)藥使用量、病害類型、發(fā)病季節(jié)和病害等級)。

針對黃瓜病害預(yù)測問題，從以上3個(gè)方面遴選出近6年來影響黃瓜常見3種病害(霜霉病、褐斑病和炭疽病)發(fā)生和發(fā)展的13個(gè)主要因素：土壤溫度、土壤濕度、土壤鹽分、土壤是否連種、微生物含量、空氣溫度、空氣濕度、光照度、降水量、雨日數(shù)、二氧化碳濃度、農(nóng)藥使用量和發(fā)病季節(jié)。由于這些因素?cái)?shù)據(jù)的量綱、范圍、表示方式、物理意義和數(shù)量級不同，所以需要對這些數(shù)據(jù)進(jìn)行量化或離散化、標(biāo)準(zhǔn)化和歸一化預(yù)處理，以滿足不同類型數(shù)據(jù)之間的可比性。對于非數(shù)字化的原始數(shù)據(jù)需要進(jìn)行轉(zhuǎn)換和等級劃分，再將所有數(shù)據(jù)進(jìn)行歸一化處理。

由于黃瓜病害的發(fā)生具有季節(jié)性，7月和8月為病害的越夏期，6月和9月是農(nóng)作物病害的高發(fā)期，9月的環(huán)境條件更適于病害的發(fā)生。將9月病害發(fā)生的季節(jié)信息值設(shè)置為0.9，6月病害發(fā)生的季節(jié)信息值設(shè)置為0.8，7月和8月病害發(fā)生的季節(jié)信息值均設(shè)置為0.7，其他季節(jié)病害發(fā)生的季節(jié)信息值設(shè)置為0.1。將黃瓜生長過程中的光照度由強(qiáng)到弱分別設(shè)置為5個(gè)等級(0.9、0.7、0.5、0.3和0.1)，將黃瓜生長過程中的農(nóng)藥使用量由多到無分別設(shè)置為4個(gè)等級(0.7、0.4、0.2和0)，將黃瓜生長過程中的土壤設(shè)置為沒有連種、連種1次和連種2次以上3個(gè)等級(0、0.2和0.4)，所有土壤和空氣的溫濕度都采用日平均溫濕度，其他因素對應(yīng)的信息值按公式(1)進(jìn)行歸一化處理：

(1)

式中，aj和bj(j=1,2,...,n)分別為第j個(gè)數(shù)據(jù)歸一化前后的值，max(ai)和min(ai)分別為n個(gè)數(shù)的最大值和最小值。

將預(yù)測病害的發(fā)生程度設(shè)置為4個(gè)等級(0、1、2、3)，分別表示病害不發(fā)生、病害發(fā)生初期、病害發(fā)生中期和病害發(fā)生后期。綜上所述，用x表示由病害發(fā)生的13個(gè)因素組成的特征向量x=[x1,x2,...,x13]。

1.2 自編碼網(wǎng)絡(luò)

自編碼網(wǎng)絡(luò)(AE)是一個(gè)2層神經(jīng)網(wǎng)絡(luò)，第一層稱為編碼層C(.)，第二層稱為解碼層G(.)。AE由輸入層、單隱層和輸出層組成，其基本結(jié)構(gòu)如圖1顯示。AE利用編碼器C(.)將輸入數(shù)據(jù)x編碼成C(x)，再由解碼器G(.)從C(x)中解碼重構(gòu)，表示為R(x)=G[C(x)]，然后通過最小化重構(gòu)誤差L[R(x),x]進(jìn)行模型訓(xùn)練。

C(.)：編碼層；G(.)：解碼層；x：輸入數(shù)據(jù)；R(x)、C(x)：x的編碼。圖1 自編碼網(wǎng)絡(luò)的基本結(jié)構(gòu)Fig.1 Basic structure of auto-encoder network

1.3 基于深度自編碼網(wǎng)絡(luò)的黃瓜病害預(yù)測

由于導(dǎo)致黃瓜病害發(fā)生的因素復(fù)雜多樣，而且很多因素之間相互作用，這使現(xiàn)有的很多農(nóng)作物病害預(yù)測系統(tǒng)不能有效地應(yīng)用于黃瓜的病害預(yù)測。為此，構(gòu)建一種基于深度AE(DAE)的黃瓜病害預(yù)測模型，該模型由3個(gè)AE網(wǎng)絡(luò)和1個(gè)分類器組成。每一個(gè)AE網(wǎng)絡(luò)的輸入和輸出節(jié)點(diǎn)數(shù)均為13，其形式與由黃瓜病害信息組成的特征向量一致。輸入的每一個(gè)節(jié)點(diǎn)對應(yīng)特征向量X的一個(gè)分量，輸出節(jié)點(diǎn)也與特征向量X的分量形式一一對應(yīng)[19]。

DAE是深度學(xué)習(xí)中的一種快速學(xué)習(xí)網(wǎng)絡(luò)，利用DAE學(xué)習(xí)到的特征向量代替原始的特征向量，輸入到分類器中進(jìn)行模式分類(即病害等級預(yù)測)，能夠極大提高數(shù)據(jù)分類的精確度。DAE的求解過程是通過迭代逼近求得隱層權(quán)重W的過程。因輸入特征向量的每個(gè)分量都已進(jìn)行歸一化處理，故采用Sigmoid函數(shù)作為隱層的變換核函數(shù)：

(2)

式中，x和b分別為輸入數(shù)據(jù)和偏置，W為隱層權(quán)重，z為x的線性組合，T表示矩陣轉(zhuǎn)置。

求得隱層權(quán)重W后，再通過核函數(shù)fW(z)進(jìn)行非線性特征變換。由于DAE的學(xué)習(xí)功能是挖掘病害發(fā)生環(huán)境信息數(shù)據(jù)樣本的深層特征，而不提供對新樣本的預(yù)測分類，所以需要設(shè)計(jì)一種分類器預(yù)測作物病害。

對于分類或預(yù)測問題，需要為基于DAE的預(yù)測模型提供有標(biāo)簽的學(xué)習(xí)樣本集。當(dāng)分類器通過學(xué)習(xí)獲得分類能力后，利用該分類器對新輸入的特征樣本進(jìn)行分類或預(yù)測。本研究用Softmax模型[25-26]構(gòu)建分類器，具體如下：

第一，構(gòu)建訓(xùn)練集。假設(shè)病害環(huán)境信息的特征向量x經(jīng)公式(2)中的函數(shù)變換后得到的新向量仍記為x。根據(jù)數(shù)據(jù)庫中的先驗(yàn)知識對第i個(gè)特征向量設(shè)定的類別標(biāo)簽(即對應(yīng)的病害等級)為y(i)∈{0,1,2,3}，其值分別代表病害預(yù)測模型要輸出的4種預(yù)測結(jié)果，由此得到有標(biāo)簽學(xué)習(xí)向量集：L={(x1,y1),(x2,y2),...,(xm,ym)}，m為待預(yù)測的特征向量數(shù)。

第二，求解預(yù)測分類器。對于給定的訓(xùn)練樣本集L，針對第j類估算概率值p=(y=j|x)，由此定義一個(gè)概率函數(shù)Hm(x)為：

(3)

式中，θ1,θ2,...,θk為需要求解的預(yù)測模型參數(shù)向量，i=1,2,...,m,j=0,1,2,3，T表示矩陣轉(zhuǎn)置，p表示條件概率，即輸入的特征向量對應(yīng)每一種病害發(fā)生的概率。

同樣地，定義一個(gè)代價(jià)函數(shù)E(θ)為：

(4)

式中，m為待預(yù)測的特征向量數(shù)，i=1,2,...,m,j=0,1,2,3。T表示矩陣轉(zhuǎn)置，1{·}表示函數(shù)，即1{值為真的表達(dá)式}=1。

通過迭代確定參數(shù)θ1,θ2,...,θk，即可得到預(yù)測模型的分類器。

在以上分析結(jié)果的基礎(chǔ)上，給出基于DAE病害預(yù)測模型的流程圖(圖2)。在病害預(yù)測中，首先只對與病害發(fā)生相關(guān)的環(huán)境信息數(shù)據(jù)進(jìn)行歸納，通過設(shè)計(jì)基于DAE的學(xué)習(xí)模型，自動從無標(biāo)簽的環(huán)境信息特征向量中發(fā)現(xiàn)共性特征，用于表征病害發(fā)生狀態(tài)，然后通過僅對少量病害特征向量進(jìn)行類別標(biāo)記，作為分類器訓(xùn)練有標(biāo)簽數(shù)據(jù)集的輸入樣本，最終形成預(yù)測實(shí)際病害發(fā)生的預(yù)測模型。因此，本研究提出的病害預(yù)測模型是一種半監(jiān)督學(xué)習(xí)模型。單個(gè)AE網(wǎng)絡(luò)的預(yù)訓(xùn)練是對輸入數(shù)據(jù)編碼和解碼的重建過程，可以采用貪心算法對每個(gè)AE網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練和逐層反向迭代。首先計(jì)算每層輸入數(shù)據(jù)與權(quán)值生成的新數(shù)據(jù)并傳遞到下一層，然后與相同的權(quán)值結(jié)合生成重構(gòu)數(shù)據(jù)，映射回輸入層，通過不斷縮小輸入數(shù)據(jù)與重構(gòu)數(shù)據(jù)之間的誤差，訓(xùn)練每層網(wǎng)絡(luò)。預(yù)測模型中各層AE網(wǎng)絡(luò)都先經(jīng)過預(yù)訓(xùn)練，再通過反向迭代誤差對整個(gè)模型的權(quán)值進(jìn)行微調(diào)。

圖2 基于深度自編碼網(wǎng)絡(luò)的病害預(yù)測模型流程圖Fig.2 Flowchart of disease forecasting model based on deep auto-encoder network

2 結(jié)果與分析

在實(shí)際訓(xùn)練過程中，試驗(yàn)環(huán)境為Matlab 2012a,從數(shù)據(jù)庫中選擇2011-2016年黃瓜3種病害(霜霉病、褐斑病和炭疽病)的環(huán)境信息，組成環(huán)境信息特征向量，作為試驗(yàn)數(shù)據(jù)。在試驗(yàn)過程中，需要整理2類學(xué)習(xí)集：(1)用于確定公式(2)中f(z)的特征學(xué)習(xí)集，從全部特征向量集中隨機(jī)選擇50 000個(gè)特征向量作為特征學(xué)習(xí)集樣本；(2)用于確定Softmax分類模型參數(shù)的分類學(xué)習(xí)集，設(shè)定分類學(xué)習(xí)集樣本規(guī)模為10 000，分類學(xué)習(xí)集要為每個(gè)特征向量設(shè)置類別標(biāo)簽。其中5 000個(gè)樣本用于訓(xùn)練Softmax模型分類器，剩余的5 000個(gè)樣本用于驗(yàn)證預(yù)測模型的性能。特征學(xué)習(xí)的迭代上限設(shè)置為400，并基于學(xué)習(xí)后得到的特征對Softmax模型分類器進(jìn)行訓(xùn)練，然后在測試集上驗(yàn)證預(yù)測模型的分類性能。預(yù)測結(jié)果如表1顯示，為了表明此方法的有效性，表1中還給出了基于強(qiáng)模糊支持向量機(jī)(SFSVM)[24]和基于BP神經(jīng)網(wǎng)絡(luò)(BPNN)[25]的黃瓜病害預(yù)測結(jié)果。

表1顯示，基于DAE黃瓜病害預(yù)測模型的預(yù)測正確率遠(yuǎn)高于其他2種預(yù)測模型，其主要原因是，基于DAE的預(yù)測模型能夠模仿人思考、學(xué)習(xí)和總結(jié)經(jīng)驗(yàn)的過程，能夠從病害發(fā)生的環(huán)境信息中深度挖掘分類和預(yù)測特征，并根據(jù)所獲取的特征信息進(jìn)行判斷和推理，從而得到較好的預(yù)測結(jié)果。預(yù)測結(jié)果表明，DAE模型在基于環(huán)境信息的農(nóng)作物病害預(yù)測中具有良好的特征學(xué)習(xí)性能。

表1基于3種方法對3種黃瓜病害預(yù)測的正確率和方差

Table1Forecastingcorrectrateandvarianceofthreediseasesofcucumberbythreemethods

病害正確率(%)SFSVMBPNNDAE霜霉病62．34±1．4771．22±1．6185．26±1．27褐斑病66．58±1．8273．17±1．3486．05±1．43炭疽病71．25±1．6473．83±1．5387．17±1．52

SFSVM：強(qiáng)模糊支持向量機(jī)；BPNN：BP神經(jīng)網(wǎng)絡(luò)；DAE：深度自編碼網(wǎng)絡(luò)。

3 討 論

基于深度學(xué)習(xí)的認(rèn)知機(jī)理，探討了深度學(xué)習(xí)在農(nóng)作物病害預(yù)測中的應(yīng)用，提出了一種基于DAE的農(nóng)作物病害預(yù)測模型。該模型能夠挖掘農(nóng)作物生長的環(huán)境信息與病害發(fā)生、發(fā)展之間的深層聯(lián)系，實(shí)現(xiàn)了基于環(huán)境信息的病害預(yù)測，并與經(jīng)典的基于SFSVM和BPNN預(yù)測方法的結(jié)果進(jìn)行了比較。試驗(yàn)結(jié)果表明，基于DAE的預(yù)測模型能夠較好地預(yù)測農(nóng)作物病害，尤其在基于農(nóng)業(yè)物聯(lián)網(wǎng)大數(shù)據(jù)的背景下，能夠更好地挖掘農(nóng)作物生長的海量環(huán)境信息，提高環(huán)境信息大數(shù)據(jù)的應(yīng)用效果。本研究僅是農(nóng)作物病害預(yù)測預(yù)報(bào)系統(tǒng)中的數(shù)據(jù)挖掘及模式分類核心模塊的研究工作之一，其更重要的研究價(jià)值在于基于DAE的學(xué)習(xí)機(jī)理可在并行計(jì)算網(wǎng)絡(luò)上構(gòu)建深度學(xué)習(xí)網(wǎng)絡(luò)，下一步的研究工作旨在構(gòu)建一個(gè)利用農(nóng)業(yè)物聯(lián)網(wǎng)采集的海量環(huán)境信息預(yù)測病害發(fā)生的預(yù)測預(yù)報(bào)系統(tǒng)。

參考文獻(xiàn)：

[1] PAVAN W, FRAISSE C W, PERES N A. Development of a web-based disease forecasting system for strawberries [J]. Computers & Electronics in Agriculture, 2011, 75(1):169-175.

[2] 王翔宇,溫皓杰,李鑫星,等. 農(nóng)業(yè)主要病害檢測與預(yù)警技術(shù)研究進(jìn)展分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2016, 47(9):266-277.

[3] 李 麗,李道亮,周志堅(jiān),等. 徑向基函數(shù)網(wǎng)絡(luò)與WebGIS融合的蘋果病蟲害預(yù)測[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2008, 39(3):116-119.

[4] 宋啟堃,鄭 松,宋彥棠. 黔南州主要農(nóng)作物病蟲害監(jiān)測預(yù)警專家系統(tǒng)的構(gòu)建與實(shí)現(xiàn)[J]. 云南地理環(huán)境研究, 2011, 23(1):34-37.

[5] 溫皓杰,張領(lǐng)先,傅澤田,等. 基于Web的黃瓜病害診斷系統(tǒng)設(shè)計(jì)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2010, 41(12):178-182.

[6] 曹志勇,邱 靖,曹志娟,等.基于改進(jìn)型神經(jīng)網(wǎng)絡(luò)的植物病蟲害預(yù)警模型的構(gòu)建[J].安徽農(nóng)業(yè)科學(xué), 2010,38(1):538-540.

[7] 陳光絨,李小琴. 基于物聯(lián)網(wǎng)技術(shù)的農(nóng)作物病蟲害自動測報(bào)系統(tǒng)[J]. 江蘇農(nóng)業(yè)科學(xué), 2015, 43(4):406-410.

[8] 姚衛(wèi)平.貴池區(qū)小麥赤霉病發(fā)病程度中期預(yù)測模型[J].基層農(nóng)技推廣,2016,4(3):20-24.

[9] 莫麗紅. 基于APSO優(yōu)化的小麥條銹病神經(jīng)網(wǎng)絡(luò)預(yù)測模型[J]. 湖北農(nóng)業(yè)科學(xué)，2012，51(11)：2337-2340.

[10] 王淑梅.氣象條件與農(nóng)作物病蟲害預(yù)報(bào)和防治[J].世界農(nóng)業(yè),2010(2):55-57.

[11] 王淑梅.基于氣象視角的農(nóng)作物病蟲害預(yù)測預(yù)報(bào)研究概況[J].中國植保導(dǎo)刊, 2009(12):13-16.

[12] 鄧 剛.氣象因子的變化對黑龍江省森林病蟲害影響的研究[D].哈爾濱:東北林業(yè)大學(xué),2012.

[13] 陳懷亮,張 弘,李 有.農(nóng)作物病蟲害發(fā)生發(fā)展氣象條件及預(yù)報(bào)方法研究綜述[J].中國農(nóng)業(yè)氣象, 2007,28(2):212-216

[14] 馬麗麗,紀(jì)建偉,賀超興，等.番茄專家系統(tǒng)環(huán)境數(shù)據(jù)庫在病害預(yù)測中的應(yīng)用[J].農(nóng)機(jī)化研究,2008(6):161-163.

[15] SHI M. Based on time series and RBF network plant disease forecasting[J]. Procedia Engineering, 2011, 15: 2384-2387.

[16] LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521(7553): 436-444.

[17] 譚 娟,王勝春.基于深度學(xué)習(xí)的交通擁堵預(yù)測模型研究[J].計(jì)算機(jī)應(yīng)用研究,2015, 32(10): 2951-2954.

[18] WANG Y, YOU Z, LI X, et al. Predicting protein-protein interactions from protein sequences by stacked sparse auto-encoder deep neural network [J]. Molecular BioSystems, 2017, 13(7):1336-1344.

[19] YOU Z H, ZHOU M C, LUO X, et al. Highly efficient framework for predicting interactions between proteins[J]. IEEE Transactions on Cybernetics, 2017, 47(3): 721-733.

[20] DYRMANN M, KARSTOFT H, MIDTIBY H S. Plant species classification using deep convolutional neural network[J]. Biosystems Engineering, 2016, 151: 72-80.

[21] SLADOJEVIC S, ARSENOVIC M, ANDERLA A, et al. Deep neural networks based recognition of plant diseases by leaf image classification[J]. Computational Intelligence and Neuroscience, 2016, 2016(6):1-11.

[22] 黃 沖,劉萬才.試論物聯(lián)網(wǎng)技術(shù)在農(nóng)作物重大病蟲害監(jiān)測預(yù)警中的應(yīng)用前景[J].中國植保導(dǎo)刊, 2015, 10:55-60.

[23] 徐德良,王敏鑫,邵 元.海物聯(lián)網(wǎng)技術(shù)在茶樹病蟲害防治中的探討[J]. 茶葉,2014，40(3):155-163.

[24] 楊志民,梁 靜,劉廣利.強(qiáng)模糊支持向量機(jī)在稻瘟病氣象預(yù)警中的應(yīng)用[J].中國農(nóng)業(yè)大學(xué)學(xué)報(bào), 2010,15(3):122-128.

[25] 陳 濤,高必梵,艾菊梅.基于BP神經(jīng)網(wǎng)絡(luò)的農(nóng)作物蟲害預(yù)測系統(tǒng)的研究[J].數(shù)字技術(shù)與應(yīng)用, 2015(1):91-93.

[26] SHIN H C, ORTON M R, COLLINS D J, et al. Stacked auto-encoders for unsupervised feature learning and multiple organ detection in a pilot study using 4D patient data[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(8): 1930-1943.