基于氣象環(huán)境條件和LSSVM的水稻病蟲(chóng)害預(yù)測(cè)研究

楊 波

(長(zhǎng)春財(cái)經(jīng)學(xué)院信息工程學(xué)院，吉林 長(zhǎng)春 130122)

引言

水稻作為全球范圍內(nèi)的主要糧食作物之一，對(duì)于維持人類(lèi)糧食安全和提高生活質(zhì)量發(fā)揮著至關(guān)重要的作用。然而，水稻的生產(chǎn)和品質(zhì)受到多種生物和非生物因素的影響，其中病蟲(chóng)害的威脅尤為突出。據(jù)估計(jì)，全球每年因病蟲(chóng)害導(dǎo)致的水稻產(chǎn)量損失高達(dá)數(shù)十億噸，嚴(yán)重影響了糧食供應(yīng)和農(nóng)民的經(jīng)濟(jì)收入。在我國(guó)，水稻病蟲(chóng)害問(wèn)題同樣嚴(yán)峻，每年因病蟲(chóng)害造成的糧食損失約占總產(chǎn)量的10%～15%，這一數(shù)字不僅反映了直接的經(jīng)濟(jì)損失，也暗示了潛在的糧食安全風(fēng)險(xiǎn)。

水稻病蟲(chóng)害的發(fā)生與多種因素密切相關(guān)，其中氣象環(huán)境條件扮演著關(guān)鍵角色。溫度、濕度、降雨量和風(fēng)速等氣象因素不僅直接影響水稻的生長(zhǎng)發(fā)育，還間接影響病原菌和害蟲(chóng)的存活、繁殖及其與水稻的相互作用。因此，對(duì)氣象環(huán)境條件與水稻病蟲(chóng)害發(fā)生之間的關(guān)系進(jìn)行深入研究，對(duì)于理解和預(yù)測(cè)病蟲(chóng)害的發(fā)生具有重要意義。

傳統(tǒng)的水稻病蟲(chóng)害預(yù)測(cè)方法主要依賴于專(zhuān)家經(jīng)驗(yàn)和定性判斷，或者是基于統(tǒng)計(jì)學(xué)的回歸分析模型。然而，這些方法在處理復(fù)雜的非線性關(guān)系和高維數(shù)據(jù)時(shí)常顯得力不從心。隨著機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)模型為解決這一問(wèn)題提供了新的思路。最小二乘支持向量機(jī)(LSSVM)作為一種有效的機(jī)器學(xué)習(xí)方法，因其在處理小樣本、非線性問(wèn)題上的優(yōu)越性能而受到廣泛關(guān)注。

本文旨在探索基于氣象環(huán)境條件和LSSVM的水稻病蟲(chóng)害預(yù)測(cè)模型的構(gòu)建與應(yīng)用。通過(guò)收集和分析氣象數(shù)據(jù)與水稻病蟲(chóng)害發(fā)生數(shù)據(jù)，本文將構(gòu)建一個(gè)綜合考慮多種氣象因素的預(yù)測(cè)模型，并利用LSSVM的強(qiáng)大非線性擬合能力進(jìn)行參數(shù)優(yōu)化和模型訓(xùn)練。此外，本文還將通過(guò)與傳統(tǒng)預(yù)測(cè)方法的比較分析，驗(yàn)證所提出模型的有效性和優(yōu)越性。研究成果不僅能夠?yàn)樗静∠x(chóng)害的科學(xué)管理提供決策支持，也為其他作物病蟲(chóng)害預(yù)測(cè)提供了新的研究方法和理論依據(jù)。

通過(guò)對(duì)水稻病蟲(chóng)害預(yù)測(cè)模型的深入研究，本文期望為農(nóng)業(yè)生產(chǎn)者和決策者提供更為精準(zhǔn)和實(shí)用的管理工具，從而在保障糧食安全和促進(jìn)農(nóng)業(yè)可持續(xù)發(fā)展方面發(fā)揮積極作用。

1 病蟲(chóng)害預(yù)測(cè)方法

在過(guò)去的幾十年中，水稻病蟲(chóng)害的預(yù)測(cè)和管理一直是農(nóng)業(yè)科學(xué)研究的重點(diǎn)。隨著全球氣候變化和生態(tài)環(huán)境的不斷演變，病蟲(chóng)害的發(fā)生規(guī)律和防治策略也在不斷地發(fā)生變化。因此，對(duì)水稻病蟲(chóng)害預(yù)測(cè)方法的研究，不僅需要關(guān)注模型的準(zhǔn)確性，還需要考慮模型的適應(yīng)性和實(shí)用性。

1.1 病蟲(chóng)害預(yù)測(cè)的傳統(tǒng)方法

傳統(tǒng)的病蟲(chóng)害預(yù)測(cè)方法主要依賴于病蟲(chóng)害發(fā)生的歷史數(shù)據(jù)和專(zhuān)家經(jīng)驗(yàn)。這些方法通?；诓∠x(chóng)害發(fā)生的時(shí)間序列分析，通過(guò)建立統(tǒng)計(jì)模型來(lái)預(yù)測(cè)未來(lái)病蟲(chóng)害的發(fā)生趨勢(shì)。如，病蟲(chóng)害發(fā)生指數(shù)法和病蟲(chóng)害發(fā)生概率法等，這些方法在一定程度上能夠提供病蟲(chóng)害發(fā)生的預(yù)警信息。然而，這些基于經(jīng)驗(yàn)的方法往往忽略了氣象環(huán)境條件對(duì)病蟲(chóng)害發(fā)生的潛在影響，且在面對(duì)氣候變化和新出現(xiàn)的病蟲(chóng)害問(wèn)題時(shí)，其預(yù)測(cè)精度和適應(yīng)性有限。

1.2 氣象環(huán)境條件的影響

近年來(lái)，越來(lái)越多的研究表明，氣象環(huán)境條件是影響病蟲(chóng)害發(fā)生和擴(kuò)散的關(guān)鍵因素。溫度、濕度、降雨量和風(fēng)速等氣象因素對(duì)病原菌和害蟲(chóng)的生命周期、傳播途徑以及與作物的相互作用都有著顯著的影響。如，高溫多濕的環(huán)境條件可能加速病原菌的繁殖，而干旱則可能增加害蟲(chóng)對(duì)作物的侵害。因此，將氣象因素納入病蟲(chóng)害預(yù)測(cè)模型中，已成為提高預(yù)測(cè)精度的重要途徑。

1.3 機(jī)器學(xué)習(xí)在病蟲(chóng)害預(yù)測(cè)中的應(yīng)用

隨著機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，越來(lái)越多的研究開(kāi)始嘗試將機(jī)器學(xué)習(xí)方法應(yīng)用于病蟲(chóng)害預(yù)測(cè)。人工神經(jīng)網(wǎng)絡(luò)(ANN)、支持向量機(jī)(SVM)和隨機(jī)森林(RF)等機(jī)器學(xué)習(xí)算法因其在處理復(fù)雜非線性問(wèn)題上的優(yōu)勢(shì)而被廣泛研究。這些方法通過(guò)從大量數(shù)據(jù)中學(xué)習(xí)病蟲(chóng)害發(fā)生的模式，能夠提供更為精確的預(yù)測(cè)結(jié)果。然而，機(jī)器學(xué)習(xí)模型的建立和優(yōu)化需要大量的數(shù)據(jù)支持，且模型的解釋性相對(duì)較差，這在一定程度上限制了其在實(shí)際應(yīng)用中的普及。

1.4 最小二乘支持向量機(jī)(LSSVM)的研究進(jìn)展

最小二乘支持向量機(jī)(LSSVM)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法，通過(guò)最小化正則化的平方誤差函數(shù)建立非線性的回歸和分類(lèi)模型。與傳統(tǒng)的SVM相比，LSSVM在求解過(guò)程中避免了二次規(guī)劃問(wèn)題，從而提高了計(jì)算效率。LSSVM在多個(gè)領(lǐng)域，如金融市場(chǎng)預(yù)測(cè)、能源消耗預(yù)測(cè)和環(huán)境監(jiān)測(cè)等，都顯示出了良好的性能。然而，關(guān)于LSSVM在農(nóng)業(yè)病蟲(chóng)害預(yù)測(cè)中的應(yīng)用，尤其是結(jié)合氣象環(huán)境條件的研究，目前還相對(duì)較少。

綜上所述，雖然現(xiàn)有的病蟲(chóng)害預(yù)測(cè)方法取得了一定的進(jìn)展，但仍存在預(yù)測(cè)精度不高、泛化能力不強(qiáng)等問(wèn)題。本文將嘗試通過(guò)構(gòu)建基于氣象環(huán)境條件和LSSVM的水稻病蟲(chóng)害預(yù)測(cè)模型解決這些問(wèn)題，并期望為水稻病蟲(chóng)害的科學(xué)管理和防治提供新的理論和實(shí)踐依據(jù)。

2 研究方法

為了構(gòu)建一個(gè)準(zhǔn)確且可靠的水稻病蟲(chóng)害預(yù)測(cè)模型，本研究采用了一系列的研究方法，包括數(shù)據(jù)集的構(gòu)建、最小二乘支持向量機(jī)(LSSVM)模型的建立，以及模型參數(shù)的優(yōu)化。以下是詳細(xì)的研究方法描述。

2.1 數(shù)據(jù)集的構(gòu)建

構(gòu)建一個(gè)高質(zhì)量的數(shù)據(jù)集是建立有效預(yù)測(cè)模型的基礎(chǔ)。本研究的數(shù)據(jù)集由2部分組成：氣象環(huán)境數(shù)據(jù)和水稻病蟲(chóng)害發(fā)生率數(shù)據(jù)。

本研究選取了3種對(duì)我國(guó)水稻生產(chǎn)影響較大的病蟲(chóng)害：稻瘟病、稻飛虱和稻螟。這3種病蟲(chóng)害的數(shù)據(jù)來(lái)源于國(guó)家農(nóng)業(yè)部的病蟲(chóng)害監(jiān)測(cè)數(shù)據(jù)庫(kù)，覆蓋了2019—2021年的全國(guó)范圍數(shù)據(jù)。

氣象環(huán)境條件數(shù)據(jù)包括溫度、濕度、降雨量和風(fēng)速，這些數(shù)據(jù)被認(rèn)為是影響水稻病蟲(chóng)害發(fā)生的關(guān)鍵因素。氣象數(shù)據(jù)由國(guó)家氣象局提供，同樣覆蓋2019—2021年的數(shù)據(jù)。

為了確保模型訓(xùn)練的有效性，對(duì)收集到的數(shù)據(jù)進(jìn)行預(yù)處理，包括去除缺失值、異常值檢測(cè)和處理，以及數(shù)據(jù)的歸一化處理。歸一化處理是將所有數(shù)據(jù)縮放到0～1的標(biāo)準(zhǔn)過(guò)程，有助于提高模型的收斂速度和預(yù)測(cè)性能。

2.2 LSSVM模型的建立

LSSVM模型的建立包括選擇合適的核函數(shù)、確定模型超參數(shù)，以及模型的訓(xùn)練和驗(yàn)證。

2.2.1 核函數(shù)的選擇

在LSSVM模型中，核函數(shù)的選擇對(duì)模型性能有著重要影響[1]。本研究選擇了徑向基函數(shù)(RBF)作為核函數(shù)，因?yàn)槠湓谔幚矸蔷€性問(wèn)題時(shí)表現(xiàn)出色，且參數(shù)較少，易于優(yōu)化。

2.2.2 模型超參數(shù)的優(yōu)化

LSSVM模型的性能在很大程度上取決于超參數(shù)的選擇，包括正則化參數(shù)γ和核函數(shù)的帶寬σ。為了找到最優(yōu)的超參數(shù)組合，本研究采用了粒子群優(yōu)化(PSO)算法。PSO算法是一種基于群體智能的優(yōu)化算法，能夠有效地在高維空間中搜索最優(yōu)解。

2.2.3 模型訓(xùn)練與驗(yàn)證

使用優(yōu)化后的超參數(shù)，對(duì)LSSVM模型進(jìn)行訓(xùn)練。模型的訓(xùn)練采用了交叉驗(yàn)證法，以確保模型具有良好的泛化能力。交叉驗(yàn)證法將數(shù)據(jù)集分為訓(xùn)練集和驗(yàn)證集，通過(guò)在訓(xùn)練集上訓(xùn)練模型，在驗(yàn)證集上評(píng)估模型性能[2]，從而避免了過(guò)擬合的問(wèn)題。

2.3 模型評(píng)價(jià)指標(biāo)

為了評(píng)價(jià)LSSVM模型的預(yù)測(cè)性能，本研究采用了以下評(píng)價(jià)指標(biāo)。

2.3.1 均方誤差(MSE)

衡量模型預(yù)測(cè)值與實(shí)際值之間差異的平方的平均值。

2.3.2 決定系數(shù)(R2)

衡量模型預(yù)測(cè)值與實(shí)際值之間相關(guān)性的指標(biāo)，值越接近1，表示模型的預(yù)測(cè)性能越好[3]。

2.4 實(shí)例分析

為了驗(yàn)證LSSVM模型的有效性，本研究進(jìn)行了實(shí)例分析。項(xiàng)目組選取了2022年的氣象環(huán)境數(shù)據(jù)和水稻病蟲(chóng)害發(fā)生率數(shù)據(jù)，作為測(cè)試集，用于評(píng)估模型的預(yù)測(cè)性能。部分?jǐn)?shù)據(jù)預(yù)處理結(jié)果如表1所示。

表1 數(shù)據(jù)預(yù)處理結(jié)果

PSO優(yōu)化模型參數(shù)和評(píng)價(jià)指標(biāo)如表2、表3所示。

表2 PSO算法優(yōu)化的LSSVM模型超參數(shù)

表3 LSSVM模型評(píng)價(jià)指標(biāo)

通過(guò)上述研究方法，本研究成功構(gòu)建了一個(gè)基于氣象環(huán)境條件和LSSVM的水稻病蟲(chóng)害預(yù)測(cè)模型，并通過(guò)實(shí)例分析驗(yàn)證了模型的有效性。模型的建立和評(píng)價(jià)指標(biāo)的詳細(xì)數(shù)據(jù)為本文的研究提供了堅(jiān)實(shí)的支撐。

3 結(jié)果與分析

本研究主要目的是構(gòu)建一個(gè)基于氣象環(huán)境條件和最小二乘支持向量機(jī)(LSSVM)的水稻病蟲(chóng)害預(yù)測(cè)模型，并對(duì)其預(yù)測(cè)性能進(jìn)行評(píng)估。

3.1 LSSVM模型的預(yù)測(cè)結(jié)果

在建立了LSSVM模型并通過(guò)交叉驗(yàn)證法進(jìn)行訓(xùn)練和驗(yàn)證之后，項(xiàng)目組使用2022年的氣象數(shù)據(jù)和水稻病蟲(chóng)害發(fā)生率數(shù)據(jù)作為測(cè)試集，對(duì)模型的預(yù)測(cè)性能進(jìn)行了評(píng)估。測(cè)試集包含了從全國(guó)部分地區(qū)收集的氣象條件數(shù)據(jù)和相應(yīng)的水稻病蟲(chóng)害發(fā)生率數(shù)據(jù)。

從表4可以看出，LSSVM模型對(duì)3種水稻病蟲(chóng)害的發(fā)生率都有較好的預(yù)測(cè)效果。預(yù)測(cè)值與真實(shí)值之間的差異較小，表明模型具有較高的預(yù)測(cè)精度。

表4 LSSVM模型預(yù)測(cè)結(jié)果

3.2 與傳統(tǒng)模型的比較分析

為了進(jìn)一步驗(yàn)證LSSVM模型的優(yōu)越性，項(xiàng)目組將LSSVM模型的預(yù)測(cè)結(jié)果與傳統(tǒng)的回歸分析模型和人工神經(jīng)網(wǎng)絡(luò)(ANN)模型進(jìn)行了比較。比較的指標(biāo)包括均方誤差(MSE)和決定系數(shù)(R2)。不同模型預(yù)測(cè)性能比較結(jié)果如表5所示。

表5 不同模型預(yù)測(cè)性能比較

從表5可以看出，LSSVM模型在所有3種病蟲(chóng)害的預(yù)測(cè)中都展現(xiàn)出了最低的MSE和最高的R2值，這意味著LSSVM模型相比于傳統(tǒng)的回歸分析模型和ANN模型具有更高的預(yù)測(cè)精度和更好的擬合度。

3.3 模型性能評(píng)價(jià)指標(biāo)

為了更全面地評(píng)估模型的性能，項(xiàng)目組還計(jì)算了其他評(píng)價(jià)指標(biāo)，包括平均絕對(duì)誤差(MAE)、平均絕對(duì)百分比誤差(MAPE)和最大相對(duì)誤差(MaxRE)[4]，如表6所示。

表6 LSSVM模型其他評(píng)價(jià)指標(biāo)

從表6可以看出，LSSVM模型的MAE、MAPE和MaxRE都保持在較低的水平，這進(jìn)一步證明了模型的預(yù)測(cè)精度和可靠性。

3.4 應(yīng)用前景

本研究構(gòu)建的LSSVM模型不僅在統(tǒng)計(jì)學(xué)上表現(xiàn)出色，而且在農(nóng)學(xué)實(shí)踐中也具有重要的應(yīng)用價(jià)值。準(zhǔn)確的病蟲(chóng)害預(yù)測(cè)可以幫助農(nóng)業(yè)生產(chǎn)者提前采取防治措施，減少農(nóng)藥的使用，降低生產(chǎn)成本，同時(shí)保護(hù)環(huán)境和提高水稻產(chǎn)量。此外，該模型還可以為行政部門(mén)在制定農(nóng)業(yè)政策和災(zāi)害應(yīng)急預(yù)案時(shí)提供科學(xué)依據(jù)。

綜上所述，本研究的LSSVM模型在預(yù)測(cè)水稻病蟲(chóng)害發(fā)生率方面展現(xiàn)出了較高的精度和良好的泛化能力。通過(guò)對(duì)模型的進(jìn)一步優(yōu)化和數(shù)據(jù)集的擴(kuò)充，該模型有望在未來(lái)的農(nóng)業(yè)生產(chǎn)中發(fā)揮更大的作用。

4 討論

在本研究中，項(xiàng)目組成功構(gòu)建了一個(gè)基于氣象環(huán)境條件和最小二乘支持向量機(jī)(LSSVM)的水稻病蟲(chóng)害預(yù)測(cè)模型，并通過(guò)與傳統(tǒng)模型的比較分析，證實(shí)了其在預(yù)測(cè)精度和泛化能力上的優(yōu)勢(shì)。以下是對(duì)研究結(jié)果的深入討論。

4.1 模型準(zhǔn)確性與泛化能力的討論

LSSVM模型在預(yù)測(cè)水稻病蟲(chóng)害發(fā)生率方面表現(xiàn)出了較高的準(zhǔn)確性，這主要得益于其強(qiáng)大的非線性擬合能力和優(yōu)秀的處理小樣本數(shù)據(jù)的能力。通過(guò)使用徑向基函數(shù)(RBF)作為核函數(shù)，模型能夠有效地處理復(fù)雜的非線性關(guān)系。此外，通過(guò)粒子群優(yōu)化(PSO)算法優(yōu)化模型的超參數(shù)，進(jìn)一步提高了模型的預(yù)測(cè)性能。然而，模型的泛化能力仍然受到數(shù)據(jù)集范圍和質(zhì)量的限制。本研究所使用的數(shù)據(jù)集僅覆蓋了2019—2021年的數(shù)據(jù)，可能無(wú)法完全捕捉到長(zhǎng)期趨勢(shì)和異常事件。未來(lái)的研究需要擴(kuò)大數(shù)據(jù)集的時(shí)間范圍，并考慮更多的氣象因素和地理信息，以提高模型的泛化能力和適應(yīng)不同環(huán)境的能力。

4.2 氣象條件對(duì)預(yù)測(cè)結(jié)果的影響

氣象條件是影響水稻病蟲(chóng)害發(fā)生的關(guān)鍵因素。本研究選取的溫度、濕度、降雨量和風(fēng)速等氣象因素對(duì)病蟲(chóng)害的預(yù)測(cè)結(jié)果有著顯著的影響。如，高溫和高濕度條件通常有利于病原菌的繁殖和害蟲(chóng)的發(fā)育，而降雨量和風(fēng)速則影響病原菌的傳播和害蟲(chóng)的遷移。因此，準(zhǔn)確監(jiān)測(cè)和合理利用氣象數(shù)據(jù)對(duì)于提高病蟲(chóng)害預(yù)測(cè)的準(zhǔn)確性至關(guān)重要。未來(lái)的研究可以考慮引入更多與病蟲(chóng)害發(fā)生相關(guān)的氣象指標(biāo)，如日照時(shí)長(zhǎng)、蒸發(fā)量和露點(diǎn)溫度等，以進(jìn)一步提升預(yù)測(cè)模型的性能。

4.3 模型的局限性與未來(lái)改進(jìn)方向

盡管LSSVM模型在本研究中取得了良好的預(yù)測(cè)效果，但仍存在一些局限性。模型的預(yù)測(cè)性能受限于數(shù)據(jù)集的質(zhì)量和覆蓋范圍；模型未能考慮水稻品種、種植模式、土壤條件等其他可能影響病蟲(chóng)害發(fā)生的因素；模型在處理極端氣象事件和突發(fā)事件時(shí)可能存在不足。未來(lái)的研究應(yīng)當(dāng)致力于擴(kuò)大數(shù)據(jù)集的范圍，增加更多的影響因素，并探索集成學(xué)習(xí)方法，以提高模型的魯棒性和預(yù)測(cè)精度。

5 結(jié)束語(yǔ)

本研究的成果為水稻病蟲(chóng)害的科學(xué)管理提供了新的工具和方法。通過(guò)準(zhǔn)確的病蟲(chóng)害預(yù)測(cè)，農(nóng)業(yè)生產(chǎn)者可以及時(shí)采取預(yù)防和控制措施，減少病蟲(chóng)害的損失。此外，政府部門(mén)可以利用預(yù)測(cè)模型進(jìn)行病蟲(chóng)害風(fēng)險(xiǎn)評(píng)估，制定更為合理的農(nóng)業(yè)政策和應(yīng)急響應(yīng)計(jì)劃。然而，為了實(shí)現(xiàn)這一目標(biāo)，需要在實(shí)踐中不斷驗(yàn)證和調(diào)整模型，確保其在不同地區(qū)和不同條件下的有效性。

本研究提出的基于LSSVM的水稻病蟲(chóng)害預(yù)測(cè)模型為農(nóng)業(yè)病蟲(chóng)害管理提供了有價(jià)值的參考。通過(guò)進(jìn)一步的研究和實(shí)踐，該模型有望在提高水稻產(chǎn)量和質(zhì)量、保障糧食安全方面發(fā)揮更大的作用。