基于隨機(jī)森林與長(zhǎng)短期記憶網(wǎng)絡(luò)結(jié)合的藍(lán)莓黑腹果蠅發(fā)生預(yù)測(cè)

摘要：黑腹果蠅侵害嚴(yán)重影響藍(lán)莓產(chǎn)量，現(xiàn)已成為遏制貴州省藍(lán)莓產(chǎn)業(yè)發(fā)展的主要原因之一，快速、準(zhǔn)確預(yù)測(cè)黑腹果蠅發(fā)生有利于及時(shí)采取防控措施，但目前對(duì)藍(lán)莓園黑腹果蠅發(fā)生預(yù)測(cè)的研究尚少。為此，本研究提出了一種藍(lán)莓黑腹果蠅發(fā)生預(yù)測(cè)模型。首先，利用Pearson相關(guān)系數(shù)分析溫度、濕度、風(fēng)速等相關(guān)氣候特征指標(biāo)與黑腹果蠅發(fā)生的相關(guān)性：然后，利用隨機(jī)森林算法選出影響黑腹果蠅發(fā)生的重要?dú)夂蛱卣髦笜?biāo)：最后，提出一種隨機(jī)森林和長(zhǎng)短期記憶網(wǎng)絡(luò)相結(jié)合的蟲害預(yù)測(cè)模型。將該模型與其他傳統(tǒng)模型的預(yù)測(cè)效果進(jìn)行對(duì)比，結(jié)果表明其在預(yù)測(cè)黑腹果蠅發(fā)生方面表現(xiàn)出良好的性能，均方根誤差為2.120 3，平均絕對(duì)誤差為1.865 9，決定系數(shù)為0.979 5。本研究結(jié)果可為預(yù)測(cè)黑腹果蠅發(fā)生并及時(shí)采取相應(yīng)防治策略提供技術(shù)支持。

關(guān)鍵詞：黑腹果蠅：藍(lán)莓：蟲害發(fā)生預(yù)測(cè)：隨機(jī)森林：長(zhǎng)短期記憶網(wǎng)絡(luò)：Pearson相關(guān)系數(shù)：氣候特征

中圖分類號(hào)：S126：S436.63 文獻(xiàn)標(biāo)識(shí)號(hào)：A 文章編號(hào)：1001-4942（2024） 08-0158-07

近年來貴州省藍(lán)莓產(chǎn)業(yè)發(fā)展迅速，栽培面積和產(chǎn)量均居全國首位，為貴州省帶來了巨大的經(jīng)濟(jì)效益。但隨著栽培時(shí)間的延長(zhǎng)和栽培面積的擴(kuò)大，藍(lán)莓病蟲害的發(fā)生越來越嚴(yán)重，貴州省藍(lán)莓園的害蟲種類多達(dá)11種，其中黑腹果蠅（Drosophilamelanogaster）是較為嚴(yán)重的害蟲之一。黑腹果蠅的生長(zhǎng)發(fā)育與氣候條件密切相關(guān)，研究表明，16-29℃是其生長(zhǎng)發(fā)育的最佳溫度區(qū)間，當(dāng)溫度超出這個(gè)范圍時(shí)，它的壽命會(huì)顯著減短，在12℃以下或32.5℃以上幾乎不可能生長(zhǎng)發(fā)育：另外，溫度對(duì)其成蟲體型也有顯著影響。研究人員還發(fā)現(xiàn)濕度對(duì)果蠅的生長(zhǎng)發(fā)育也起著至關(guān)重要的作用，日平均濕度與其種群增長(zhǎng)之間存在很強(qiáng)的正相關(guān)關(guān)系，在200%- 94%的相對(duì)濕度范圍內(nèi)，濕度越高，成蟲的產(chǎn)卵量和壽命增加越顯著。因此，溫度和濕度可作為預(yù)測(cè)果蠅發(fā)生的基礎(chǔ)氣候條件。明確影響黑腹果蠅發(fā)生的主要?dú)夂驐l件，對(duì)于建立氣候條件一蟲害發(fā)生預(yù)測(cè)模型并提高預(yù)測(cè)準(zhǔn)確性具有重要意義。

數(shù)據(jù)處理和分析工具的優(yōu)劣影響著蟲情預(yù)測(cè)的準(zhǔn)確率，隨著大數(shù)據(jù)和人工智能的快速發(fā)展，機(jī)器學(xué)習(xí)方法已被廣泛應(yīng)用于蟲害預(yù)測(cè)。早在20世紀(jì)初，Chon等就利用反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）建立了農(nóng)業(yè)害蟲分類的預(yù)測(cè)模型；后來，Shang等將遺傳算法（Genetic Algorithm，GA）與BPNN相結(jié)合，提升了蟲害預(yù)測(cè)的準(zhǔn)確性。近年來，研究者們?cè)谙x害預(yù)測(cè)方面做了大量工作，并提出了多種預(yù)測(cè)模型，包括廣義回歸神經(jīng)網(wǎng)絡(luò)（GeneralizedRegression Neural Network，GRNN）、模糊神經(jīng)網(wǎng)絡(luò)（Fuzzy Neural Network，F(xiàn)NN）、支持向量回歸（Support Vector Regression．SVR）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN） 等。Li等提出了一種基于深度學(xué)習(xí)技術(shù)的自動(dòng)檢測(cè)方法，能夠?qū)崟r(shí)監(jiān)測(cè)、識(shí)別不同種類的田間害蟲，具備較高的識(shí)別和定位準(zhǔn)確性。Li等開發(fā)了具有密度圖的多分支卷積神經(jīng)網(wǎng)絡(luò)（Multi-branch Convolutional Neural Network，Mb-CNN）用于蚜蟲數(shù)量估計(jì)，可以提高蚜蟲在密集分布區(qū)域和重疊區(qū)域的計(jì)數(shù)精度。Xie等利用無監(jiān)督特征學(xué)習(xí)方法從大量未標(biāo)記的圖像塊中提取蟲害圖像的特征，優(yōu)化了大多數(shù)分類方法中依賴手工提取特征的過程。

利用機(jī)器學(xué)習(xí)方法預(yù)測(cè)蟲害的發(fā)生需要大量數(shù)據(jù)作為基礎(chǔ)，而與農(nóng)業(yè)環(huán)境監(jiān)測(cè)技術(shù)相結(jié)合可為蟲害預(yù)測(cè)提供更豐富的數(shù)據(jù)源。Xiao等在2019年利用Apriori算法發(fā)現(xiàn)了天氣因素與棉花害蟲發(fā)生之間的關(guān)聯(lián)規(guī)則，并基于此建立了一個(gè)基于長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Terrn Memory，LSTM）的蟲害暴發(fā)預(yù)測(cè)模型，用該模型準(zhǔn)確地預(yù)測(cè)了未來一段時(shí)間內(nèi)蟲害發(fā)生的嚴(yán)重程度；之后，Chen等使用雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（Bidirection-al Long Short-Term Memory，Bi-LSTM）來捕捉雙向信息流，可更好地了解時(shí)間序列數(shù)據(jù)的相關(guān)性，且基于Bi-LSTM的氣候和大氣環(huán)流預(yù)測(cè)模型能夠有效地預(yù)測(cè)害蟲的發(fā)生率。

目前關(guān)于貴州省藍(lán)莓園黑腹果蠅發(fā)生預(yù)測(cè)的研究較少，在前人研究的基礎(chǔ)上，本研究首先通過Pearson相關(guān)系數(shù)和隨機(jī)森林（Random Forest，RF）算法選出影響黑腹果蠅發(fā)生的重要?dú)夂蛱卣?，然后提出一種基于LSTM網(wǎng)絡(luò)的藍(lán)莓黑腹果蠅發(fā)生預(yù)測(cè)模型，以期為貴州地區(qū)藍(lán)莓園及時(shí)監(jiān)測(cè)、防控黑腹果蠅發(fā)生提供技術(shù)支持。

1 材料與方法

1.1 數(shù)據(jù)來源

1.1.1 氣候特征相關(guān)數(shù)據(jù)

本研究所用氣候數(shù)據(jù)來自天氣預(yù)報(bào)網(wǎng)站（http：//www. wunderground.com/），該網(wǎng)站提供溫度、濕度、風(fēng)速和降水量等相關(guān)歷史和最新數(shù)據(jù)。本研究選用貴州省黔東南地區(qū)2022年6月初-9月底的歷史氣候數(shù)據(jù)，經(jīng)相應(yīng)處理后將原始數(shù)據(jù)轉(zhuǎn)換為每天的最高、最低和平均值，具體見表1。

1.1.2 黑腹果蠅發(fā)生數(shù)量調(diào)查

黑腹果蠅發(fā)生數(shù)量的調(diào)查地點(diǎn)為貴州省黔東南宣威鎮(zhèn)藍(lán)莓種植園，調(diào)查時(shí)間為2022年6月初-9月底。調(diào)查期間，在藍(lán)莓植株枝條中間離地面1.2 m處懸掛1張黃色的粘蟲板，兩張粘蟲板間距2m，10張為一組，每7天統(tǒng)計(jì)一次粘蟲板誘捕到的黑腹果蠅數(shù)量，并及時(shí)更換新的粘蟲板。統(tǒng)計(jì)結(jié)果（圖1）顯示，調(diào)查藍(lán)莓園的黑腹果蠅發(fā)生數(shù)量呈現(xiàn)出先增加后減少的趨勢(shì)，即6月下旬隨著藍(lán)莓進(jìn)入開花期，黑腹果蠅數(shù)量逐漸增加，7月下旬進(jìn)入結(jié)果期后數(shù)量迅速增加，在8月初達(dá)到峰值，之后黑腹果蠅數(shù)量逐漸減少。

1.2 氣候特征指標(biāo)選擇

1.2.1 Pearson相關(guān)分析

氣候特征與植物病蟲害發(fā)生間存在著一定的關(guān)系。Pearson相關(guān)系數(shù)通常被用于分析兩個(gè)連續(xù)變量之間的關(guān)系，其計(jì)算公式見式（1）。本研究首先采用Pearson相關(guān)系數(shù)來衡量各氣候特征指標(biāo)與黑腹果蠅發(fā)生數(shù)量之間的線性關(guān)系。

其中，xij是第i天第i個(gè)輸入特征的值；xj是第j個(gè)輸入特征的平均值；Yi是第i天的黑腹果蠅數(shù)量；y是黑腹果蠅數(shù)量的平均值；Pi取值范圍為[-1，1]。

1.2.2 應(yīng)用RF算法篩選重要?dú)夂蛱卣髦笜?biāo)

相關(guān)性分析對(duì)于評(píng)估變量之間的線性關(guān)系是有效的，然而當(dāng)變量之間存在非線性關(guān)系時(shí)，其有效性會(huì)顯著降低。因此，本研究應(yīng)用RF算法進(jìn)一步分析各氣候特征指標(biāo)對(duì)黑腹果蠅發(fā)生的影響程度，并篩選出影響顯著的指標(biāo)。

RF是一種利用決策樹作為集成學(xué)習(xí)基礎(chǔ)模型的機(jī)器學(xué)習(xí)算法，具有很高的魯棒性，對(duì)噪聲數(shù)據(jù)和異常值不敏感，具有強(qiáng)大的復(fù)雜多維特征分析能力。用RF評(píng)估特征重要性的標(biāo)準(zhǔn)是準(zhǔn)確度的平均降低（Mean Decrease Accuracy，MDA），基本思想是使用噪聲數(shù)據(jù)來替換與特定特征相對(duì)應(yīng)的樣本數(shù)據(jù)，并用袋外（Out of Bag，OOB）數(shù)據(jù)（決策樹構(gòu)建中未使用的數(shù)據(jù)）計(jì)算預(yù)測(cè)誤差。特征在模型構(gòu)建中的重要性越高，用噪聲數(shù)據(jù)替換特征后預(yù)測(cè)誤差的增加就越大。使用RF評(píng)估特征重要性的具體步驟：

①應(yīng)用自舉采樣方法，通過對(duì)原始樣本集進(jìn)行重新采樣來生成n個(gè)新的樣本集，每個(gè)樣本集用于訓(xùn)練決策樹Tb，并將對(duì)應(yīng)的OOB數(shù)據(jù)表示為L(zhǎng)bOOB；

②使用決策樹Tb對(duì)OOB數(shù)據(jù)進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)誤差記錄為EOOB；

③將OOB數(shù)據(jù)中的特征xi（i=l，2，…，m，其中m是特征總數(shù)）替換為噪聲，然后使用Tb對(duì)修改后的OOB數(shù)據(jù)進(jìn)行預(yù)測(cè)，并將所得到的預(yù)測(cè)誤差表示為Eri OOB。特征xi的重要性計(jì)算如下：

本研究使用RF算法計(jì)算出每個(gè)氣候特征指標(biāo)的重要性度量EMDA，然后按降序?qū)ζ溥M(jìn)行排序，選出排名前50%的氣候特征指標(biāo)構(gòu)建特征變量子集，用于建立預(yù)測(cè)模型。

1.3 RF-LSTM模型構(gòu)建

LSTM是一種特殊類型的遞歸神經(jīng)網(wǎng)絡(luò)（Re-current Neural Network，RNN）結(jié)構(gòu)，由Hochreiter和Schmidhuber于1997年首次提出。LSTM結(jié)合了存儲(chǔ)單元和門機(jī)制，能夠更有效地捕獲和處理時(shí)間序列數(shù)據(jù)中的長(zhǎng)期依賴關(guān)系。LSTM單元的核心組成部分是細(xì)胞單元狀態(tài)，它可以在不同的時(shí)間步長(zhǎng)上攜帶信息。在每個(gè)時(shí)間步長(zhǎng)，LSTM通過遺忘門（Forget gate）、輸入門（lnput gate）和輸出門（Output gate）三種門機(jī)制控制信息流。LSTM的結(jié)構(gòu)單元如圖2所示。

遺忘門負(fù)責(zé)決定從細(xì)胞狀態(tài)中丟棄哪些信息，該過程將前一個(gè)時(shí)間步長(zhǎng)（或輸入）的隱藏狀態(tài)與當(dāng)前時(shí)間步長(zhǎng)的遺忘門權(quán)重相乘，通過Sig-moid函數(shù)得到結(jié)果：

ft=σ（Wf·[ht-1，xt]+bf）。（3）

輸入門確定哪些新信息應(yīng)該被添加到細(xì)胞單元狀態(tài)，使用Sigmoid函數(shù)來確定應(yīng)該更新哪些信息：

it=σ（Wi`[ht-1，xt]+bi）;（4）

并使用tanh函數(shù)來計(jì)算新的候選值：

Ct =tanh（Wc·[ht-1，xt]+bc）;（5）

然后，遺忘門的輸出與上一個(gè)時(shí)間步長(zhǎng)的細(xì)胞單元狀態(tài)相乘，輸入門的輸出與新的候選值相乘，兩者相加的結(jié)果為當(dāng)前時(shí)間步長(zhǎng)的細(xì)胞單元狀態(tài)：

Ct=ft·Ct-1+it·Ct。（6）

輸出門確定在當(dāng)前時(shí)間步長(zhǎng)應(yīng)該輸出什么信息，使用Sigmoid函數(shù)來確定應(yīng)該輸出細(xì)胞狀態(tài)的哪些部分：

Ot=σ（Wo·[ht-1，xt]+bo）;（7）

并使用tanh函數(shù)縮放細(xì)胞單元狀態(tài)：

ht=Ot·tanh（Ct）。（8）

式中，ft、it、Ot分別是遺忘門、輸入門、輸出門的輸出問題；xt表示輸入序列；σ是Sigmoid函數(shù)；tanh是雙曲正切函數(shù)；Wf、Wi、Wo和WO分別是與遺忘門、輸入門、當(dāng)前時(shí)間步長(zhǎng)的候選細(xì)胞狀態(tài)和輸出門相對(duì)應(yīng)的權(quán)重矩陣；bf、bi、bc和bo分別是遺忘門、輸入門、當(dāng)前時(shí)間步長(zhǎng)的候選細(xì)胞狀態(tài)和輸出門的偏置向量；Ct表示當(dāng)前時(shí)間步長(zhǎng)的候選細(xì)胞狀態(tài)；Ct-1和ht-1分別表示前一時(shí)間步長(zhǎng)的細(xì)胞狀態(tài)和輸出向量；Ct和ht分別表示當(dāng)前時(shí)間步長(zhǎng)的細(xì)胞狀態(tài)和輸出向量。

RF-LSTM首先通過RF評(píng)估各個(gè)輸入特征的重要性，從而選出重要特征，構(gòu)建最具預(yù)測(cè)能力的特征子集，以降低過擬合風(fēng)險(xiǎn)，提高模型的解釋性：然后將挑選出的特征輸入到LSTM中，以捕獲其中的復(fù)雜關(guān)系，達(dá)到預(yù)測(cè)蟲害發(fā)生的目的。因此，RF-LSTM模型既能充分利用RF的特征選擇能力，又能充分發(fā)揮LSTM在蟲害預(yù)測(cè)建模方面的優(yōu)勢(shì)，在保留關(guān)鍵信息的同時(shí)提高預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性，從而實(shí)現(xiàn)更高水平的預(yù)測(cè)性能。

RF-LSTM預(yù)測(cè)模型的工作流程如圖3所示。使用Pearson相關(guān)系數(shù)分析計(jì)算氣候特征指標(biāo)與蟲害數(shù)據(jù)之間的相關(guān)性后，使用RF算法通過特征重要性排序選出影響蟲害發(fā)生的重要?dú)夂蛱卣髦笜?biāo)：然后對(duì)預(yù)處理后的氣候特征指標(biāo)和蟲害數(shù)據(jù)進(jìn)行數(shù)據(jù)分析，包括去除異常值、插補(bǔ)缺失值、標(biāo)準(zhǔn)化和歸一化過程：將處理后的數(shù)據(jù)分為訓(xùn)練集和測(cè)試集，使用訓(xùn)練集對(duì)LSTM模型進(jìn)行訓(xùn)練，訓(xùn)練完畢就可以使用測(cè)試集預(yù)測(cè)害蟲的發(fā)生，而預(yù)測(cè)結(jié)果又會(huì)被反饋到模型評(píng)估過程中，用于模型的改進(jìn)。

1.4 模型性能評(píng)估指標(biāo)

為了有效地評(píng)估預(yù)測(cè)模型的性能，選擇機(jī)器學(xué)習(xí)回歸算法預(yù)測(cè)中常見的三種評(píng)估指標(biāo)：決定系數(shù)（R2）、均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）。公式如下：

其中，fi是i預(yù)測(cè)節(jié)點(diǎn)預(yù)測(cè)值；yi是i預(yù)測(cè)節(jié)點(diǎn)的實(shí)際值；yi是實(shí)際值的平均值；RMSE表示RMSE；MAE表示MAE。

2 結(jié)果與分析

2.1 LSTM網(wǎng)絡(luò)參數(shù)的設(shè)置

為了測(cè)試所提出模型的準(zhǔn)確性和泛化能力，隨機(jī)選擇數(shù)據(jù)集中70％的數(shù)據(jù)來訓(xùn)練LSTM網(wǎng)絡(luò)并確定網(wǎng)絡(luò)參數(shù)。首先將LSTM中隱藏單元的數(shù)量、全連接通道的數(shù)量均設(shè)為1，進(jìn)行網(wǎng)絡(luò)初始化。然后進(jìn)行如下實(shí)驗(yàn)：

（1）分別設(shè)置隱藏單元數(shù)為4、8、16、32，比較隱藏單元數(shù)量不同時(shí)的模型預(yù)測(cè)性能。如表2所示，當(dāng)隱藏單元數(shù)為16時(shí)，模型表現(xiàn)最好，R2最高，而RMSE和MAE最低：而設(shè)置更多的隱藏層并不總能帶來更好的性能，這可能是因?yàn)楦嗟碾[藏層會(huì)導(dǎo)致結(jié)果不穩(wěn)定。因此，在下面的實(shí)驗(yàn)中將隱藏單元的數(shù)量設(shè)置為16。

（2）在上一步實(shí)驗(yàn)的基礎(chǔ)上，分別設(shè)置全連接通道數(shù)為1、2、3，比較全連接通道數(shù)量不同時(shí)的模型預(yù)測(cè)性能。如表3所示，隨著全連接通道數(shù)的增加，模型的預(yù)測(cè)誤差增加，模型擬合度降低，當(dāng)全連接通道數(shù)為1時(shí)模型表現(xiàn)最好。這可能是因?yàn)槿B接層的通道數(shù)多會(huì)導(dǎo)致由于數(shù)據(jù)集有限而造成的對(duì)較大權(quán)重的訓(xùn)練不足。因此，在下面的實(shí)驗(yàn)中將全連接通道的數(shù)量設(shè)置為1。

（3）在確定上述兩個(gè)參數(shù)后，調(diào)整其他參數(shù)：學(xué)習(xí)率（learningrate）設(shè)置為0.001，批量大?。╞atch size）設(shè)置為32，丟棄率（dropout rate）設(shè)置為0.1。在網(wǎng)絡(luò)訓(xùn)練過程中，使用Adam算法更新所提出的深層結(jié)構(gòu)中的網(wǎng)絡(luò)。

2.2 與黑腹果蠅發(fā)生相關(guān)的重要?dú)夂蛱卣鬟x擇

本研究使用Pearson相關(guān)系數(shù)和RF算法對(duì)氣候特征指標(biāo)進(jìn)行了冗余特征篩選。Pearson相關(guān)分析結(jié)果如表4所示，可見，有關(guān)溫度、露點(diǎn)溫度的特征指標(biāo)與黑腹果蠅發(fā)生均呈中等相關(guān)關(guān)系，夜間相對(duì)濕度、最大風(fēng)速、平均濕度則呈弱相關(guān)關(guān)系，其余特征呈微弱相關(guān)或無相關(guān)關(guān)系。

進(jìn)一步通過RF算法對(duì)氣候特征指標(biāo)的重要性進(jìn)行排序，將決策樹的數(shù)量設(shè)置為20，最小葉大小設(shè)置為5，所得重要性排序結(jié)果如圖4所示?？梢钥闯?，排名前6的特征分別為maxT、RH2、meanT、minDP、meanDP、minWS，表明這些氣候特征指標(biāo)能夠顯著影響黑腹果蠅的發(fā)生，特別是日最高溫度（maxT），其重要性位列第一，說明其可能是影響黑腹果蠅發(fā)生的主導(dǎo)因素。

RF的優(yōu)勢(shì)在于其對(duì)異常值和缺失值的魯棒性，以及處理高維數(shù)據(jù)和非線性關(guān)系的能力，這可以補(bǔ)充Pearson相關(guān)分析的局限性。綜合兩種方法的結(jié)果，我們選取特征重要性排名前6的氣候特征指標(biāo)作為輸入特征。

2.3 RF-LSTM模型性能評(píng)價(jià)

2.3.1 RF-LSTM模型預(yù)測(cè)結(jié)果

用測(cè)試集樣本驗(yàn)證RF-LSTM模型預(yù)測(cè)性能，結(jié)果如圖5所示，預(yù)測(cè)值曲線可以很好地對(duì)真實(shí)值曲線進(jìn)行擬合，最高誤差保持在個(gè)位數(shù)以內(nèi)，達(dá)到了預(yù)期的精度。

2.3.2 RF-LSTM與其他模型的對(duì)比分析

與原始LSTM模型相比，改進(jìn)后的RF-LSTM模型在3個(gè)評(píng)估指標(biāo)上都表現(xiàn)出更優(yōu)的結(jié)果，且模型訓(xùn)練時(shí)間縮短1.568 s（表5）。表明本研究提出的RF -LSTM模型在預(yù)測(cè)藍(lán)莓園黑腹果蠅發(fā)生方面更可行、有效。

將RF-LSTM與3種經(jīng)典機(jī)器學(xué)習(xí)網(wǎng)絡(luò)模型（BPNN、SVR和CNN）的預(yù)測(cè)效果進(jìn)行比較，結(jié)果見表6。其中3種經(jīng)典模型的參數(shù)設(shè)置如下：對(duì)于BPNN，隱藏層數(shù)為8，學(xué)習(xí)率為0.01，誤差閾值為10-6：對(duì)于SVR，核函數(shù)選擇徑向基函數(shù)，gamma參數(shù)設(shè)置為0.8，懲罰因子設(shè)置為2.0;CNN由兩個(gè)連續(xù)的卷積池模塊和一個(gè)全連接層組成，兩個(gè)卷積層的核大小均為3xl，激活函數(shù)使用ReLU函數(shù)?？梢钥闯?，本研究提出的RF - LSTM模型的RMSE為2.120 3，MAE為1.865 9，R2為0.979 5，均明顯優(yōu)于3種經(jīng)典模型，表明本研究提出的預(yù)測(cè)模型對(duì)黑腹果蠅的發(fā)生具有較好的預(yù)測(cè)性能，可用于預(yù)測(cè)藍(lán)莓園黑腹果蠅的發(fā)生。

3 結(jié)論

本研究首先利用Pearson相關(guān)系數(shù)分析氣候特征指標(biāo)與黑腹果蠅發(fā)生數(shù)量的相關(guān)性，然后用RF算法計(jì)算各指標(biāo)的重要性并排序，選出對(duì)黑腹果蠅發(fā)生有重要影響的6個(gè)指標(biāo)作為L(zhǎng)STM網(wǎng)絡(luò)的輸入特征，從而構(gòu)建了藍(lán)莓園中黑腹果蠅發(fā)生的預(yù)測(cè)模型RF - LSTM。用測(cè)試集數(shù)據(jù)對(duì)模型的預(yù)測(cè)效果進(jìn)行驗(yàn)證，結(jié)果顯示其RMSE為2.120 3，MAE為1.865 9，R2為0.979 5，均優(yōu)于LSTM、BPNN、SVR、CNN，表明該模型具有優(yōu)越的預(yù)測(cè)性能，可以根據(jù)氣候特征預(yù)測(cè)藍(lán)莓園黑腹果蠅的發(fā)生，有助于農(nóng)戶及時(shí)采取防控措施，保護(hù)藍(lán)莓生產(chǎn)。

黑腹果蠅的發(fā)生受到多種因素的影響，但本研究?jī)H考慮了氣候因素，這使得黑腹果蠅發(fā)生的數(shù)據(jù)集輸入特征不夠全面。在今后的研究中，我們將進(jìn)一步豐富數(shù)據(jù)集涵蓋的信息，如病蟲害發(fā)生周期等，優(yōu)化預(yù)測(cè)模型，提高預(yù)測(cè)的準(zhǔn)確性，以更好地為及時(shí)制定病蟲害防治策略提供技術(shù)支撐。

基金項(xiàng)目：國家自然科學(xué)基金項(xiàng)目（62003106）；貴州省科技支撐計(jì)劃項(xiàng)目（黔科合支撐[2022]一般133）；貴州省科學(xué)技術(shù)基金項(xiàng)目（黔科合基礎(chǔ)-ZK[2021] 一般321）