靳然，李生才

（山西農(nóng)業(yè)大學(xué) 農(nóng)學(xué)院，山西 太谷030801）

多年來，眾多昆蟲學(xué)家和植保工作者致力于病蟲害測報方法的研究，發(fā)展了經(jīng)驗預(yù)測法、實驗預(yù)測法和統(tǒng)計預(yù)測法等傳統(tǒng)預(yù)測預(yù)報方法［1］。但由于害蟲的發(fā)生具有多樣性、突發(fā)性、隨機性等特點，易受環(huán)境因子及害蟲自身生長發(fā)育、天敵發(fā)生情況等影響，其所在的生態(tài)系統(tǒng)是一個非常復(fù)雜的非線性結(jié)構(gòu)，傳統(tǒng)的預(yù)測預(yù)報方法很難達到理想的效果。近年來，專家、學(xué)者將現(xiàn)代非線性理論運用到害蟲測報領(lǐng)域，將傳統(tǒng)的動力學(xué)理論、數(shù)理統(tǒng)計與現(xiàn)代計算技術(shù)相結(jié)合，發(fā)展了人工神經(jīng)網(wǎng)絡(luò)、相空間重構(gòu)預(yù)測法、小波分析、支持向量機等病蟲害測報新方法［2～4］。

目前，人工神經(jīng)網(wǎng)絡(luò)在預(yù)測方面已有較多的應(yīng)用，如地質(zhì)災(zāi)害的發(fā)生、房地產(chǎn)走向、借貸風(fēng)險分析等，在害蟲預(yù)測預(yù)報方面也取得了一定的成果。陳恩會等［5］做了關(guān)于BP神經(jīng)網(wǎng)絡(luò)在病蟲預(yù)測預(yù)報中的應(yīng)用介紹；王國昌等［6］研究了近年來人工神經(jīng)網(wǎng)絡(luò)在農(nóng)林害蟲的識別和診斷，并且建立了發(fā)生期和發(fā)生量的預(yù)測預(yù)報模型；歐釗榮等［7］根據(jù)廣西甘蔗棉蚜蟲發(fā)生情況基本資料和氣象指標建立了BP神經(jīng)網(wǎng)絡(luò)預(yù)報模型，擬合程度和預(yù)報精度都比較高；唐建軍等［8］建立了水稻蟲害發(fā)生量預(yù)測預(yù)報的BP神經(jīng)網(wǎng)絡(luò)預(yù)測系統(tǒng)，確定了自然因素與發(fā)生量之間的關(guān)系。

麥蚜以成蟲和若蟲刺吸小麥莖、葉和嫩穗的汁液。小麥苗期受害，輕者葉色發(fā)黃、生長停滯、分蘗減少，重者麥株枯萎死亡。穗期受害，麥粒不飽滿，嚴重時麥穗干枯不結(jié)實，甚至全株死亡。此外，麥蚜還可以傳播多種麥類毒素病。據(jù)資料統(tǒng)計，上世紀50～60年代，麥蚜的發(fā)生較為平穩(wěn)，危害較小，年發(fā)生面積一般在190～460萬hm2之間。70～80年代，麥蚜發(fā)生量逐漸增大，由間歇性嚴重發(fā)生逐漸轉(zhuǎn)為經(jīng)常性發(fā)生主要害蟲，危害面積呈不斷上升趨勢，成為我國小麥作物重大害蟲之一。進入90年代，麥蚜發(fā)生面積急劇上升，由1972年的342萬hm2迅速上升到1999年的1838萬hm2，導(dǎo)致小麥產(chǎn)量年損失達到50萬t以上，占小麥病蟲害造成損失總量的1／3。尤其是90年代中后期，從發(fā)生面積、防治后的實際損失方面來看，小麥蚜蟲已上升為繼水稻飛虱、水稻紋枯病之后的我國農(nóng)作物重大病蟲害中的第3位［9］。

對麥蚜發(fā)生的預(yù)測研究自上世紀80年代末開始，迄今近30年，已運用馬爾柯夫鏈、列聯(lián)表法、逐步回歸法、模糊數(shù)學(xué)等方法進行預(yù)測，并取得一定的效果，但運用BP神經(jīng)網(wǎng)絡(luò)對麥蚜發(fā)生進行預(yù)測尚屬空白。與其它方法相比，BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型模擬人腦結(jié)構(gòu)設(shè)計，預(yù)測結(jié)果更科學(xué)和精確。本文以1980—2006年氣象因子和歷年最大蟲株率為基礎(chǔ)，建立基于BP神經(jīng)網(wǎng)絡(luò)的麥蚜蟲株率預(yù)測模型，并將逐步回歸法預(yù)測結(jié)果作為對比，試圖探索建立更加準確和穩(wěn)定的病蟲害測報模型。

1 材料與方法

1.1 麥蚜數(shù)據(jù)

麥蚜原始數(shù)據(jù)來自山西省植保植檢總站，數(shù)據(jù)采集點在山西運城市芮城縣古魏鎮(zhèn)，為山西小麥的主產(chǎn) 區(qū)，北 緯 34°36′～48°30′，東 經(jīng) 110°36′～42°30"，年平均氣溫12.77℃，無霜期250d左右，年降水量513mm。全鎮(zhèn)耕地面積約4 700hm2，土地平坦，土壤肥沃，小麥是最主要的農(nóng)作物。蟲害統(tǒng)計資料為1980—2011年間2月底到6月初，采用系統(tǒng)調(diào)查法每5d采集一次數(shù)據(jù)。

1.2 氣象數(shù)據(jù)

氣象數(shù)據(jù)來自山西省氣象局。以1980—2006年，每年2月1日到5月10日的氣象數(shù)據(jù)為基礎(chǔ)，統(tǒng)計得到月平均溫度、月平均最高溫度、月平均最低溫度、月平均濕度、月平均降水量、月平均日照時數(shù)、月平均風(fēng)速等作為單一氣象指標；計算復(fù)合氣象指標，包括每月的溫雨系數(shù)（降雨量／平均氣溫）、晴雨系數(shù)（降雨量／日照時數(shù)）、溫濕系數(shù)（平均濕度／平均氣溫）［10］；將單一氣象指標與復(fù)合氣象指標共同建表（表1）。

表1 氣象因子對照表Table1 The contrast table of meteorological factor

1.3 歸一化法處理數(shù)據(jù)

由于各氣象因子量綱和數(shù)量級單位均不同，因此在建模之前，要將所有變量進行變換處理，使所有變量處于一個標準的范圍內(nèi)。常用的數(shù)據(jù)處理方法有歸一化法、極差正規(guī)化法、標準化法、對數(shù)變換法等，本實驗采用較常用的歸一化法對所有變量進行預(yù)處理。

神經(jīng)網(wǎng)絡(luò)對［0，l］間的數(shù)據(jù)最敏感［11，12］，在建模之前，將成分因子歸一化處理到［0，l］范圍內(nèi)。歸一化公式為：

式中，xi表示數(shù)據(jù)原始值，x表示歸一化后的數(shù)據(jù)，xmax、xmin分別表示每一類成分因子的最大值和最小值。

1.4 BP神經(jīng)網(wǎng)絡(luò)介紹及建模程序

神經(jīng) 網(wǎng) 絡(luò) （artificial neural network，縮 寫ANN）模擬人腦結(jié)構(gòu)設(shè)計，是人腦的一種物理抽象、簡化和模擬，具有很強的非線性信息處理能力，人工神經(jīng)元通過不同聯(lián)結(jié)方式組成網(wǎng)絡(luò)結(jié)構(gòu)［13］。神經(jīng)網(wǎng)絡(luò)具有非線性、非局限性、非常定性、非凸性等四個基本特征，采用并行分布式系統(tǒng)，克服了傳統(tǒng)的基于邏輯符號的人工智能在處理直覺、非結(jié)構(gòu)化信息方面的缺陷，具有良好的自適應(yīng)、自組織和自學(xué)習(xí)能力［14］。神經(jīng)網(wǎng)絡(luò)的類型很多，網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)算法不同，可分為單層前向網(wǎng)絡(luò)、多層前向網(wǎng)絡(luò)、反饋網(wǎng)絡(luò)、隨機神經(jīng)網(wǎng)絡(luò)等類型，常用的有BP神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)等。

本實驗采用MATLAB軟件編寫神經(jīng)網(wǎng)絡(luò)程序，建立BP神經(jīng)網(wǎng)絡(luò)模型，將1980—2006年作為訓(xùn)練集進行建模，2007—2011年作為測試集進行預(yù)測，具體預(yù)測流程如圖1所示。

將1980—2006年麥蚜最大蟲株率作為訓(xùn)練集，2007—2011年麥蚜最大蟲株率作為測試集。建模程序分為數(shù)據(jù)歸一化、網(wǎng)絡(luò)訓(xùn)練、網(wǎng)絡(luò)預(yù)測、誤差分析、結(jié)果作圖等過程。在本實驗中設(shè)計的神經(jīng)網(wǎng)絡(luò)為3層結(jié)構(gòu)，由一個輸入層、一個隱含層和一個輸出層組成，進行網(wǎng)絡(luò)訓(xùn)練時選擇LM算法。神經(jīng)網(wǎng)絡(luò)的參數(shù)很多，有輸入層節(jié)點數(shù)、隱含層節(jié)點數(shù)、輸出層節(jié)點數(shù)、傳遞函數(shù)、訓(xùn)練函數(shù)、學(xué)習(xí)率等［15］。在網(wǎng)絡(luò)結(jié)構(gòu)、權(quán)重及閾值相同的情況下，隱含層節(jié)點數(shù)及傳遞函數(shù)的選擇，直接影響著網(wǎng)絡(luò)的學(xué)習(xí)能力和泛化能力［16］，根據(jù)經(jīng)驗，本實驗中設(shè)定輸入層節(jié)點數(shù)為100，隱含層節(jié)點數(shù)為10，輸出層節(jié)點數(shù)為1，訓(xùn)練迭代過程30，動量因子為0.9，訓(xùn)練步數(shù)30，學(xué)習(xí)率0.1，期望目標誤差最小值10－5。

圖1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測流程Fig.1 The prediction flow of BPNN

BP神經(jīng)網(wǎng)絡(luò)選用Sigmoid函數(shù)作為隱含層的傳遞函數(shù)，其定義如下：

S（x）＝ 1 1＋e－t

Sigmoid主要有三種類型，分別為logsig函數(shù)、tansig函數(shù)及purelin函數(shù)。本實驗設(shè)置的隱含層傳遞函數(shù)為tansig，輸出層傳遞函數(shù)為purelin。

1.5 參比模型

為評價BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的優(yōu)劣，選擇目前在病蟲害預(yù)測預(yù)報領(lǐng)域較為常用的逐步回歸法作為參比模型。在SPSS軟件中進行逐步回歸［17］，選擇“數(shù)理統(tǒng)計——回歸——線性回歸”，將訓(xùn)練集每年的麥蚜最大蟲株率作為Y值，表1所有氣象因子作為自變量，在方法框中選擇“逐步回歸”作為分析方法，按照逐步回歸結(jié)果，計算2007—2011年麥蚜最大蟲株率。

1.6 模型驗證方法

本實驗選擇模型擬合精度、平均絕對百分誤差（MAPE）和均方誤差（MSE）等評價指標對模型性能進行評價［18，19］。

公式中，yi為最大蟲株率的實際值，為模型的預(yù)測值，n為訓(xùn)練樣本數(shù)。

2 結(jié)果與分析

2.1 基于BP神經(jīng)網(wǎng)絡(luò)和逐步回歸法的1980－2006年麥蚜最大蟲株率擬合結(jié)果比較

運用逐步回歸法對麥蚜最大蟲株率進行預(yù)測，得到多元線性方程為：

y＝21.936＋37.086x49－7.732x63＋3.159x32＋16.299x97

采用該方程對訓(xùn)練集進行擬合，得到1980—2006年麥蚜最大蟲株率擬合圖（圖2）。

在逐步回歸法對麥蚜最大蟲株率的訓(xùn)練中，平均擬合精度為73.66%，最大擬合精度為99.87%，擬合精度超過90%的年份有8個；運用BP神經(jīng)網(wǎng)絡(luò)對1980—2006年麥蚜最大蟲株率進行訓(xùn)練（圖3），平均擬合精度為78.15%，最大擬合精度為99.16%，擬合精度超過90%的年份有11個，說明這兩個模型都基本體現(xiàn)了麥蚜最大蟲株率的發(fā)展規(guī)律。由于BP神經(jīng)網(wǎng)絡(luò)模型有較強的處理非線性問題的能力，因此其擬合效果略好于逐步回歸。BP神經(jīng)網(wǎng)絡(luò)基于經(jīng)驗風(fēng)險最小準則，其擬合效果取決于樣本數(shù)的多少，訓(xùn)練樣本越多，擬合精度越高，預(yù)測準確率越好，模型越穩(wěn)定；當訓(xùn)練樣本過小時，往往訓(xùn)練擬合精度高但預(yù)測效果差，易于出現(xiàn)過擬合現(xiàn)象。

圖2 逐步回歸法對麥蚜最大蟲株率的擬合結(jié)果Fig.2 The simulation effect of study by stepwise regression method

圖3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練擬合結(jié)果圖Fig.3 The simulation effect of study by BPNN

2.2 基于BP神經(jīng)網(wǎng)絡(luò)和逐步回歸法的2010—2011年麥蚜最大蟲株率預(yù)測結(jié)果比較

比較BP神經(jīng)網(wǎng)絡(luò)和逐步回歸模型的擬合精度和性能可得出（表2～表4）：

（1）BP神經(jīng)網(wǎng)絡(luò)的平均預(yù)測精度明顯高于逐步回歸，BP神經(jīng)網(wǎng)絡(luò)的平均預(yù)測精度為96.09%，逐步回歸法平均預(yù)測精度為75.74%。BP神經(jīng)網(wǎng)絡(luò)對麥蚜最大蟲株率的預(yù)測非常準確，5年的預(yù)測結(jié)果中3年超過95%。逐步回歸法的預(yù)測結(jié)果較差，只有2009年預(yù)測準確率為99.01%，2010年預(yù)測準確率最低，只有34.85%，主要是由于逐步回歸采用的是線性處理方法，麥蚜的發(fā)生受到氣象因子、自身生長發(fā)育、寄主生長發(fā)育、天敵等多種因素影響，逐步回歸法不能很好的處理非線性問題。

（2）比較兩種模型的均方誤差（MSE），BP神經(jīng)網(wǎng)絡(luò)模型的MSE值明顯小于逐步回歸，其預(yù)測的均好性高于逐步回歸，表明其穩(wěn)定性優(yōu)于逐步回歸法。

表2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果Table 2 The prediction results of BPNN

表3 逐步回歸預(yù)測結(jié)果Table 3 The prediction results of stepwise regression method

表4 BP神經(jīng)網(wǎng)絡(luò)和逐步回歸預(yù)測模型比較Table 4 Comparision of BPNN and stepwise regression method performances

3 討論與結(jié)論

害蟲發(fā)生是一個非常復(fù)雜的非線性過程，受到各種因素的影響，要建立準確且穩(wěn)定的預(yù)測模型具有一定的難度。本實驗建立了BP神經(jīng)網(wǎng)絡(luò)對麥蚜最大蟲株率的預(yù)測預(yù)報模型，并與逐步回歸法的預(yù)測精度和穩(wěn)定性進行了比較。結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測效果總體好于逐步回歸，主要是由于其處理非線性問題的能力、良好的自學(xué)習(xí)、自組織和自適應(yīng)性、良好的推廣能力。在取得影響害蟲發(fā)生且相當數(shù)量氣象因子的基礎(chǔ)上，此方法可較為準確的預(yù)測不同地區(qū)的病蟲害發(fā)生情況。

但運用BP神經(jīng)網(wǎng)絡(luò)在病蟲害預(yù)測預(yù)報中的研究較少，還存在許多亟待解決的問題。例如，本實驗中沒有考慮麥蚜越冬基數(shù)、天敵、寄主、防治措施等因素的影響，可通過進一步實驗對這些因素做定性定量分析后進入建模過程。如何更準確的確定神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點個數(shù)；當樣本量過大時，由于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)了過多的樣本致使輸出模型不能反映樣本內(nèi)含的規(guī)律，超出了學(xué)習(xí)的度，易出現(xiàn)過擬合現(xiàn)象，如何選擇樣本數(shù)量的問題。下一步，可嘗試對氣象因子采用逐步回歸法、主成分分析法等進行篩選；采用交叉驗證法、試湊法等對神經(jīng)網(wǎng)絡(luò)的初始參數(shù)進行優(yōu)化，以建立預(yù)測更加準確的神經(jīng)網(wǎng)絡(luò)預(yù)測預(yù)報模型。

［1］張孝羲，翟保平，牟吉元.昆蟲生態(tài)及預(yù)測預(yù)報［M］.北京：中國農(nóng)業(yè)出版社，1985：205－207.

［2］馬飛，許曉風(fēng)，張夕林，等.相空間重構(gòu)與神經(jīng)網(wǎng)絡(luò)融合預(yù)測模型及其在害蟲測報中的應(yīng)用［J］.生態(tài)學(xué)報，2002，22（8）：1297－1301.

［3］王洪亮，王丙麗，李朝偉.害蟲綜合治理研究進展［J］.河南科技學(xué)院學(xué)報（自然科學(xué)版），2006，34（3）：40－42.

［4］張永生.害蟲預(yù)測預(yù)報方法的研究進展［J］.湖南農(nóng)業(yè)科學(xué)，2009，24（7）：77－79.

［5］陳恩會，王煒，張建軍.BP神經(jīng)網(wǎng)絡(luò)在病蟲預(yù)測預(yù)報中的應(yīng)用簡介［J］.湖北植保，2012，129（1）：41－44.

［6］王國昌，王洪亮，呂文彥，等.基于人工神經(jīng)網(wǎng)絡(luò)的害蟲預(yù)測預(yù)報［R］.第二屆亞太地區(qū)信息網(wǎng)絡(luò)數(shù)字會議報告，2011：110－112.

［7］歐釗榮，譚宗琨，蘇永秀.BP神經(jīng)網(wǎng)絡(luò)模型在甘蔗綿蚜蟲發(fā)生發(fā)展氣象等級預(yù)報中的應(yīng)用研究［J］.安徽農(nóng)業(yè)科學(xué)，2008，36（21）：9141－9143，9152.

［8］唐建軍，王映龍，彭瑩瓊.BP神經(jīng)網(wǎng)絡(luò)在水稻病蟲害診斷中的應(yīng)用研究［J］.安徽農(nóng)業(yè)科學(xué)，2010，38（1）：199－200，204.

［9］曹雅忠，尹姣，李克斌，等.小麥蚜蟲不斷猖獗原因及控制對策的探討［J］.植物保護，2006，32（5）：72－75.

［10］印毅.麥蚜種群的發(fā)生為害與主要影響因子分析［D］.揚州：揚州大學(xué)，2004.

［11］羅長壽，左強，李保國.基于遺傳算法的人工神經(jīng)網(wǎng)絡(luò)模型在冬小麥根系分布預(yù)報中的應(yīng)用［J］.應(yīng)用生態(tài)學(xué)報，2004，15（2）：354－356.

［12］陳明.MATLAB神經(jīng)網(wǎng)絡(luò)原理與實例精解［M］.北京：清華大學(xué)出版社，2013：156－191.

［13］張映梅，李修煉，趙惠燕.人工神經(jīng)網(wǎng)絡(luò)及其在小麥等作物病蟲害預(yù)測中的應(yīng)用［J］.麥類作物學(xué)報，2002，22（4）：84－87.

［14］朱大奇.人工神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀及其展望［J］.江南大學(xué)學(xué)報（自然科學(xué)版），2004，3（1）：103－109.

［15］Gang Liu，Xuehong Yang，Yingbing Ge，et al.An Artificial Neural Network－based Expert System for Fruit Tree Disease and Insect Pest Diagnosis［R］.IEEE International Conference on Networking，Sensing and Control.2006：1076－1079.

［16］傅薈璇，趙紅，王宇超.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計［M］.北京：機械工業(yè)出版社，2010：193－208.

［17］吳駿.SPSS統(tǒng)計分析從零開始學(xué)［M］.北京：清華大學(xué)出版社，2014：302－305.

［18］向昌盛，周子英.ARIMA與SVM 組合模型在害蟲預(yù)測中的應(yīng)用［J］.昆蟲學(xué)報，2010，53（9）：1055－1060.

［19］李啟權(quán)，王昌全，張文江，等.基于神經(jīng)網(wǎng)絡(luò)模型和地統(tǒng)計學(xué)方法的土壤養(yǎng)分空間分布預(yù)測［J］.應(yīng)用生態(tài)學(xué)報，2013，24（2）：459－466.