劉庭洋，李 燁，浦仕磊，李志宇，李文靜，吳 奇，王云月

(云南農(nóng)業(yè)大學(xué)植物保護(hù)學(xué)院/教育部生物多樣性與病害防控重點(diǎn)實(shí)驗(yàn)室，云南 昆明 650201)

?

基于BP神經(jīng)網(wǎng)絡(luò)的稻瘟病預(yù)測(cè)預(yù)報(bào)研究

劉庭洋，李 燁，浦仕磊，李志宇，李文靜，吳 奇，王云月*

(云南農(nóng)業(yè)大學(xué)植物保護(hù)學(xué)院/教育部生物多樣性與病害防控重點(diǎn)實(shí)驗(yàn)室，云南 昆明 650201)

【目的】稻瘟病是水稻主要病害之一，嚴(yán)重制約水稻高產(chǎn)穩(wěn)產(chǎn)。近年來(lái)隨著品種布局、耕作制度改變及氣候變化的影響，其流行程度年度間波動(dòng)很大。目前，稻瘟病在云南省各水稻產(chǎn)區(qū)呈現(xiàn)中等偏重發(fā)生的趨勢(shì)，預(yù)測(cè)預(yù)報(bào)作為指導(dǎo)防治的先行者，具有重要作用。【方法】為了及時(shí)有效的做好稻瘟病防范工作，本研究采用稻瘟病發(fā)生相關(guān)氣象因子及田間穗瘟病情指數(shù)，利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)，選取德宏州芒市為試驗(yàn)點(diǎn)開(kāi)展稻瘟病預(yù)測(cè)預(yù)報(bào)研究?！窘Y(jié)果】從氣象因子與預(yù)測(cè)對(duì)象的相關(guān)性來(lái)看，篩選出來(lái)的各氣象因子與病情指數(shù)之間都存在較強(qiáng)的相關(guān)性，其理想輸出和實(shí)際輸出值都比較接近，誤差曲線也比較吻合，預(yù)測(cè)準(zhǔn)確度能滿足實(shí)際需求?！窘Y(jié)論】由此可見(jiàn)，BP神經(jīng)網(wǎng)絡(luò)建立的稻瘟病中期預(yù)測(cè)模型更具有優(yōu)勢(shì)。不需要事先進(jìn)行數(shù)學(xué)公式表達(dá)，具有更高的預(yù)測(cè)準(zhǔn)確度，選擇試驗(yàn)點(diǎn)5-9月的氣象數(shù)據(jù)以及田間稻瘟病病情指數(shù)建立的預(yù)測(cè)預(yù)報(bào)模型，預(yù)測(cè)結(jié)果更為客觀和可靠，能及時(shí)做好稻瘟病的防控工作。

稻瘟??；BP神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)預(yù)報(bào)

【研究意義】稻瘟病(Rice blast)是云南省水稻重要病害之一，居于三大水稻病害之首，近年來(lái)該病在云南省常年發(fā)生面積23.33萬(wàn)hm2左右，約占水稻種植面積的24%，嚴(yán)重制約水稻高產(chǎn)穩(wěn)產(chǎn)[1-2]。隨著品種布局、耕作制度改變及氣候變化的影響，其流行程度年度間波動(dòng)很大。預(yù)測(cè)作為指導(dǎo)防治的先行者，其作用受到普遍關(guān)注?！厩叭搜芯窟M(jìn)展】稻瘟病的發(fā)生受到寄主、環(huán)境、病源三因素相互作用并與各影響因子間是一種復(fù)雜的交互關(guān)系，具有非線性的特點(diǎn)，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)具有較好的解決非線性的能力，良好的運(yùn)算效率，容錯(cuò)性和適應(yīng)性強(qiáng)等優(yōu)點(diǎn)，擺脫了傳統(tǒng)測(cè)報(bào)方法的運(yùn)算速度慢，準(zhǔn)確率低等缺陷[3～10]。 【本研究切入點(diǎn)】本研究采用稻瘟病發(fā)生相關(guān)氣象因子(溫度、濕度、降雨量、日照時(shí)數(shù))及田間穗瘟病情指數(shù)，利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)有效的預(yù)測(cè)稻瘟病發(fā)生趨勢(shì)和流行程度，【擬解決的關(guān)鍵問(wèn)題】用以指導(dǎo)重災(zāi)年份重點(diǎn)防控，抓住關(guān)鍵期及時(shí)用藥、統(tǒng)防統(tǒng)治，這樣不但可以節(jié)省人力、物力和財(cái)力，更可以減少濫用農(nóng)藥所帶來(lái)的環(huán)境污染，無(wú)疑具有重要的經(jīng)濟(jì)、生態(tài)效益[11-15]。

1 材料與方法

1.1 試驗(yàn)點(diǎn)的選擇

本研究結(jié)合各地稻瘟病發(fā)生程度、發(fā)生面積、品種布局及氣候環(huán)境因素，選取單雙季秈稻區(qū)的德宏州芒市作為本研究的試驗(yàn)點(diǎn)，該試驗(yàn)點(diǎn)為云南省水稻種植的主產(chǎn)區(qū)，稻瘟病為當(dāng)?shù)厮旧a(chǎn)中的主要病害，且當(dāng)?shù)氐臍夂?、水稻品種、病原菌以及栽培方式均有利于稻瘟病的發(fā)生，該地的稻瘟病發(fā)病較早。

1.2 數(shù)據(jù)收集

收集到本研究所需試驗(yàn)點(diǎn)近10年(2002-2012)年的氣象資料，包括(均溫、濕度、降雨量、雨日、日照時(shí)數(shù))以及往年稻瘟病發(fā)生情況(病情指數(shù))，該數(shù)據(jù)由芒市植保站提供。

為驗(yàn)證模型有效性，參照稻瘟病測(cè)報(bào)調(diào)查規(guī)范(GB/T 15970-2009)對(duì)2012年的水稻稻瘟病病害發(fā)生情況進(jìn)行田間調(diào)查。計(jì)算田間穗瘟病情指數(shù)。

1.3 預(yù)測(cè)因子篩選

利用SPSS軟件分析試驗(yàn)點(diǎn)的氣象因子與水稻稻瘟病之間的相關(guān)性，篩選出建模所需數(shù)據(jù)。本研究采用逐步回歸分析方法，進(jìn)行因子篩選。在SPSS中根據(jù)建立測(cè)報(bào)模型的需要，以篩選出對(duì)稻瘟病發(fā)病影響加大的因子和避免逐步回歸過(guò)程中過(guò)度擬合為目標(biāo)，將F值設(shè)置為：F值<0.15的自變量進(jìn)入回歸方程，而F值>0.18的自變量剔除，篩選出的顯著相關(guān)的氣象因子。

1.4 逐步回歸模型建立

在SPSS軟件中對(duì)氣象因子進(jìn)行逐步回歸分析，然后篩選出影響主要發(fā)病的氣象因子，并建立逐步回歸預(yù)測(cè)模型。

所采用逐步回歸模型為y=b0p+b1px1+b2px2+…+bnpxp+εp。

1.5 BP神經(jīng)網(wǎng)絡(luò)模型建立

在MATLAB軟件中選用traingd、raingdx、trainlm 3種訓(xùn)練函數(shù)，將歸一化后的數(shù)據(jù)作為BP網(wǎng)絡(luò)的學(xué)習(xí)樣本，氣象因子作為學(xué)習(xí)樣本的輸入數(shù)據(jù)，病情指數(shù)是學(xué)習(xí)樣本的輸出數(shù)據(jù)。用threshold函數(shù)規(guī)定輸入向量的最大值和最小值在[0,1]范圍內(nèi)，newff函數(shù)創(chuàng)建一個(gè)前向BP網(wǎng)絡(luò)。中間層神經(jīng)元傳遞函數(shù)采用S型正切函數(shù)，相應(yīng)的輸出層神經(jīng)元傳遞函數(shù)采用S型對(duì)數(shù)函數(shù)。選取合適隱層神經(jīng)元數(shù)目和訓(xùn)練函數(shù)，訓(xùn)練次數(shù)設(shè)置為100 000次，訓(xùn)練目標(biāo)誤差設(shè)置為0.0001，其他參數(shù)取默認(rèn)值。對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。以此來(lái)建立BP神經(jīng)網(wǎng)絡(luò)模型。

1.6 數(shù)據(jù)檢驗(yàn)

將芒市試驗(yàn)點(diǎn)的歷史數(shù)據(jù)輸入到逐步回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型中，檢驗(yàn)?zāi)Ｐ蛯?duì)歷史數(shù)據(jù)的預(yù)測(cè)準(zhǔn)確度。

將2012年數(shù)據(jù)作為測(cè)試數(shù)據(jù)輸入模型，進(jìn)行運(yùn)算，得到稻瘟病當(dāng)年病情指數(shù)的預(yù)測(cè)值，與實(shí)際病情指數(shù)進(jìn)行比較，計(jì)算絕對(duì)誤差及預(yù)測(cè)準(zhǔn)確度，評(píng)價(jià)模型的有效性。

2 結(jié)果與分析

2.1 SPSS統(tǒng)計(jì)篩選結(jié)果

表1 逐步回歸篩選出芒市氣象數(shù)據(jù)

經(jīng)過(guò)SPSS軟件逐步回歸篩選后與芒市水稻稻瘟病發(fā)生程度相關(guān)的氣象因素有：5月上旬累計(jì)日照時(shí)數(shù)、6月中旬平均濕度、6月下旬平均濕度、7月中旬累計(jì)降雨量、7月下旬累計(jì)日照時(shí)數(shù)，其中(上、中、下旬均以10 d為準(zhǔn))等5個(gè)氣象因子(表1)。從氣象因子與預(yù)測(cè)對(duì)象的相關(guān)性來(lái)看，篩選出來(lái)的各氣象因子與病情指數(shù)之間都存在較強(qiáng)的相關(guān)性。

2.2 芒市逐步回歸模型建立

芒市水稻稻瘟病的逐步回歸預(yù)測(cè)模型為y=-236.717+0.466X1-1.441X2+3.788X3+0.075X4+0.508X5回歸方程相關(guān)系數(shù)R=1，顯著性檢驗(yàn)F>100?；貧w方程總體回歸R值和F值達(dá)到極顯著水平。

利用傳統(tǒng)回歸模型計(jì)算出預(yù)測(cè)值后與芒市的實(shí)際病情指數(shù)比較(表2)，其中2005和2007年的回檢預(yù)測(cè)值與實(shí)際值存在一定的差距，且絕對(duì)誤差較大，由此可見(jiàn)傳統(tǒng)的回歸模型得出的預(yù)測(cè)結(jié)果還不是完全的精確。

2.3 芒市BP神經(jīng)網(wǎng)絡(luò)的模型建立

將芒市(2002-2011)年氣象數(shù)據(jù)作為輸入訓(xùn)練樣本，將(2002-2011)年的病情指數(shù)作為輸出訓(xùn)練樣本，以此來(lái)建立BP神經(jīng)網(wǎng)絡(luò)模型(表3)。

2.3.1 MATLAB歸一化結(jié)果 對(duì)芒市2002-2011年的數(shù)據(jù)進(jìn)行不同函數(shù)、不同隱含層神經(jīng)元數(shù)目進(jìn)行訓(xùn)練，所得結(jié)果都顯示traingd、traingdx、trainlm 3種訓(xùn)練函數(shù)的神經(jīng)網(wǎng)絡(luò)測(cè)報(bào)模型的隱層神經(jīng)元數(shù)目分別在17、13、15個(gè)時(shí)，每種訓(xùn)練函數(shù)的模型誤差最小，因此，芒市稻瘟病病害的3種訓(xùn)練函數(shù)神經(jīng)網(wǎng)絡(luò)測(cè)報(bào)模型的隱層神經(jīng)元數(shù)目分別選擇17、13、15。學(xué)習(xí)率分別為0.162、0.208、0.243。

2.3.2 3種訓(xùn)練函數(shù)建立的芒市稻瘟病BP神經(jīng)網(wǎng)絡(luò)性能圖 網(wǎng)絡(luò)初始化后，traingd訓(xùn)練函數(shù)建立的模型經(jīng)過(guò)100 000次訓(xùn)練后雖然網(wǎng)絡(luò)的性能沒(méi)有為0，但是輸出的均方誤差已經(jīng)很小了，網(wǎng)絡(luò)的誤差平方和為0.000289，達(dá)到目標(biāo)誤差的要求，網(wǎng)絡(luò)訓(xùn)練的誤差平方和變化曲線如圖1。

traingdx訓(xùn)練函數(shù)建立的模型經(jīng)過(guò)190次訓(xùn)練后網(wǎng)絡(luò)的誤差平方和為9.73e-05，達(dá)到目標(biāo)誤差的要求，網(wǎng)絡(luò)訓(xùn)練的誤差平方和變化曲線如圖2。

trainlm訓(xùn)練函數(shù)建立的模型經(jīng)過(guò)8次訓(xùn)練后網(wǎng)絡(luò)的誤差平方和為4.64e-05，達(dá)到目標(biāo)誤差的要求，網(wǎng)絡(luò)訓(xùn)練的誤差平方和變化曲線如圖3。

表3 MATLAB歸一化后的芒市氣象因子

圖1 traingd函數(shù)網(wǎng)絡(luò)性能圖Fig.1 Network performance chart for traingd function

圖2 traingdx函數(shù)網(wǎng)絡(luò)性能圖Fig.2 Network performance chart for traingdx function

圖3 trainlm函數(shù)網(wǎng)絡(luò)性能圖Fig.3 Network performance chart for trainlm function

在各自最適隱層神經(jīng)元數(shù)目的條件下，3種訓(xùn)練函數(shù)都可以使網(wǎng)絡(luò)收斂達(dá)到目標(biāo)誤差，traingd訓(xùn)練函數(shù)的速度最慢，所需訓(xùn)練步數(shù)多，trainlm訓(xùn)練函數(shù)速度最快，所需訓(xùn)練步數(shù)最少，traingdx訓(xùn)練函數(shù)的速度級(jí)所需步數(shù)居中。對(duì)比圖1～3可以看出traingd、traingdx訓(xùn)練函數(shù)的誤差平方和變化曲線比較平緩，而trainlm訓(xùn)練函數(shù)的誤差平方和變化曲線較尖銳。

鑒于trainlm訓(xùn)練函數(shù)是BP神經(jīng)網(wǎng)絡(luò)模型中3種函數(shù)性能最好，運(yùn)算速度最快的，因此選擇trainlm訓(xùn)練函數(shù)建立芒市試驗(yàn)點(diǎn)BP神經(jīng)網(wǎng)絡(luò)模型。利用MATLAB軟件得出以下結(jié)果(表4～6)得出芒市BP神經(jīng)網(wǎng)絡(luò)的輸出接點(diǎn)的閥值為-1.5290。

表4 芒市BP神經(jīng)網(wǎng)絡(luò)輸入層到隱含層的權(quán)重矩陣

表5 芒市BP神經(jīng)網(wǎng)絡(luò)隱含層和輸出層間的權(quán)重矩陣

Table 5 Weights matrix of Mangshi BP neural network hidden layer and the output layer

節(jié)點(diǎn)數(shù)Serialnumber權(quán)重矩陣Weightsmatrix12．556722．43063-4．399444．12795-1．486860．551071．88488-0．96809-1．000510-2．714211-1．2539121．657513-1．712214-1．8059150．1900

由以上過(guò)程得到芒市試驗(yàn)點(diǎn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)預(yù)報(bào)模型為:

其中，xi為預(yù)測(cè)當(dāng)年氣象因子輸入數(shù)據(jù)，yj為隱層節(jié)點(diǎn)輸出值，z為預(yù)測(cè)病情指數(shù)輸出值(該值為歸一化后的)，ωji和bj分別表示第i輸入節(jié)點(diǎn)到第j個(gè)

表6 芒市BP神經(jīng)網(wǎng)絡(luò)隱含層的閥值向量

2.3.3 芒市BP神經(jīng)網(wǎng)絡(luò)回歸模型誤差與預(yù)測(cè)精確度對(duì)比 表7～9結(jié)果顯示，芒市的traingd、traingdx、trainlm 3種訓(xùn)練函數(shù)模型對(duì)歷史數(shù)據(jù)回檢預(yù)測(cè)準(zhǔn)確度都在80%以上。其回檢預(yù)測(cè)值為合格。trainlm訓(xùn)練函數(shù)的模型預(yù)測(cè)準(zhǔn)確度最高，相比其他2個(gè)函數(shù)，trainlm訓(xùn)練函數(shù)對(duì)芒市的水稻稻瘟病的擬合程度更好。

表7 芒市traingd函數(shù)BP神經(jīng)網(wǎng)絡(luò)模型歷史數(shù)據(jù)回檢結(jié)果

表8 芒市traingdx函數(shù)BP神經(jīng)網(wǎng)絡(luò)模型歷史數(shù)據(jù)回檢結(jié)果

表9 芒市trainlm函數(shù)BP神經(jīng)網(wǎng)絡(luò)模型歷史數(shù)據(jù)回檢結(jié)果

2.3.4 VB環(huán)境下的簡(jiǎn)化BP神經(jīng)網(wǎng)絡(luò)可視化程序設(shè)計(jì) 運(yùn)用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)病情指數(shù)進(jìn)行預(yù)測(cè)，關(guān)鍵是生成符合歷史數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型，其中權(quán)、閾值等參數(shù)的確定顯得尤為重要。為方便相關(guān)農(nóng)業(yè)部門(mén)對(duì)病害病情指數(shù)的預(yù)測(cè)，給出簡(jiǎn)單易用的病情指數(shù)預(yù)測(cè)程序是具有重大現(xiàn)實(shí)意義的。

圖4 VB環(huán)境下芒市測(cè)報(bào)模型初始參數(shù)選擇Fig.4 Initial parameter selection of Mangshi forecasting model under VB environment

以下是在VB環(huán)境下對(duì)芒市試驗(yàn)點(diǎn)數(shù)據(jù)歸一化后的簡(jiǎn)易BP神經(jīng)網(wǎng)絡(luò)可視化測(cè)報(bào)。在不影響測(cè)報(bào)準(zhǔn)確性的要求下，對(duì)輸入層到隱層和隱層到輸出層的傳遞函數(shù)，均選擇logsig函數(shù)，且權(quán)值調(diào)節(jié)系數(shù)和閾值調(diào)節(jié)系數(shù)不再通過(guò)訓(xùn)練函數(shù)的調(diào)整迭代，而設(shè)定為0.1，網(wǎng)絡(luò)學(xué)習(xí)次數(shù)(訓(xùn)練次數(shù))為10000。

表11 2002-2012年芒市病情指數(shù)(歸一化后)

可視化測(cè)報(bào)程序的運(yùn)行操作過(guò)程分為3步：第1步，如圖4所示，為芒市試驗(yàn)點(diǎn)選取神經(jīng)網(wǎng)絡(luò)各層節(jié)點(diǎn)數(shù)，以芒市10年氣象數(shù)據(jù)為訓(xùn)練年分?jǐn)?shù)，以試驗(yàn)點(diǎn)篩選出的氣象因子數(shù)為輸入層節(jié)點(diǎn)個(gè)數(shù)，選擇15個(gè)隱含層數(shù)目，1個(gè)輸出層節(jié)點(diǎn)數(shù)。第2步，生成BP神經(jīng)網(wǎng)絡(luò)模型并對(duì)歷年數(shù)據(jù)進(jìn)行檢測(cè)。將2012年芒市篩選出的氣象因子歸一化處理后，輸入到VB測(cè)報(bào)程序，預(yù)報(bào)模型的權(quán)、閾系數(shù)及數(shù)據(jù)檢測(cè)結(jié)果見(jiàn)圖5，其理想輸出(實(shí)際病情指數(shù)歸一化)和實(shí)際輸出值都比較接近，誤差曲線也比較吻合，預(yù)測(cè)精確度都能達(dá)到80%以上(表10)。第3步，利用已生成BP神經(jīng)網(wǎng)絡(luò)測(cè)報(bào)模型，輸入2012年芒市相關(guān)影響因子的氣象數(shù)據(jù)，預(yù)測(cè)2012年的發(fā)病程度(歸一化)，預(yù)測(cè)輸出為：0.9897，而理想輸出為1.0000(表11)，預(yù)測(cè)精確度為98.97%，可以看出預(yù)測(cè)準(zhǔn)確度能滿足實(shí)際需求。

3 討 論

3.1 測(cè)報(bào)因子的選擇

影響稻瘟病發(fā)病的因子很多，在建立稻瘟病BP網(wǎng)絡(luò)預(yù)測(cè)模型時(shí)，這些因子不可能都作為預(yù)測(cè)因子，需選取那些對(duì)稻瘟病的發(fā)生影響明顯的因子，以提高預(yù)測(cè)的精度，在篩選預(yù)測(cè)因子時(shí)，選取了對(duì)水稻生長(zhǎng)有影響的氣象因子作為預(yù)測(cè)因子，從結(jié)果來(lái)看，5-6月的溫雨氣候條件顯著影響稻瘟病的發(fā)生，這主要是由于此時(shí)水稻正處于分蘗末至拔節(jié)的營(yíng)養(yǎng)生長(zhǎng)階段，是葉瘟發(fā)生發(fā)展的關(guān)鍵時(shí)期，這一時(shí)期氣象條件既影響水稻的長(zhǎng)勢(shì)長(zhǎng)相，又影響葉瘟的發(fā)病程度，從而影響后期穗瘟的流行強(qiáng)度，同時(shí)，7月中旬是水稻揚(yáng)花灌漿的生殖生長(zhǎng)階段，此時(shí)如遇連續(xù)多日低溫及降雨形成水膜的情況下，有利于病菌的繁殖和侵入，直接影響后期穗瘟的發(fā)生流行，是后期穗瘟發(fā)生至關(guān)重要的氣象因素；水稻生長(zhǎng)中后期，也就是水稻收割之前的8-9月在田間具有大量菌源的情況下，如遇連續(xù)陰雨悶熱天氣，也會(huì)造成病害的流行。

3.2 BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建

訓(xùn)練神經(jīng)網(wǎng)絡(luò)之間需要構(gòu)造一個(gè)網(wǎng)絡(luò)構(gòu)架，函數(shù)newff()就是用來(lái)構(gòu)建神經(jīng)網(wǎng)絡(luò)的。它需要4個(gè)輸入條件，依次是：由R維的輸入樣本最大最小值構(gòu)成的R>2維矩陣，各層的神經(jīng)元個(gè)數(shù)，各層神經(jīng)元的傳遞函數(shù)以及訓(xùn)練用函數(shù)的名稱。

假設(shè)需要構(gòu)建1個(gè)2層神經(jīng)網(wǎng)絡(luò)，其輸入向量是二維的，輸入向量的范圍為[-1 2； 0 5]，第1層(隱層)有3個(gè)神經(jīng)元，傳遞函數(shù)是tansing()；第2層(輸出層)是單個(gè)神經(jīng)元，傳遞函數(shù)是線性的，訓(xùn)練函數(shù)選擇traingd()，至此就生成了初始化待訓(xùn)練的神經(jīng)網(wǎng)絡(luò)。

3.3 BP神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元數(shù)目的選取

改變非線性函數(shù)的頻率和BP神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元的數(shù)目，對(duì)于函數(shù)逼近的效果有一定的影響，網(wǎng)絡(luò)非線性程度越高，對(duì)于BP神經(jīng)網(wǎng)絡(luò)的要求越高，則相同的網(wǎng)絡(luò)逼近效果要差一些；隱層神經(jīng)元的數(shù)目對(duì)于網(wǎng)絡(luò)逼近效果也有一定的影響，一般來(lái)說(shuō)，隱層神經(jīng)元數(shù)目越多，則BP網(wǎng)絡(luò)逼近非線性函數(shù)的能力越強(qiáng)，同時(shí)網(wǎng)絡(luò)訓(xùn)練所用的時(shí)間相對(duì)來(lái)說(shuō)要更長(zhǎng)一些。因而，在設(shè)計(jì)一個(gè)神經(jīng)網(wǎng)絡(luò)時(shí)可以結(jié)合該公式以及經(jīng)驗(yàn)，選準(zhǔn)一定的隱層神經(jīng)元數(shù)目進(jìn)行網(wǎng)絡(luò)訓(xùn)練，驗(yàn)證所設(shè)定的這些值是否能賦予神經(jīng)網(wǎng)絡(luò)良好的性能，從中找出適合的隱層神經(jīng)元數(shù)目。

4 結(jié) 論

(1)影響稻瘟病發(fā)生的因素很多，但主要因素是氣象條件，結(jié)果表明，從5月水稻分蘗期到9月水稻收割前起的溫度、濕度、降雨量以及日照時(shí)數(shù)與試驗(yàn)點(diǎn)水稻稻瘟病發(fā)生息息相關(guān)，因此選擇試驗(yàn)點(diǎn)5-9月的氣象數(shù)據(jù)以及田間稻瘟病病情指數(shù)來(lái)建立預(yù)測(cè)預(yù)報(bào)模型，以及時(shí)做好稻瘟病防控工作。

(2)利用3層BP網(wǎng)絡(luò)建立的稻瘟病中期預(yù)測(cè)模型更具有優(yōu)勢(shì)。不需要事先進(jìn)行數(shù)學(xué)公式表達(dá)，具有更高的預(yù)測(cè)準(zhǔn)確度，預(yù)測(cè)結(jié)果更為客觀和可靠。可以更好地反映出病害與相關(guān)因子間的函數(shù)關(guān)系，其擬合與預(yù)測(cè)精度均較高。

[1]張思竹.云南省水稻產(chǎn)業(yè)發(fā)展報(bào)告[R]. 2011.

[2]王園媛, 李曉菲, 陳 濤, 等. 云南省水稻白葉枯病BP神經(jīng)網(wǎng)絡(luò)測(cè)報(bào)技術(shù)研究[J].云南農(nóng)業(yè)大學(xué)學(xué)報(bào),2013,28(2):257-263.

[3]張 蕾, 燕亞菲, 劉志紅, 等. 灰色人工神經(jīng)網(wǎng)絡(luò)在稻瘟病發(fā)生預(yù)報(bào)中的應(yīng)用[J].中國(guó)農(nóng)學(xué)通報(bào), 2010，26(12):238-241.

[4]唐啟義, 程家安, 蔣學(xué)輝, 等. 晚稻稻瘟病BP神經(jīng)網(wǎng)絡(luò)分區(qū)預(yù)報(bào)[J].植物保護(hù)學(xué),2002，2(3):205-209.

[5]張孝羲, 張躍進(jìn).農(nóng)作物有害生物預(yù)測(cè)學(xué)[M].北京: 中國(guó)農(nóng)業(yè)出版社,2006.

[6]張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M]．北京：機(jī)械工業(yè)出版社，2009.

[7]張映梅, 李修煉, 趙慧燕， 等. 人工神經(jīng)網(wǎng)絡(luò)及其在小麥等作物病蟲(chóng)害等預(yù)測(cè)中的應(yīng)用[J].麥類作物學(xué)報(bào)，2002，22(4)：84-87.

[8]陳觀浩, 張耀忠, 董 鵬, 等. 早稻葉瘟灰色災(zāi)變長(zhǎng)期預(yù)測(cè)模型[J].山地農(nóng)業(yè)生物學(xué)報(bào),2003,22(6):209-511.

[9]何忠全, 張志濤, 陳志誼, 等. 我國(guó)水稻病蟲(chóng)害防治技術(shù)研究現(xiàn)狀及發(fā)展策略[J]. 西南農(nóng)業(yè)學(xué)報(bào),2004(1): 110-114.

[10]胡小平, 楊之為, 李振岐, 等.漢中地區(qū)小麥條銹病的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)[J].西北農(nóng)業(yè)學(xué)報(bào), 2000(3): 28-31.

[11]黃偉杰, 劉曉平, 李 軍, 等. 基于BP網(wǎng)絡(luò)的水利工程投資風(fēng)險(xiǎn)評(píng)價(jià)[J]. 長(zhǎng)沙理工大學(xué)學(xué)報(bào), 2004, 1(2): 34-38.

[12]李祚泳, 彭荔紅, 等. 基于人工神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)病蟲(chóng)害預(yù)測(cè)模型及其效果檢驗(yàn)[J].生態(tài)學(xué)報(bào), 1999,19(5):759-762.

[13]殷世才, 周曉吉, 楊和生, 等.穗瘟測(cè)報(bào)模型及應(yīng)用[J].云南農(nóng)業(yè)大學(xué)學(xué)報(bào),1998,13(1): 97-101.

[14]周開(kāi)利, 康耀紅. 神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)[M].北京: 清華大學(xué)出版社,2005.

[15]吳先麗, 彭洪江, 彭仕鐘. 水稻稻瘟病葉瘟與穗頸瘟相關(guān)性分析[J].西南農(nóng)業(yè)學(xué)報(bào),1995, 8(4): 79-83.

(責(zé)任編輯 王家銀)

Investigation of Rice Blast Prediction and Forecast Based on BP Neural Network

LIU Ting-yang, LI Ye, PU Shi-lei, LI Zhi-yu, LI Wen-jing, WU Qi, WANG Yun-yue*

(Key Laboratory of Biological Diversity to Control Pests and Diseases, Ministry of Education/College of Plant Protection, Yunnan Agricultural University, Yunnan Kunming 650201, China)

【Objective】Rice blast was one of the major diseases of rice, and seriously restricted stable high yield of rice. With the influence of varieties layout, cropping system and climate change in recent years, the prevalence of inter-annual fluctuation was very large. Currently, the rice blast showed a trend towards the middle to high of the rice-producing areas in Yunnan Province. Prediction and forecast played an important role as a pioneer of the guide of prevention and control. 【Method】In order to timely and effective do a good job of rice blast prevention work, we adopted its related meteorological factors and field rice panicle blast disease index, used BP neural network technology, selected Dehong prefecture Mang city as a test point to carry out the prediction and forecast research. 【Result】From the relevance of meteorological factor and forecasting object, there was a strong correlation between various meteorological factors by screening and the disease index, the ideal and actual output values were closer, error curve was consistent, prediction accuracy could satisfy the actual demand.【Conclusion】The medium-term prediction model of the rice blast disease established by BP neural network was more advantageous, that was no need for a mathematical formula to express in advance, had a higher prediction accuracy. The prediction model was established by 5-9 meteorological data of experimental sites and disease index of rice blast in the field were more objective and reliable, and could do a good job of disease prevention and control.

Rice blast; BP neural network; Prediction and forecast

1001-4829(2017)7-1546-08

10.16213/j.cnki.scjas.2017.7.014

2015-09-10

云南省現(xiàn)代農(nóng)業(yè)水稻產(chǎn)業(yè)技術(shù)體系

劉庭洋(1988-)，男，河南信陽(yáng)人，碩士研究生, 主要從事水稻稻瘟病預(yù)測(cè)預(yù)報(bào)研究,E-mail：136216341@qq.com。*為通訊作者，王云月(1962-)，女，云南昆明人，教授，博士生導(dǎo)師，主要從事利用生物多樣性控制病蟲(chóng)害促進(jìn)種質(zhì)資源保護(hù)研究，E-mail：1371209436@qq.com。

S435.111.4+1

A