錢 曄，孫吉紅，彭 琳，李文峰，汪惜今，陸國泉

(1.云南農業(yè)大學 基礎與信息工程學院，云南 昆明 650201；2.云南省高校農業(yè)信息技術重點實驗室，云南 昆明 650201；3.云南省科學技術院，云南 昆明 650000；4.云南農業(yè)大學 新農村發(fā)展研究院，云南 昆明 650201；5.成都信息工程大學 大氣科學學院，四川 成都 610000)

基于智能算法的月季鮮切花病蟲害預測模型的探究

錢 曄1,2，孫吉紅3，彭 琳1,2，李文峰2,4，汪惜今5，陸國泉1,2

(1.云南農業(yè)大學 基礎與信息工程學院，云南 昆明 650201；2.云南省高校農業(yè)信息技術重點實驗室，云南 昆明 650201；3.云南省科學技術院，云南 昆明 650000；4.云南農業(yè)大學 新農村發(fā)展研究院，云南 昆明 650201；5.成都信息工程大學 大氣科學學院，四川 成都 610000)

針對傳統(tǒng)預測模型的主觀性強、成本偏高、誤差偏大等問題，設計并提出了基于自組織競爭神經網絡算法的月季鮮切花病蟲害預測模型。該模型能夠有效預防病蟲害危害，確保月季鮮切花的正常生長，從而確保云南省月季鮮切花的產量、質量和聲譽。以最為典型的月季鮮切花白粉病為實例，通過問卷調查、頭腦風暴法相結合的加權方法來確定影響因子的權重，并以60組影響因子的數(shù)據(jù)作為輸入數(shù)據(jù)，建立了基于自組織競爭神經網絡算法的病蟲害預測模型。將所提出模型的預測結果與采用名義小組法所建立傳統(tǒng)病蟲害預測模型的預測結果進行對比分析。實驗結果及其分析表明，基于自組織競爭神經網絡算法的預測模型可有效地為月季鮮切花種植企業(yè)、農戶、散戶提供更加準確的信息，降低了種植的盲目性。

智能算法；月季鮮切花病蟲害；自組織競爭神經網絡；預測

0 引 言

云南地區(qū)日照、年降雨量比較充沛[1]，氣候特殊異常，地理環(huán)境錯綜復雜，鑄就了絢麗多彩的月季鮮切花王國。云南省月季鮮切花品種極為豐富、價格低廉、產量巨大、銷售量穩(wěn)居全國第一，占據(jù)了全國70%以上的市場份額，出口量高達80億枝以上，是國內最大的月季鮮切花生產基地。

近年來，隨著云南省月季鮮切花產業(yè)的迅速發(fā)展，昆明斗南花卉市場成為亞洲最大的月季鮮切花交易市場。巨大的交易量對月季鮮切花的質量、品質要求更為嚴格，給月季鮮切花的生產商、農戶、散戶的生產帶來了新一輪挑戰(zhàn)。特別是月季鮮切花病蟲害的影響，嚴重制約了云南省月季鮮切花產業(yè)的發(fā)展，而傳統(tǒng)月季鮮切花病蟲害預測模型的局限性更加制約了農戶、散戶的發(fā)展。近年來國內外學者對預測方法進行了廣泛研究，主要方法有回歸預測法、神經網絡法和灰色預測法等[2-4]。

文中采用傳統(tǒng)的定性預測方法構建月季鮮切花病蟲害預測模型，并通過案例分析說明傳統(tǒng)模型的特點；然后，采用自組織競爭神經網絡算法[5]構建月季鮮切花病蟲害預測模型，并通過具體實驗進行對比分析。結果表明：使用智能化月季鮮切花病蟲害預測模型，對提高月季鮮切花的質量等級，增加收入具有重要的意義；對月季鮮切花生產企業(yè)、農戶規(guī)避市場風險，以及相關管理部門采取應對措施和政策都具有十分重要的意義。病蟲害預測系統(tǒng)研究的進步與成熟,將有利于整個月季鮮切花市場的穩(wěn)定和健康發(fā)展，為云南花卉產業(yè)化的發(fā)展開創(chuàng)了新的局面[6]。

1 傳統(tǒng)預測模型的構建

1.1 預測對象的確定

通過昆明斗南國際花卉拍賣市場官方網站的信息和月季鮮切花每日的銷量，初步確定以銷量最大的月季作為研究對象。并向花卉公司的管理人員、工作人員等進行咨詢，最終確定月季鮮切花作為鮮切花病蟲害預測的研究對象。

1.2 擬定備選方案

目標主要作為組織需要獲得的結果[7]。作為月季鮮切花生產企業(yè)、散戶和農戶，希望能夠及時掌握月季鮮切花病蟲害的發(fā)病時間，從而最大程度地避免損失。

首先，邀請6人作為頭腦風暴法的參與者，其中4人為花卉學的研究生，1人為花卉愛好者，1人為普通大學生。以月季與白粉病的關聯(lián)為題目暢所欲言。其中3人認為，月季作為最為暢銷的月季鮮切花，病蟲害的防治尤為重要，而白粉病作為月季最主要的病蟲害，應當適時了解白粉病發(fā)病的時間、源頭等信息；1人認為，白粉病嚴重影響了月季的品質；1人認為，如果能引進新品種，比如藍色品種、黑色品種，與本地品種進行雜交，以降低白粉病的發(fā)病率；1人認為，云南省的部分花卉公司和個人盲目種植月季鮮切花，不考慮其品質。然后，對6人的意見進行歸納、總結。

1.3 評估月季病蟲害預測模型的備選方案

通過查詢文獻對備選方案進行詳細分析，得出結論：

(1)月季鮮切花價格上漲是必然趨勢，但是因季節(jié)的不同月季鮮切花的價格將有較大的變化。情人節(jié)、國慶節(jié)、春節(jié)前月季鮮切花的價格大漲，經濟效益達到最大[8]。1-3月、11-12月云南省月季鮮切花的價格較高。

(2)月季鮮切花的抗病能力有待提高。如果能夠提升月季的抗病能力，將有助于提高其價位，更有利于月季鮮切花的生產商。

(3)對白粉病蟲害預測刻不容緩。

因此，種植月季鮮切花的首要問題就是病蟲害預防問題。

1.4 決 策

通過搜索大量文獻，最終對1.3節(jié)中的信息做出決策。確定云南省月季鮮切花作為最有市場前景的月季鮮切花之一，適宜花卉企業(yè)、散戶、農戶種植。但是由于白粉病嚴重影響了月季鮮切花的品質，導致企業(yè)、散戶、農戶的利潤下滑，所以，適時觀察月季病蟲害的情況，對病蟲害進行預測顯得非常必要。

1.5 實施方法的確定

方案實施作為決策過程中最重要的一步[9]。在確定構建月季鮮切花病蟲害預測模型之后，制定具體措施。具體步驟如下：

(1)因地制宜，制定具體的措施，保證月季鮮切花的質量。

(2)確保公司的管理者、種植戶能夠充分理解病蟲害對月季鮮切花品質的影響。

(3)應用目標管理方法把具體防治月季鮮切花病蟲害的方案層層分解，分別落實到每個部門或個人。

(4)建立專家信息庫，隨時掌握各種病蟲害的相關信息，及時調整，以確保企業(yè)利益的最大化。

1.6 監(jiān)督和控制

該方案涉及時間為1年。在這1年中，可能發(fā)生很多變化，而之前的分析是建立在對月季鮮切花病蟲害走勢的一個初步的估計之上，因此，企業(yè)管理者必須持續(xù)地對該方案修改并完善，以適應形勢的變化。

1.7 傳統(tǒng)病蟲害預測模型的案例分析

以下案例通過定性預測方法構建月季鮮切花病蟲害預測模型。假定時間為2014年1月，公司為云南省某中型月季鮮切花生產商。該企業(yè)主要以月季、百合、非洲菊、菊花等為主要產品。

該公司的決策人提出采用定性預測方法構建月季鮮切花病蟲害預測模型，解決第二年月季鮮切花種植、盈利等情況。首先，決策者根據(jù)昆明斗南國際花卉拍賣市場中2012年、2013年各種月季鮮切花的價格走勢情況、年拍賣量，確定了月季鮮切花作為預測的對象。邀請7人組成討論小組，其中5人為月季鮮切花的專業(yè)人員，1人為月季鮮切花的愛好人員，1人為隨機抽取人員。通過頭腦風暴法收集相關建議，根據(jù)最優(yōu)化原則擬定第二年生產月季鮮切花的備選方案。并分別對頭腦風暴法產生的備選方案進行評估。最后，通過公司專家組成員的評估備選方案對來年月季鮮切花的病蟲害趨勢進行預測。將該意見上報公司總經理，由總經理召開管理層會議，討論月季鮮切花在2015年的發(fā)展前景及病蟲害的發(fā)病率，最終采取多項措施進行防范。

該預測模型步驟緊湊，主要依靠收集大量的網絡信息、新聞、文獻資料，通過頭腦風暴法對月季鮮切花病蟲害的發(fā)病率進行預估，為高層管理者做出準確的決策提供了重要依據(jù)。

2 智能預測模型的構建

基于智能算法構建智能預測模型。同樣以月季鮮切花為例，選擇歸一化算法、自組織競爭人工神經網絡，構建月季鮮切花病蟲害預測模型。具體步驟如下：

2.1 確定訓練集數(shù)據(jù)、采集測試集數(shù)據(jù)

月季作為世界5大月季鮮切花之一，多年來一直受到人們的大力追捧，成為人們情趣生活中不可或缺的必需品之一。而白粉病作為月季最為嚴重的一種病蟲害，嚴重影響了其品質。

經各方面的專家研究表明，在不同的溫度、濕度下，白粉菌分生孢子的萌發(fā)概率不同:

首先，分生孢子在4～35 ℃的溫度范圍內均能萌發(fā)，但在4、10、30、33和35 ℃條件下萌發(fā)率相對較低。在15～25 ℃溫度范圍內，萌發(fā)率相對較高，在15、20、25℃條件下其萌發(fā)率分別為22.79%、6.56%和7.29%。孢子萌發(fā)的最適溫度為15 ℃[10]。其次，分生孢子最適萌發(fā)的相對濕度為98%～100%,而濕度小于93%萌發(fā)率很低,水滴中的萌發(fā)率更低[10]。對云南省氣象局公布的當天昆明市最高氣溫、最低氣溫、平均溫度、濕度等數(shù)據(jù)進行采集，將采集到的數(shù)據(jù)進行歸一化處理，作為神經網絡模型中的測試集數(shù)據(jù)。

2.2 利用歸一化算法減小數(shù)據(jù)量

原始數(shù)據(jù)中大量屬性值為大于1的整數(shù)[11]，使用premnmx函數(shù)，將其進行歸一化處理，使得各指標的值控制在(-1,1)內，避免輸入、輸出數(shù)據(jù)數(shù)量級差別較大而導致網絡預測誤差大的現(xiàn)象[12]。數(shù)據(jù)經過歸一化處理，降低了數(shù)據(jù)量，提高了智能模型的預測性能。

T=premnmx(t)

2*(m-min)/(max-min)-1

2.3 確定影響因素的權重

權重作為一個重要的量化評估指標，直接影響著評估的合理性。是否合理分配權重的比例對預測準確性來說尤為重要[13]。通過問卷調查結合頭腦風暴法方式打分確定溫度與濕度的權重，計算公式[14]如下:

權重=w分數(shù)相加之和÷w分數(shù)總分之和

其中，選擇/非常小計l分,/挺小計2分,/一般計3分,/挺大計4分,/非常大計5分。

2.4 月季白粉病智能預測模型的構建

自組織競爭神經網絡算法作為更類似于人類大腦中生物神經網絡的學習算法，能夠將輸入模式進行自組織訓練和判斷，將其最終分為不同的類型，從而實現(xiàn)更為準確的預測[15]。因此，使用自組織競爭神經網絡構建月季病蟲害預測模型。首先將張喜萍等[10]通過研究確定影響月季白粉病的因子作為影響因子，即溫度和濕度等，經過梳理并歸一化處理，作為自組織競爭神經網絡病蟲害預測模型的輸入端；然后通過采集云南省氣象局網站中公布的溫度、濕度等數(shù)據(jù)，作為測試集中的數(shù)據(jù)。其中，輸入層包括了4個神經元，輸出層包括1個神經元，為預測白粉病蟲害的等級。(一級設為1，二級設為2，三級設為3，每一級所對應的病蟲害嚴重程度不同，一級為最輕，三級為最嚴重。)

3 實驗與案例分析

以昆明月季鮮切花白粉病發(fā)病情況預測為例，以張喜萍等[10]通過實驗確定的影響月季白粉病的因子作為影響因子(即溫度和濕度等)，建立通用型月季鮮切花病蟲害預測模型，預測未來病蟲害的發(fā)病率。將昆明市最高氣溫、最低氣溫、平均溫度、濕度等4組數(shù)據(jù)作為測試集數(shù)據(jù)。

3.1 病蟲害預測模型流程

為了滿足病蟲害模型建設的需求，提高模型的性能，增強模型的預測能力，模型構建過程中引入了傳統(tǒng)的管理學決策方法進行預測，并與之進行對比。詳細流程如圖1所示。

3.2 實驗結果對比分析

按照建立的模型，將多個影響因子進行訓練，設定競爭層神經元個數(shù)為3，學習率為0.1。利用2015年6月-8月昆明的溫度、濕度作為測試數(shù)據(jù)進行病蟲害趨勢預測，建立一個自組織競爭神經網絡模型，較為準確地預測了月季鮮切花白粉病的發(fā)病時間及程度。

圖1 系統(tǒng)流程圖

表1列出了部分預測數(shù)據(jù)。表中清楚顯示，只要知道當日的最高溫度、最低溫度、最大濕度和最小濕度，就能預測月季鮮切花病蟲害發(fā)病的等級，從而采取有效的預防措施[16]，為農業(yè)病蟲害安全管理提供科技支撐。

表1 預測病蟲害等級的預警結果(表中均為歸一化后的數(shù)據(jù))

但是，傳統(tǒng)的病蟲害預測模型只能通過有經驗的技術工人進行判斷或者邀請相關專家進行粗略估計。月季鮮切花的品質取決于技術工人或者專家的判斷是否準確。而且，作為農戶、散戶以及一些小型的月季鮮切花企業(yè)很難承擔高額的專家咨詢費用，致使種植規(guī)模難以擴大，嚴重影響云南月季鮮切花產業(yè)的壯大。

4 結束語

云南省月季鮮切花產業(yè)的迅速發(fā)展，在給月季鮮切花生產商帶來巨額利潤的同時也提出了新的挑戰(zhàn)—月季鮮切花病蟲害的影響。通過傳統(tǒng)的月季鮮切花病蟲害預測模型與智能化的預測模型的對比分析表明，智能化月季鮮切花病蟲害預測模型更具有實用性、可靠性，具體表現(xiàn)在四個方面：一是能更為明確地預測病蟲害發(fā)生的級別，以便于月季鮮切花生產商、農戶、散戶進行病蟲害預防；二是能夠為相關的科研人員提供研究的數(shù)據(jù)；三是能夠在不依賴相關專家的情況下對月季鮮切花病蟲害進行預測，降低了成本，提高了效率；四是如果將該模型應用于云計算平臺中，將能夠為月季鮮切花生產商、散戶、農戶提供低價、高效、實用性強的服務，并且為建立云南省月季鮮切花大數(shù)據(jù)中心奠定基礎。

[1] 郭小輝.云南花卉產業(yè)發(fā)展分析及對策研究[D].昆明：昆明理工大學，2010.

[2] Hygh J S，Decarolis J F，Hill D B，et al．Multivariate regression as an energy assessment tool in early building design[J]．Building and Environment，2012，57(17)：165-175.

[3] Ferreira P M，Ruano A E，Silva S，et al．Neural networks based predictive control for thermal comfort and energy savings in public buildings[J]．Energy and Buildings，2012，55：238-251.

[4] Leephakpreeda T．Grey prediction on indoor comfort temperature for HVAC systems[J]．Expert Systems with Applications，2008，34(4)：2284-2289.

[5] Dia H.An object-oriented neural network approach to hort-term traffic forecasting[J]．European Journal of Operational Research，2001，131(2)：253-261.

[6] 高俊平,王守聰,孫自然.中國花卉產品質量和產品質量標準的現(xiàn)狀分析[M]//中國花卉科技二十年.北京：科學出版社,2000:344-352.

[7] 張善文，雷英杰，馮有前.MATLAB在時間序列分析中的應用[M].西安：西安電子科技大學出版社，2007.

[8] 姜曉劍，曹繼文，王磊明，等.基于物聯(lián)網的溫室紅椒發(fā)育模擬模型[J].江蘇農業(yè)科學，2015，43(10)：507-510.

[9] 周三多，陳傳明.管理學[M].北京：高等教育出版社，2000.

[10] 張喜萍,龔束芳,曲娟娟.環(huán)境條件對月季白粉菌的影響[J].東北林業(yè)大學學報,2003,31(4):76-77.

[11] 李吉龍，劉新平.基于BP神經網絡的未利用地開發(fā)生態(tài)風險預警研究-以新疆阜康市為例[J].江蘇農業(yè)科學，2015，43(10)：500-503.

[12] 孫吉紅，張麗蓮，武爾維，等.基于智能算法的價格預測模型探究[J].計算機技術與發(fā)展，2014,24(11)：107-109.

[13] 秦開大.鮮活農產品拍賣市場價格波動研究[D].昆明:昆明理工大學，2012

[14] 劉枚蓮，朱美華，黃 鍵．港口吞吐量預測影響因素篩選方法研究[J].水運工程，2011(3):76-80.

[15] 彭 琳，楊林楠.基于GRA/BPNN的農作物害蟲發(fā)生量預測模型[J].農機化研究，2013(6):19-24.

[16] 葛慶之，李鳳英，徐 陽，等.農藥助劑信息管理系統(tǒng)的設計與應用[J].江蘇農業(yè)科學，2015，43(5)：403-408.

ExplorationonChineseRoseCutFlowersDiseasesandInsectPestsForecastingModelBasedonIntelligentAlgorithm

QIAN Ye1,2，SUN Ji-hong3，PENG Lin1,2，LI Wen-feng2,4，WANG Xi-jin5，LU Guo-quan1,2

(1.School of Basis and Information Engineering,Yunnan Agricultural University,Kunming 650201，China;2.Key Laboratory of Agricultural Information Technology in Yunnan Province,Kunming 650201,China;3.Institute of Science and Technology in Yunnan,Kunming 650000,China;4.New Rural Development Research Institute，Yunnan Agricultural University,Kunming 650201,China;5.School of Atmosphere,Chengdu University of Information Technology,Chengdu 610000,China)

In view of the problems of strong subjectivity,high cost and big error for traditional forecast model,based on self-organizing competitive ANN,the fresh cut flower plant diseases and insect pests forecasting model is designed.It can effectively prevent insect pests diseases from hazarding the normal growth of fresh cut flower and make sure the production,quality and reputation of fresh cut flowers in Yunnan Province.Taking most typical Chinese rose cut flowers powdery mildew for instance,the weights of impact factors are determined through questionnaire survey in combination with brainstorming,and then based on self-organizing competitive ANN,the forecast model is to be built with 60 sets of impact factor as input of it.Compared with the traditional plant diseases and insect pests forecasting model,the experimental results show that the proposed model can provide effectively more accurate information for the fresh cut flowers enterprises,farmers,and retail investors to reduce their blindness of planting.

intelligent algorithm;fresh cut flowers plant diseases and insect pests;self-organizing competitive ANN;forecasting

TP301

A

1673-629X(2017)12-0157-04

10.3969/j.issn.1673-629X.2017.12.034

2016-07-27

2016-11-16 < class="emphasis_bold">網絡出版時間

時間：2017-08-01

國家自然科學基金資助項目(31260292)；云南省自然科學基金(2012FD020)；云南省教育科研基金項目(2015Y194)；云南省教育社會科學基金(2012C086)

錢 曄(1984-)，女，博士，CCF會員(E200017835G)，研究方向為軟件工程形式化方法、農業(yè)信息化。

http://kns.cnki.net/kcms/detail/61.1450.TP.20170801.1549.012.html