王獻(xiàn)鋒，丁軍，朱義海

（1.西京學(xué)院理學(xué)院，西安 710123；2.Tableau Software，Seattle，WA 98103，USA）

棉花是我國(guó)的1種重要經(jīng)濟(jì)作物，也是1種很容易受到多種病蟲(chóng)害侵染的作物。據(jù)農(nóng)業(yè)部門(mén)統(tǒng)計(jì)，棉花病蟲(chóng)害約有40余種，其中發(fā)生頻繁、危害較大的“三蟲(chóng)”（棉鈴蟲(chóng)、棉蚜蟲(chóng)、紅蜘蛛）和“兩病”（黃萎病、枯萎?。┦敲尢锏闹饕∠x(chóng)害，對(duì)棉花生產(chǎn)影響范圍大、持續(xù)影響時(shí)間長(zhǎng)，而且造成的損失較大[1-2]。研究表明，棉花病蟲(chóng)害發(fā)生需要一定的環(huán)境條件，而且具有一定規(guī)律，主要與溫度、濕度、降雨、風(fēng)、光照和CO2等氣候氣象因素有關(guān)[3-4]。農(nóng)作物病蟲(chóng)害預(yù)測(cè)是1個(gè)應(yīng)用性很強(qiáng)的研究方向[5-6]。趙冰梅等[7]預(yù)測(cè)了新疆兵團(tuán)2017年棉花主要病蟲(chóng)害發(fā)生趨勢(shì)，提出了相應(yīng)的防治對(duì)策和綜合防治措施，為做好棉花病蟲(chóng)害防治工作提供參考。劉俊稚[8]研究了幾種典型植物對(duì)大氣CO2濃度升高的生理和病理響應(yīng)，指出了CO2濃度升高不但影響植物的生長(zhǎng)發(fā)育，而且改變植物體內(nèi)的化學(xué)成分的組成與含量，從而直接和間接地影響到作物病蟲(chóng)害發(fā)生。張建華等[9]提出了1種在自然環(huán)境條件下基于粗糙集和反向傳播神經(jīng)網(wǎng)絡(luò) （Back propagation neural network，BPNN）的棉花病害識(shí)別方法。該方法利用粗糙集減少特征維數(shù)，使BPNN的訓(xùn)練時(shí)間縮短到原來(lái)的1/4。隨著計(jì)算機(jī)、遙感、互聯(lián)網(wǎng)、物聯(lián)網(wǎng)等技術(shù)的不斷發(fā)展，為棉花病蟲(chóng)害準(zhǔn)確預(yù)測(cè)和科學(xué)防治提供了可能[10]。特別的，物聯(lián)網(wǎng)能夠?yàn)槊藁ú∠x(chóng)害管理提供數(shù)據(jù)快速獲取、實(shí)時(shí)傳輸、統(tǒng)一存儲(chǔ)、空間分析到服務(wù)發(fā)布整個(gè)流程的有效解決方案。趙慶展等[11]設(shè)計(jì)了1套基于移動(dòng)地理信息系統(tǒng)（Geographic information system，GIS）的棉田病蟲(chóng)害信息采集系統(tǒng)。該系統(tǒng)為棉花病害的防治提供了有效的技術(shù)支持。陳光絨等[12]提出了1種基于物聯(lián)網(wǎng)技術(shù)的農(nóng)作物病蟲(chóng)害自動(dòng)測(cè)報(bào)系統(tǒng)。王翔宇等[13]研究了農(nóng)業(yè)主要病害檢測(cè)與預(yù)警技術(shù)。王獻(xiàn)鋒等[14]將作物的病害葉片圖像和病害的環(huán)境信息相結(jié)合，提出了1種基于葉片圖像和環(huán)境信息的黃瓜病害識(shí)別方法。許金霞[15]利用智能移動(dòng)終端實(shí)現(xiàn)了棉田蟲(chóng)害空間及屬性信息的快速獲取，通過(guò)搭建統(tǒng)一的信息服務(wù)平臺(tái)，能夠?yàn)檗r(nóng)戶(hù)和基層農(nóng)技人員及時(shí)提供蟲(chóng)害的相關(guān)預(yù)警防治信息。

盡管現(xiàn)有的很多作物預(yù)測(cè)方法、技術(shù)和系統(tǒng)取得了較高的預(yù)測(cè)正確率，但由于農(nóng)作物病蟲(chóng)害發(fā)生和發(fā)展涉及的因素很多，而且各因素之間存在著復(fù)雜的相互作用和相互影響[16-18]，使得傳統(tǒng)的病蟲(chóng)害預(yù)測(cè)模型的表達(dá)能力和泛化能力有限，預(yù)測(cè)正確率不高，很多現(xiàn)有的預(yù)測(cè)模型還不能滿(mǎn)足實(shí)際病蟲(chóng)害預(yù)測(cè)系統(tǒng)的要求。

深度學(xué)習(xí)是近年來(lái)人工智能和模式識(shí)別領(lǐng)域的1種新穎的、非常有效的機(jī)器學(xué)習(xí)方法，并在作物病蟲(chóng)害預(yù)測(cè)中取得了成功應(yīng)用[19]。深度信念網(wǎng)絡(luò)（Deep belief network，DBN）是 1 種經(jīng)典的雙向深度網(wǎng)絡(luò)方法，具有較強(qiáng)的數(shù)據(jù)分類(lèi)和預(yù)測(cè)能力。張善文等[20]引入冬棗病蟲(chóng)害的先驗(yàn)信息，提出了1種基于環(huán)境信息和改進(jìn)DBN的冬棗病蟲(chóng)害預(yù)測(cè)模型，取得了較高的預(yù)測(cè)正確率。該研究可為作物病蟲(chóng)害預(yù)測(cè)提供技術(shù)參考。王秀美等[21]將深度信念網(wǎng)絡(luò)用于小麥蚜蟲(chóng)的短期預(yù)測(cè)，并對(duì)小麥蚜蟲(chóng)發(fā)生量以及發(fā)生程度進(jìn)行預(yù)測(cè)。結(jié)果表明，與淺層學(xué)習(xí)模型相比，深度信念網(wǎng)絡(luò)的預(yù)測(cè)誤差較小、推廣能力強(qiáng)，可以為小麥蚜蟲(chóng)的防治提供及時(shí)有效的指導(dǎo)。因此，本文利用棉花生長(zhǎng)的環(huán)境信息，提出1種基于DBN的棉花病蟲(chóng)害預(yù)測(cè)模型。

1 材料與方法

1.1 數(shù)據(jù)采集與處理

以上研究表明，氣溫、濕度、降水、光照等氣候氣象變化直接影響到棉花病蟲(chóng)害的發(fā)生種類(lèi)、發(fā)生期及發(fā)生量。利用農(nóng)業(yè)物聯(lián)網(wǎng)的多種傳感器，采集與棉花的“三蟲(chóng)”（棉鈴蟲(chóng)、棉蚜蟲(chóng)、紅蜘蛛）及“兩病”（黃萎病、枯萎?。┌l(fā)生和發(fā)展對(duì)應(yīng)時(shí)段的12種環(huán)境信息：發(fā)病季節(jié)、土壤溫度和濕度、土壤鹽分、土壤是否連種、空氣溫度和濕度、光照強(qiáng)度、降水量、降水日數(shù)、CO2濃度和農(nóng)藥使用量[22-24]。根據(jù)歷史數(shù)據(jù)、按照月份，將棉花的不同病蟲(chóng)害的發(fā)生期劃分為5個(gè)等級(jí)：0.9、0.7、0.5、0.3和0.1；將光照強(qiáng)度由強(qiáng)到弱設(shè)置為4個(gè)等級(jí)[25]：0.7、0.5、0.3 和 0.1；將農(nóng)藥用量由多到無(wú)分別設(shè)置為4個(gè)等級(jí)：0.7、0.4、0.2和0；按照土壤沒(méi)有連種、連種1次、連種2次以上，將土壤是否連種信息分別設(shè)置為3個(gè)等級(jí)：0、0.2和0.4。從早上8點(diǎn)到下午5點(diǎn)間隔1 h采集溫度、濕度和光照時(shí)間，然后計(jì)算日平均溫度、日平均相對(duì)濕度和日平均光照時(shí)間。本文根據(jù)所采集的實(shí)際棉花病蟲(chóng)害發(fā)生數(shù)據(jù)，制定棉花的“三蟲(chóng)”和“兩病”的發(fā)生程度等級(jí)劃分方案[2,24-25]。

單幅病害葉片的病害等級(jí)劃分標(biāo)準(zhǔn)為：0級(jí)：無(wú)病害；1級(jí)：斑點(diǎn)占葉面10%以下；2級(jí)：斑點(diǎn)占葉面10%～20%；3級(jí)：斑點(diǎn)占葉面20%～30%；4級(jí)：斑點(diǎn)占葉面30%以上。則棉花病害的病情等級(jí)表示為[26-27]：

蟲(chóng)害等級(jí)劃分依據(jù)百株棉花上的蟲(chóng)量[15,27]：0級(jí)，無(wú)蟲(chóng)害；1級(jí)，百株數(shù)量在10頭以下；2級(jí)，百株蟲(chóng)量在10～20頭；3級(jí)，百株蟲(chóng)量在20～30頭；4級(jí)，百株蟲(chóng)量在30頭以上。

由于所采集到的環(huán)境信息數(shù)據(jù)的量綱不同，所以在利用這些數(shù)據(jù)之前需要進(jìn)行歸一化處理。具體的歸一化算法如下，其他因素對(duì)應(yīng)的信息值由式（2）歸一化：

式中，aj，bj（j＝1,2,……，n）分別為第j個(gè)環(huán)境信息數(shù)據(jù)歸一化前后的值分別為n個(gè)數(shù)的最大值和最小值。

利用上述環(huán)境信息處理方法，將每天采集的各個(gè)環(huán)境信息進(jìn)行日平均，再進(jìn)行歸一化，最后組成1個(gè)12維的向量，作為當(dāng)天的環(huán)境信息向量樣本，應(yīng)該得到5×151×10=7 550個(gè)向量。但由于采集的部分環(huán)境信息數(shù)據(jù)缺失或不合理，所以我們只選擇了4 500個(gè)環(huán)境信息向量進(jìn)行下面的病蟲(chóng)害預(yù)測(cè)試驗(yàn)。

1.2 深度信念網(wǎng)絡(luò)

深度信念網(wǎng)絡(luò)（DBN）由若干個(gè)受限玻爾茲曼機(jī)（Restricted Boltzmann machine，RBM）網(wǎng)絡(luò)和最高層為1個(gè)有監(jiān)督學(xué)習(xí)的反向傳播（Back-propagation，BP）網(wǎng)絡(luò)堆疊組成[20-21]。 每個(gè)RBM網(wǎng)絡(luò)由可視層（即輸入數(shù)據(jù)VI?RD）和隱層（即 1個(gè)二值隨機(jī)隱變量構(gòu)成，可視層與隱層層內(nèi)各節(jié)點(diǎn)之間無(wú)連接、取值相互獨(dú)立。設(shè)所有的隱層和可見(jiàn)層神經(jīng)元均為二值分布， 神經(jīng)元數(shù)分別為m和n， 則RBM的2層的能量函數(shù)為：

由E（v，h；θ）可以得到在狀態(tài)（v，h）的聯(lián)合概率分布為：

由式（4）可得到可見(jiàn)層和隱層的輸出概率P（v|h）和P（h|v），即聯(lián)合概率分布P（v，h｜θ）的 2個(gè)邊際分布：

由于RBM的可見(jiàn)層節(jié)點(diǎn)與隱層節(jié)點(diǎn)的激活狀態(tài)之間相互獨(dú)立，則第j個(gè)隱層節(jié)點(diǎn)和第i個(gè)可見(jiàn)節(jié)點(diǎn)的輸出概率模型分別為：

式中，f（x）＝1/（1＋exp（－x））為 sigmoid 函數(shù)。

利用馬爾科夫鏈蒙特卡洛方法使RBM的可視層和隱含層互為條件，不斷地更新參數(shù)狀態(tài)，當(dāng)最終可視層和隱含層共同趨于平穩(wěn)狀態(tài)時(shí)，聯(lián)合概率分布P（v，h|θ）達(dá)到最大，然后求得P（v，h|θ）與初始狀態(tài)的聯(lián)合概率分布的斜率P（v，h|θ）/θ，使用下式（7）更新權(quán)值：

式中，t為迭代次數(shù)，η為學(xué)習(xí)速度，默認(rèn)取為迭代次數(shù)的倒數(shù)。

采用無(wú)監(jiān)督預(yù)訓(xùn)練和有監(jiān)督微調(diào)訓(xùn)練DBN[21]，將期望輸出和實(shí)際輸出之間的誤差進(jìn)行反向傳播，利用梯度下降法調(diào)整整個(gè)網(wǎng)絡(luò)的參數(shù)，尋找網(wǎng)絡(luò)的最優(yōu)參數(shù)。

1.3 基于改進(jìn)的DBN的棉花病蟲(chóng)害預(yù)測(cè)方法

學(xué)習(xí)速率η直接影響DBN的訓(xùn)練效果。若η過(guò)大，可能導(dǎo)致重構(gòu)誤差大，權(quán)重變化異常；而若η過(guò)小，則收斂速度較慢，訓(xùn)練時(shí)間過(guò)長(zhǎng)。為了解決這一問(wèn)題，采用動(dòng)態(tài)學(xué)習(xí)率和對(duì)比分散準(zhǔn)則（Contrastive divergence，CD）自適應(yīng)地為各個(gè)參數(shù)分配不同學(xué)習(xí)率，加快RBM的訓(xùn)練過(guò)程。其公式如下：

式中，g（i）是第i次更新所得到偏導(dǎo)數(shù)。

由式（8）得知，式中的分母會(huì)隨著迭代次數(shù)的增加而累加g（i），所以學(xué)習(xí)速率不再恒定。對(duì)于所有的參數(shù)來(lái)說(shuō)，學(xué)習(xí)速率都是越來(lái)越小，而且偏導(dǎo)越小，則學(xué)習(xí)速率減小越慢，即學(xué)習(xí)率較大。

利用馬爾科夫鏈的方法求得的聯(lián)合概率分布不容易保證收斂性，可以采用CD準(zhǔn)則提高計(jì)算速度和保證計(jì)算精度：

式中，P0為RBM在t＝0時(shí)(即初始狀態(tài))的聯(lián)合概率分布，Pn為經(jīng)過(guò)n步馬爾科夫鏈后網(wǎng)絡(luò)的聯(lián)合概率分布，P∞為馬氏鏈末端的分布，KL（P|P′）為P和P′之間的差異性。

由式 （9） 可知，CDn是衡量Pn介于P0與P∞之間的位置。在運(yùn)算中，不斷地將Pn賦值給P0，更新P0和Pn。

為了減小預(yù)測(cè)模型的訓(xùn)練和運(yùn)行時(shí)間，本文采用DBN的基本結(jié)構(gòu)為1個(gè)輸入層、3個(gè)隱含層和1個(gè)BP網(wǎng)絡(luò)輸出層。利用改進(jìn)的DBN進(jìn)行棉花病蟲(chóng)害預(yù)測(cè)，其主要流程如圖1[20]所示。

主要過(guò)程描述如下：

（1）數(shù)據(jù)采集和預(yù)處理。采集與棉花病蟲(chóng)害發(fā)生相關(guān)的環(huán)境信息，包括氣候、氣象信息、土壤信息等12種組成原始數(shù)據(jù)集，結(jié)合病蟲(chóng)害歷史數(shù)據(jù)，對(duì)每類(lèi)數(shù)據(jù)進(jìn)行量化、歸一化預(yù)處理，然后組成維數(shù)為12的信息向量，作為模型的輸入樣本集，再將所有樣本劃分為訓(xùn)練樣本集和測(cè)試樣本集，作為可視層數(shù)據(jù)輸入到最低層RBM。

圖1 基于DBN的預(yù)測(cè)模型Fig.1 Prediction model based on DBN

（2）構(gòu)造基于改進(jìn)DBN的棉花病蟲(chóng)害預(yù)測(cè)模型。采用試驗(yàn)方法對(duì)DBN的結(jié)構(gòu)進(jìn)行優(yōu)化設(shè)置，包括RBM的層數(shù)、輸入層結(jié)點(diǎn)數(shù)、隱含層結(jié)點(diǎn)數(shù)、學(xué)習(xí)率等。

（3）訓(xùn)練階段包括預(yù)訓(xùn)練和微調(diào)。利用訓(xùn)練樣本訓(xùn)練改進(jìn)DBN預(yù)測(cè)模型。在預(yù)訓(xùn)練階段，第1層RBM網(wǎng)絡(luò)的輸入為原始數(shù)據(jù)，它由可見(jiàn)層v0和隱藏層h0組成。第1層RBM網(wǎng)絡(luò)完成v0和h0之間的權(quán)值w0的學(xué)習(xí)后，進(jìn)入第2層RBM網(wǎng)絡(luò)的訓(xùn)練，此時(shí)h0＝v1。依此類(lèi)推，h1＝v2…，hn－1＝vn，得到各個(gè) RBM 之間的權(quán)值wi（i＝1，2，…，n），即DBN各隱藏層之間的參數(shù)。計(jì)算實(shí)際輸出和目標(biāo)輸出的誤差，使用與模型權(quán)重相關(guān)的函數(shù)表示這個(gè)誤差，再利用共軛梯度算法調(diào)整權(quán)重矩陣，最后得到誤差函數(shù)達(dá)到最小的網(wǎng)絡(luò)權(quán)重矩陣；在測(cè)試階段，DBN中的BP網(wǎng)絡(luò)接收最后1個(gè)RBM網(wǎng)絡(luò)的輸出，再利用Dropout方法有監(jiān)督地自上而下對(duì)整個(gè)DBN進(jìn)行微調(diào)。BP網(wǎng)絡(luò)以最后的RBM網(wǎng)絡(luò)的輸出作為輸入，有監(jiān)督地訓(xùn)練DBN的權(quán)值參數(shù)。

（4）測(cè)試階段。將測(cè)試樣本輸入到訓(xùn)練好的預(yù)測(cè)模型中，計(jì)算棉花病蟲(chóng)害的預(yù)測(cè)結(jié)果。病蟲(chóng)害預(yù)測(cè)模型的輸出層中的節(jié)點(diǎn)數(shù)為5，表示病害發(fā)生程度分為5個(gè)級(jí)別。其中，病蟲(chóng)害發(fā)生等級(jí)的預(yù)測(cè)期望輸出模式分別為 (1 0 0 0 0)代表0級(jí)，(0 1 0 0 0)代表 1 級(jí)，(0 0 1 0 0)代表 2 級(jí)，(0 0 0 1 0)代表3級(jí)，(0 0 0 0 1)代表4級(jí)。模型訓(xùn)練后的輸出結(jié)果為5個(gè)節(jié)點(diǎn)輸出的最大值對(duì)應(yīng)的病蟲(chóng)害等級(jí)[24]。

（5）預(yù)測(cè)結(jié)果分析。對(duì)于相同的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)，利用經(jīng)典的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法進(jìn)行預(yù)測(cè)，將預(yù)測(cè)結(jié)果與基于DBN的預(yù)測(cè)模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比。

2 結(jié)果與分析

2.1 仿真試驗(yàn)設(shè)計(jì)

2.1.1試驗(yàn)平臺(tái)。采用的硬件環(huán)境為內(nèi)存32 G，CPU Intel(R)Core(TM)i7-4790 8*3.60 GHz，GPU GeForce GTX Titan X，訓(xùn)練速度是單核Intel 3.47 GHz的15倍以上，深度學(xué)習(xí)架構(gòu)為T(mén)ensorflow，編程語(yǔ)言為python。

2.1.2模型訓(xùn)練。利用無(wú)標(biāo)簽4 000個(gè)環(huán)境信息向量樣本數(shù)據(jù)集預(yù)訓(xùn)練預(yù)測(cè)模型，再利用1 000個(gè)帶標(biāo)簽環(huán)境信息向量樣本有監(jiān)督地微調(diào)預(yù)測(cè)模型參數(shù)，待分類(lèi)器通過(guò)學(xué)習(xí)具有分類(lèi)能力后再利用新輸入的棉花環(huán)境信息數(shù)據(jù)，尋找預(yù)測(cè)率最高時(shí)對(duì)應(yīng)的輸入層結(jié)點(diǎn)數(shù)和隱含層結(jié)點(diǎn)數(shù)，預(yù)測(cè)病蟲(chóng)害發(fā)生和發(fā)展的等級(jí)。由于DBN對(duì)相關(guān)的初始參數(shù)十分敏感，為了獲得高效的預(yù)測(cè)正確率，首先需要確定3個(gè)參數(shù)：DBN的層數(shù)、每一隱層的節(jié)點(diǎn)個(gè)數(shù)和訓(xùn)練DBN模型需要迭代的次數(shù)。為此，通過(guò)大量試驗(yàn)對(duì)比獲得最優(yōu)的3個(gè)參數(shù)值來(lái)設(shè)置整個(gè)模型。模型評(píng)價(jià)指標(biāo)選擇為均方誤差，當(dāng)誤差值較大時(shí)說(shuō)明模型的預(yù)測(cè)精度較低；反之則說(shuō)明模型預(yù)測(cè)精度較高。在確定模型的網(wǎng)絡(luò)結(jié)構(gòu)后，先用訓(xùn)練樣本集進(jìn)行訓(xùn)練，得到模型各神經(jīng)元間的權(quán)值與偏置，利用訓(xùn)練好的模型對(duì)測(cè)試樣本集的輸入變量進(jìn)行預(yù)測(cè)，判斷模型的預(yù)測(cè)值與真實(shí)值之間的誤差。當(dāng)輸出訓(xùn)練樣本集的預(yù)測(cè)誤差達(dá)到最小時(shí)的模型作為最終輸出模型[21-24,30]。在本試驗(yàn)中，輸入神經(jīng)元數(shù)為12，輸出神經(jīng)元數(shù)為4。為了簡(jiǎn)化模型，訓(xùn)練的DBN模型每層都采用相同的節(jié)點(diǎn)數(shù)。訓(xùn)練各個(gè)RBM時(shí)學(xué)習(xí)率為1，分組訓(xùn)練大小設(shè)置為32，反向傳播微調(diào)時(shí)學(xué)習(xí)率為1，動(dòng)量為0.5。根據(jù)DBM規(guī)模設(shè)置迭代次數(shù)t，一般取100～2 000。經(jīng)過(guò)多次試驗(yàn)得出識(shí)別率較好的DBN網(wǎng)絡(luò)隱含層從100開(kāi)始、步長(zhǎng)為50進(jìn)行增加，微調(diào)循環(huán)次數(shù)為50，dropout概率設(shè)置為0.2。在此基礎(chǔ)上進(jìn)一步確定各層神經(jīng)元數(shù)，經(jīng)過(guò)反復(fù)試驗(yàn)確定，每個(gè)隱層神經(jīng)元數(shù)為350時(shí)，獲得的高層特征效果最佳。最終確定的模型結(jié)構(gòu)為1個(gè)輸入層、3個(gè)隱含層和1個(gè)BP網(wǎng)絡(luò)輸出層。

2.1.3預(yù)測(cè)試驗(yàn)過(guò)程。采用10-折交叉驗(yàn)證法對(duì)4 500個(gè)環(huán)境信息向量重新進(jìn)行試驗(yàn)，即將4 500個(gè)樣本數(shù)據(jù)集分成10份，每份450個(gè)，輪流將其中1份作為測(cè)試數(shù)據(jù)測(cè)試模型，然后將剩余的1份作為測(cè)試數(shù)據(jù)輸入到訓(xùn)練好的模型進(jìn)行試驗(yàn)，得到10個(gè)測(cè)試結(jié)果，將其平均值作為1次試驗(yàn)結(jié)果。試驗(yàn)中，各節(jié)點(diǎn)輸出值大于0.90，則判定為該類(lèi)，預(yù)測(cè)結(jié)果表示為正確識(shí)別樣本數(shù)占450個(gè)樣本的百分比。重復(fù)進(jìn)行10-折交叉驗(yàn)證試驗(yàn)50次，計(jì)算5種算法的50次試驗(yàn)對(duì)不同類(lèi)病蟲(chóng)害的平均預(yù)測(cè)正確率以及各個(gè)算法的總體平均預(yù)測(cè)正確率。

2.2 預(yù)測(cè)結(jié)果與分析

基于DBN的棉花病蟲(chóng)害預(yù)測(cè)模型對(duì)“三蟲(chóng)、兩病”的總體平均預(yù)測(cè)結(jié)果見(jiàn)表1。作為比較，表1還列出了基于馬爾科夫轉(zhuǎn)移矩陣（Markov transfer matrix，MTM）[22]、BPNN[23]、RBF 網(wǎng)絡(luò)（RBF network，RBFN）[28]和 Apriori算法 （Apriori）[29]的棉花“三蟲(chóng)、兩病”的預(yù)測(cè)結(jié)果。

從表1可以看出，基于改進(jìn)DBN的棉花病蟲(chóng)害預(yù)測(cè)模型的預(yù)測(cè)正確率遠(yuǎn)高于其他4種預(yù)測(cè)方法，其原因是本文提出的基于DBN的預(yù)測(cè)方法能夠充分利用12種環(huán)境信息，從復(fù)雜的環(huán)境信息中深度挖掘病蟲(chóng)害預(yù)測(cè)特征，提取影響棉花病蟲(chóng)害發(fā)生和發(fā)展的主要因素，從而得到較好的預(yù)測(cè)結(jié)果。盡管DBN的訓(xùn)練時(shí)間很長(zhǎng)，但是當(dāng)模型訓(xùn)練好后識(shí)別時(shí)間比較短。試驗(yàn)結(jié)果表明，基于DBN的預(yù)測(cè)方法在利用環(huán)境信息預(yù)測(cè)農(nóng)作物病害中具有良好的特征學(xué)習(xí)性能，能夠滿(mǎn)足應(yīng)用的要求?；贏priori算法的棉花病蟲(chóng)害的預(yù)測(cè)結(jié)果優(yōu)于MTM、BPNN和RBFN，其原因是，利用Apriori算法能夠挖掘氣候因素與棉花病蟲(chóng)害的發(fā)生和發(fā)展之間的關(guān)系。由表1的試驗(yàn)結(jié)果表明，氣溫、濕度、降水、光照等氣候和氣象因子變化直接影響到棉花病蟲(chóng)害的發(fā)生種類(lèi)、發(fā)生期及發(fā)生程度，是預(yù)測(cè)病蟲(chóng)害的依據(jù)。

表1 基于5種預(yù)測(cè)模型的棉花病蟲(chóng)害的預(yù)測(cè)正確率及平均訓(xùn)練和識(shí)別時(shí)間Table 1 Forecasting accuracy of cotton diseases and pests by five forecasting models

3 結(jié)論與討論

利用農(nóng)作物生長(zhǎng)的環(huán)境信息預(yù)測(cè)病蟲(chóng)害發(fā)生和危害等級(jí)是當(dāng)前計(jì)算機(jī)科學(xué)和模式識(shí)別等領(lǐng)域研究的熱點(diǎn)問(wèn)題。面對(duì)海量、復(fù)雜、多變的環(huán)境信息，傳統(tǒng)的淺層學(xué)習(xí)算法難以從高維數(shù)據(jù)中學(xué)習(xí)到環(huán)境信息與病蟲(chóng)害發(fā)生之間的本質(zhì)聯(lián)系，所以得到的預(yù)測(cè)正確率不高。本文利用相對(duì)濕度、平均氣溫、降水量和日照時(shí)數(shù)等12種環(huán)境信息，建立基于DBN的棉花病蟲(chóng)害預(yù)測(cè)方法。在棉花的“三蟲(chóng)、兩病”數(shù)據(jù)集上進(jìn)行了試驗(yàn)驗(yàn)證，并與其他4種預(yù)測(cè)方法進(jìn)行了比較，結(jié)果證明了本文提出的預(yù)測(cè)方法的有效性。

該模型主要特點(diǎn)：（1）整合海量、多源的環(huán)境信息數(shù)據(jù)，能夠準(zhǔn)確預(yù)測(cè)棉花病蟲(chóng)害，在一定程度上克服了現(xiàn)有預(yù)測(cè)方法的缺陷。（2）該模型能夠深度挖掘與病蟲(chóng)害發(fā)生相關(guān)的環(huán)境信息之間內(nèi)在的聯(lián)系，能夠準(zhǔn)確預(yù)測(cè)作物病蟲(chóng)害發(fā)生。（3）該模型采用動(dòng)態(tài)學(xué)習(xí)率法則和對(duì)比分散準(zhǔn)則進(jìn)行網(wǎng)絡(luò)自訓(xùn)練，提高了訓(xùn)練速度。

該方法為棉花病蟲(chóng)害預(yù)測(cè)提供了1種新思路，但其預(yù)測(cè)性能的穩(wěn)定性和準(zhǔn)確性還需進(jìn)一步驗(yàn)證和改進(jìn)。關(guān)于DBN的隱含層數(shù)、隱含層節(jié)點(diǎn)數(shù)等的設(shè)置幾乎沒(méi)有理論依據(jù)，一般依靠經(jīng)驗(yàn)和試驗(yàn)結(jié)果進(jìn)行設(shè)置，花費(fèi)的時(shí)間比較長(zhǎng)。下一步研究重點(diǎn)為尋找DBN的參數(shù)設(shè)置的思路和依據(jù)，以提高預(yù)測(cè)方法的性能。