陳民 胡雪瓊 魯韋坤 周文文 陳亞平 李曉君 曹志勇

摘要? ? 人工神經(jīng)網(wǎng)絡(luò)是屬于機器學(xué)習(xí)領(lǐng)域中的監(jiān)督學(xué)習(xí)，利用神經(jīng)網(wǎng)絡(luò)的非線性逼近能力，對病害的發(fā)生時間、感染程度以及病害遷移方向進(jìn)行預(yù)測。相比于傳統(tǒng)的病害預(yù)測方式，人工神經(jīng)網(wǎng)絡(luò)具有實時性高、精度高、容錯性強等特點，為農(nóng)業(yè)現(xiàn)代化提供了另一種技術(shù)支撐。本文通過研究資料發(fā)現(xiàn)，農(nóng)業(yè)病害的發(fā)生與氣候有巨大的關(guān)系，可結(jié)合這點并利用神經(jīng)網(wǎng)絡(luò)的強大學(xué)習(xí)能力對歷史病害數(shù)據(jù)與發(fā)生程度進(jìn)行分類處理，最后再利用已訓(xùn)練好的網(wǎng)絡(luò)模型預(yù)測未來病害的發(fā)生趨勢。

關(guān)鍵詞? ? 農(nóng)業(yè)病害;預(yù)測;人工神經(jīng)網(wǎng)絡(luò)

中圖分類號? ? S126? ? ? ? 文獻(xiàn)標(biāo)識碼? ? A

文章編號? ?1007-5739（2020）21-0136-05? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）

Application? of? Artificial? Neural? Network? in? Agricultural? Disease? Prediction

CHEN Min 1? ? HU Xueqiong 2? ? LU Weikun 2? ? ZHOU Wenwen 3? ? CHEN Yaping 4? ? LI Xiaojun 5? ? CAO? Zhiyong 1 *

（1 College of Big Data， Yunnan Agricultural University， Kunming Yunnan 650201; 2 Yunnan Climate Center， Kunming Yunnan 650034; 3 Yunnan Plant Protection and Quarantine Station， Kunming Yunnan 650034; 4 College of Plant Protection， Yunnan Agricultural University， Kunming Yunnan 650201; 5 Dalian Puwan Engineering Project Management Co.， Ltd.， Dalian Liaoning 116100）

Abstract? ? Artificial neural network belongs to supervised learning in the field of machine learning. It uses the nonlinear approximation ability of neural network to predict the occurrence time， infection degree and disease migration direction. Compared with the traditional way of disease prediction， artificial neural network has the characteristics of high real-time， high precision and strong fault tolerance， which provides another technical support for agricultural modernization. In this paper， we found that the occurrence of agricultural diseases had a great relationship with the climate. Combined with this point， we used the strong learning ability of neural network to classify the historical disease data and the degree of occurrence. Finally， we used the trained network model to predict the occurrence trend of future diseases.

Keywords? ? agricultural disease; prediction; artificial neural network

我國是一個傳統(tǒng)農(nóng)業(yè)大國，在農(nóng)業(yè)種植和病害綜合防治方面積累了大量經(jīng)驗。我國耕地面積占世界耕地面積的7%，農(nóng)作物病害是我國的主要自然災(zāi)害之一，具有突發(fā)性、普遍性和危害性3個顯著特點[1]。每年全世界范圍內(nèi)因為農(nóng)業(yè)病害所導(dǎo)致的糧食減產(chǎn)達(dá)到了總產(chǎn)量的10%[2]，造成了巨大的經(jīng)濟(jì)損失。因此，加強農(nóng)業(yè)病害綜合防治工作，對農(nóng)業(yè)經(jīng)濟(jì)發(fā)展具有重要意義。農(nóng)業(yè)病害預(yù)測是一種非常有效的手段，對降低農(nóng)業(yè)病害的危害具有重要作用。進(jìn)入21世紀(jì)后，人工神經(jīng)網(wǎng)絡(luò)不斷發(fā)展，其在現(xiàn)代農(nóng)業(yè)應(yīng)用方面取得了非常好的效果，特別是在“智慧農(nóng)業(yè)”發(fā)展方面提供了一種強有力的支持。馬麗麗等[3]建立BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)，對發(fā)生在黃瓜上的4種常見病害發(fā)生情況進(jìn)行了預(yù)測。張映梅等[4]利用BP神經(jīng)網(wǎng)絡(luò)對小麥吸漿蟲的發(fā)生程度進(jìn)行預(yù)測，也取得了理想的效果。由此可見，利用人工神經(jīng)網(wǎng)絡(luò)對農(nóng)業(yè)病害進(jìn)行預(yù)測是一種非常有力的手段。

1? ? 病害預(yù)測方法概述

在農(nóng)業(yè)病害防治工作中，為實現(xiàn)最好的防治效果，往往在病害大面積發(fā)生前對病害的發(fā)生面積、發(fā)生程度、發(fā)展方向等先進(jìn)行全面的預(yù)測。這樣一來，在病害發(fā)生前便可以采取相應(yīng)的措施，使病害發(fā)生的泛濫程度大幅度減小，從而降低病害的危害程度。病害的預(yù)測方法主要分為四大類：專家評估法、類推法、數(shù)理統(tǒng)計模型法和系統(tǒng)模擬模型法[5]。

一是專家評估法。此方法是一種人為的預(yù)測方式，即通過本領(lǐng)域的專家們利用他們所掌握的農(nóng)業(yè)病害知識對病害的發(fā)生進(jìn)行分析總結(jié)，最后再得出預(yù)測結(jié)果。二是類推法。通過對以往的病害發(fā)生程度進(jìn)行一種經(jīng)驗上的預(yù)測。但此類方法不適合復(fù)雜環(huán)境下的病害預(yù)測，預(yù)測方式單一，往往只能在本地區(qū)病害類型不多的情況下達(dá)到預(yù)測的效果。三是數(shù)理統(tǒng)計模型法。通過記錄并分析病害發(fā)生前各項可能導(dǎo)致病害發(fā)生的環(huán)境因素，建立數(shù)理模型并進(jìn)行預(yù)測。模型可以根據(jù)調(diào)查取得的影響病害發(fā)生的因子直接得出病害發(fā)生程度。如劉? 方等[6]利用數(shù)理統(tǒng)計模型中的馬爾科夫鏈模型對未來降水量進(jìn)行預(yù)測。四是系統(tǒng)模擬模型法。此方法也屬于數(shù)理模型法，只是針對模型計算采用計算機。利用計算機高速運算能力可以很好地對模型進(jìn)行計算并很快得到結(jié)果。但是，這種預(yù)測方法的模型構(gòu)建比較復(fù)雜且不易擴(kuò)展。

根據(jù)農(nóng)業(yè)病害發(fā)生的特點[7]，可將農(nóng)業(yè)病害預(yù)測分為3種類型，即病害發(fā)生期預(yù)測、病害發(fā)生量預(yù)測和病害發(fā)生分布預(yù)測[8]。通過這幾種方式的預(yù)測，就可大致掌握農(nóng)業(yè)病害發(fā)展趨勢。病害發(fā)生期預(yù)測又可分為短期預(yù)測、中期預(yù)測、中長期預(yù)測、長期預(yù)測。針對不同的病害可以采用不同的預(yù)測方式，通過預(yù)測發(fā)生期可以實時掌握病害的發(fā)生趨勢。

2? ? 農(nóng)業(yè)病害預(yù)測研究

農(nóng)業(yè)病害的發(fā)生不僅由外部因素導(dǎo)致，還有內(nèi)部因素的原因。外部因素具體表現(xiàn)為環(huán)境氣候，如溫度、降水量、日照時長、昆蟲攜帶病菌導(dǎo)致的感染。除此之外，土壤中微生物也會導(dǎo)致病害發(fā)生。如劉德飛等[9]通過分析發(fā)現(xiàn)，土壤中大量菌群對病害微生物的生長有益。內(nèi)部因素常表現(xiàn)為作物本身早已攜帶了病菌，導(dǎo)致作物一開始就已經(jīng)被病害感染。我國早在20世紀(jì)50年代就開展了病害預(yù)防預(yù)測工作，在農(nóng)業(yè)病害預(yù)測技術(shù)上積累了大量經(jīng)驗。在經(jīng)歷了傳統(tǒng)的經(jīng)驗預(yù)測、試驗預(yù)測、統(tǒng)計預(yù)測和信息預(yù)測[10]后，直到20世紀(jì)80年代，人工神經(jīng)網(wǎng)絡(luò)與非線性理論的引入，為病害的預(yù)測方式方法開辟了一條新道路，使農(nóng)業(yè)病害預(yù)測方式更加多樣化。

2.1? ? 傳統(tǒng)病害預(yù)測方法

傳統(tǒng)病害預(yù)測方法主要是通過專家評估和數(shù)理統(tǒng)計模型進(jìn)行預(yù)測，類推法和系統(tǒng)模擬法分別屬于這2種模型中的一種分支。專家預(yù)測法是由各個學(xué)科的專家們根據(jù)病害的發(fā)生類別、病原、狀態(tài)特點、發(fā)生規(guī)律、診斷方法、無公害防治等內(nèi)容[11]建立知識庫。通過專家對知識庫的數(shù)據(jù)進(jìn)行分析處理，再創(chuàng)建專家決策系統(tǒng)對病害的發(fā)生做預(yù)測;數(shù)理統(tǒng)計模型是通過對引起病害發(fā)生的各種外部條件進(jìn)行大量統(tǒng)計并建立模型，得出一種綜合預(yù)測結(jié)果。這在一定條件下是有效的，但預(yù)測結(jié)果不穩(wěn)定[12]。傳統(tǒng)病害預(yù)測方法在病害預(yù)測上能起到一定的效果，病害發(fā)生是一種根據(jù)時間線發(fā)生的行為，也是一種動態(tài)行為，以上的預(yù)測方法為靜態(tài)（預(yù)測模型為靜態(tài)），隨著時間的推移，病害綜合防治方法也會導(dǎo)致病害防治效果下降。如果長期使用這些方式進(jìn)行預(yù)測，預(yù)測精度會大幅下降。為了解決這種問題，常用方法是定期重新評估模型并改進(jìn)。這樣雖然能達(dá)到最終目的，但必然會使預(yù)測工作量增加，人工神經(jīng)網(wǎng)絡(luò)的出現(xiàn)恰好能解決這個問題。

2.2? ? 基于人工神經(jīng)網(wǎng)絡(luò)的病害預(yù)測

2.2.1? ? 人工神經(jīng)網(wǎng)絡(luò)概述。人工神經(jīng)網(wǎng)絡(luò)是為了使計算機模擬人腦思維方式進(jìn)行學(xué)習(xí)的一種網(wǎng)絡(luò)模型，最早由20世紀(jì)40年代的心理學(xué)家McCulloch以及數(shù)學(xué)家Pitts提出[13]。人工神經(jīng)網(wǎng)絡(luò)是由若干個網(wǎng)絡(luò)最基本單位“神經(jīng)元”構(gòu)成，不同層的神經(jīng)元與神經(jīng)元之間相互連接，2個神經(jīng)元之間的連線叫作權(quán)值，是前一個神經(jīng)元的加權(quán)值，后一個神經(jīng)元中存儲的就是上一個神經(jīng)元和權(quán)值共同計算后的結(jié)果。權(quán)值可以理解為人工神經(jīng)網(wǎng)絡(luò)的記憶，人工神經(jīng)網(wǎng)絡(luò)需要進(jìn)行的訓(xùn)練過程就是網(wǎng)絡(luò)通過對數(shù)據(jù)樣本的學(xué)習(xí)，通過不斷調(diào)整網(wǎng)絡(luò)中的權(quán)值，讓人工神經(jīng)網(wǎng)絡(luò)記住數(shù)據(jù)樣本分布情況，從而完成人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程。

人工神經(jīng)網(wǎng)絡(luò)一經(jīng)提出就引起了學(xué)術(shù)界的大規(guī)模研究，但是由于當(dāng)時的計算機計算速度慢和理論不夠健全等原因，其曾經(jīng)被認(rèn)為人工神經(jīng)網(wǎng)絡(luò)只停留在理論研究階段，是不能夠在實際中去實現(xiàn)的模擬人腦學(xué)習(xí)[14-15]，直到J.J.Hopfield提出了Hopfield 神經(jīng)網(wǎng)格模型以及計算機在計算速度上取得了突破，使人工神經(jīng)網(wǎng)絡(luò)的研究工作重新得到科學(xué)家的認(rèn)可，并開展相關(guān)研究。

人工神經(jīng)網(wǎng)絡(luò)具有強大的非線性逼近能力[16]和自適應(yīng)能力，能夠感知環(huán)境變化，從而自動調(diào)節(jié)網(wǎng)絡(luò)結(jié)構(gòu)。人工神經(jīng)網(wǎng)絡(luò)具有強大的容錯能力，個別樣本的誤差對整體誤差的影響非常渺小。上述這些特性使人工神經(jīng)網(wǎng)絡(luò)在解決預(yù)測問題和分類問題時能夠比很多傳統(tǒng)方法處理的效果要好，例如文字翻譯、語言識別、圖像識別、氣象預(yù)測、人機對話等。

2.2.2? ? 基于人工神經(jīng)網(wǎng)絡(luò)的病害預(yù)測。研究表明，排除人為因素，農(nóng)作物病害發(fā)生與當(dāng)季的氣候因子和土壤微生物有巨大的關(guān)系，主要是各類微生物在溫度、濕度、陽光、降雨等氣候條件適宜其生存時，真菌孢子就會大量繁殖并侵害作物，使作物發(fā)生病變[17]。風(fēng)是病害傳播的一個重要途徑，真菌孢子很輕，只需有一些很微弱的風(fēng)吹過，便能將真菌孢子帶到下一個待傳染的地區(qū)（昆蟲也能成為病害傳播的另一個媒介）。根據(jù)病害特點，可以把需要預(yù)測的各種類型（病害發(fā)生期預(yù)測、病害發(fā)生量預(yù)測、病害發(fā)生分布預(yù)測）的發(fā)生程度，與對應(yīng)其病害發(fā)生的因子和影響結(jié)果分別記錄，用作人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本。當(dāng)人工神經(jīng)網(wǎng)絡(luò)從樣本學(xué)習(xí)完畢后，即建立了最終預(yù)測模型。此時就可以對病害的發(fā)生期、發(fā)生量、發(fā)生分布進(jìn)行預(yù)測。

例如，用人工神經(jīng)網(wǎng)絡(luò)對病害發(fā)生量進(jìn)行預(yù)測，通常需要將病害發(fā)生量分為5個等級，分別是輕、中偏輕、中、中偏重、重。將影響病害發(fā)生的因子和導(dǎo)致的病害結(jié)果作為網(wǎng)絡(luò)模型訓(xùn)練樣本。訓(xùn)練過程的大致原理表現(xiàn)為對數(shù)據(jù)樣本和標(biāo)簽數(shù)據(jù)進(jìn)行歸類，并劃出各類別的分布。當(dāng)網(wǎng)絡(luò)訓(xùn)練完畢之后，即各個類別的分布已規(guī)劃好，再把待預(yù)測數(shù)據(jù)錄入網(wǎng)絡(luò)中，即可計算出待預(yù)測數(shù)據(jù)與哪種分布最接近，分布最近的類別即為最終預(yù)測結(jié)果。

2.2.3? ? 常用于預(yù)測的神經(jīng)網(wǎng)絡(luò)模型。①BP神經(jīng)網(wǎng)絡(luò)模型。BP神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用鏈?zhǔn)角髮?dǎo)法則的誤差反向傳播的前饋神經(jīng)網(wǎng)絡(luò)，是目前神經(jīng)網(wǎng)絡(luò)模型中應(yīng)用最廣泛的網(wǎng)絡(luò)。整個網(wǎng)絡(luò)由輸入層、隱藏層和輸出層組成[18]，屬于機器學(xué)習(xí)中的監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)家族中最基本的網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)有非常好的非線性逼近能力，一個具有3層的神經(jīng)網(wǎng)絡(luò)可以無線逼近任何一個非線性連續(xù)函數(shù)。但是一個未經(jīng)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)也存在一些不足，例如在網(wǎng)絡(luò)訓(xùn)練時容易陷入局部最小值問題，最終導(dǎo)致模型訓(xùn)練失敗。基于BP神經(jīng)網(wǎng)絡(luò)自身的特性導(dǎo)致在解決問題時很少完全采用BP神經(jīng)網(wǎng)絡(luò)的思想，更多的做法是在更復(fù)雜的神經(jīng)網(wǎng)絡(luò)上面再加一個BP神經(jīng)網(wǎng)絡(luò)用作整體功能的一部分，又或使用改進(jìn)的BP網(wǎng)絡(luò)[19]。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。②LSTM（Long Short Term Memory）神經(jīng)網(wǎng)絡(luò)模型。LSTM網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network）衍生出來的一種改進(jìn)的網(wǎng)絡(luò)模型。在前面介紹的BP神經(jīng)網(wǎng)絡(luò)或者其他神經(jīng)網(wǎng)絡(luò)模型中幾乎沒有考慮過樣本與樣本之間的聯(lián)系，只是簡單地把樣本送交模型訓(xùn)練，以減少模型結(jié)果與真實結(jié)果的誤差。RNN網(wǎng)絡(luò)模型的出現(xiàn)改變了這種原始做法，對樣本與樣本之間是否具有某些聯(lián)系進(jìn)行了考慮，特別是有時間順序的樣本集。模型在訓(xùn)練的時候每一個樣本的輸出值都會受到前面樣本輸出值的影響，樣本之間的聯(lián)系就得到了很好的利用。這種模型的出現(xiàn)使神經(jīng)網(wǎng)絡(luò)在解決問題的時候不僅能從數(shù)據(jù)的“量”里面獲取信息，還能夠從數(shù)據(jù)與數(shù)據(jù)間的“邏輯”中更精確地分析信息。

雖然RNN神經(jīng)網(wǎng)絡(luò)相較傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)來說具有特殊的記憶能力，但是RNN神經(jīng)網(wǎng)絡(luò)也有明顯的缺點，即在模型訓(xùn)練時對前面樣本信息的記憶不長久，只能夠保留短期記憶，在某些問題上這種短期記憶所達(dá)到的效果欠佳。LSTM網(wǎng)絡(luò)模型提出的目的即是為了解決RNN神經(jīng)網(wǎng)絡(luò)不能擁有長期記憶力和梯度消失以及梯度爆炸等一系列問題[20]。LSTM神經(jīng)網(wǎng)絡(luò)也是前饋型神經(jīng)網(wǎng)絡(luò)，繼承了RNN網(wǎng)絡(luò)模型的特性并具有更強的記憶力。LSTM主要解決與時序有關(guān)的問題，網(wǎng)絡(luò)模型訓(xùn)練時會把當(dāng)前的樣本數(shù)據(jù)與以往的樣本數(shù)據(jù)計算后的結(jié)果共同參與計算，并留作與下個數(shù)據(jù)樣本共同計算。因此，每次得到的計算結(jié)果都與之前的數(shù)據(jù)有關(guān)系，是一種具有長期記憶力的神經(jīng)網(wǎng)絡(luò)。由于其長期的記憶功能，LSTM神經(jīng)網(wǎng)絡(luò)常用于解決在時序方面的預(yù)測問題，比如股票預(yù)測[21]、天氣預(yù)測、語言識別等[22]。沈皓俊等[23]利用LSTM網(wǎng)絡(luò)對氣候降水量進(jìn)行預(yù)測，陳艷平等[24]利用LSTM網(wǎng)絡(luò)對自然語言中的句法要素進(jìn)行識別，兩者都達(dá)到了非常高的精度，相對于使用其他不考慮時間序列的網(wǎng)絡(luò)來說效果更加明顯。LSTM網(wǎng)絡(luò)展開后的結(jié)構(gòu)如圖2所示。

以上2種神經(jīng)網(wǎng)絡(luò)都可用于農(nóng)業(yè)病害發(fā)展趨勢預(yù)測，且2種神經(jīng)網(wǎng)絡(luò)都是通過對歷史病害發(fā)生情況和與之對應(yīng)的環(huán)境因子作為樣本訓(xùn)練，是深度學(xué)習(xí)里面的有監(jiān)督學(xué)習(xí)。訓(xùn)練過程其實是利用神經(jīng)網(wǎng)絡(luò)強大的非線性逼近能力確定函數(shù)（神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程可以理解為一種確定函數(shù)具體形式的過程）的具體形式。當(dāng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練完畢之后就可以利用模型對未來的病害發(fā)生情況進(jìn)行預(yù)測。利用一個已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對當(dāng)下的病害進(jìn)行預(yù)測的過程非常簡單?？梢园讶斯ど窠?jīng)網(wǎng)絡(luò)模型理解為一個“黑盒”，只需把當(dāng)前的天氣數(shù)據(jù)輸入到模型中就可以直接得出預(yù)測結(jié)果，無須知道模型是如何計算得到的。

利用人工神經(jīng)網(wǎng)絡(luò)病害預(yù)測在神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練階段時會花一些時間訓(xùn)練，模型訓(xùn)練完畢之后便能很快得出預(yù)測結(jié)果，相較于傳統(tǒng)病害預(yù)測模型來說，人工神經(jīng)網(wǎng)絡(luò)幫助人類減少了對數(shù)據(jù)樣本分析的過程，只需關(guān)注模型構(gòu)建的本身。

2.2.4? ? 人工神經(jīng)網(wǎng)絡(luò)應(yīng)用到病害預(yù)測中可能出現(xiàn)的問題。沒有任何一種模型和方法是完美的，人工神經(jīng)網(wǎng)絡(luò)也存在著一些缺點。一是人工神經(jīng)網(wǎng)絡(luò)的固有缺點，即訓(xùn)練速度過慢。在人工神經(jīng)網(wǎng)絡(luò)模擬人類學(xué)習(xí)的過程中，即在人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練階段時（減少訓(xùn)練得到的結(jié)果與真實結(jié)果的誤差過程），可能會花費大量時間。這不僅取決于樣本數(shù)量，也取決于硬件設(shè)備的計算速度。但農(nóng)業(yè)病害的樣本數(shù)據(jù)相較于語音、視頻等各種非結(jié)構(gòu)化的數(shù)據(jù)來說非常小，因而訓(xùn)練時的速度問題幾乎不存在。二是在人工神經(jīng)網(wǎng)絡(luò)非線性逼近（模型訓(xùn)練）時有可能出現(xiàn)不能逼近真實結(jié)果的情況，雖然可以通過對數(shù)據(jù)樣本進(jìn)行再處理來解決，但同時也會增加預(yù)測工作量和構(gòu)建模型的難度，使人工神經(jīng)網(wǎng)絡(luò)難以找到一種通用的學(xué)習(xí)算法[25]。因此，在人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)時，往往需要對學(xué)習(xí)的數(shù)據(jù)樣本進(jìn)行再次處理才能達(dá)到目的。三是人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需要充足的訓(xùn)練樣本數(shù)據(jù)。當(dāng)訓(xùn)練樣本不足時，會導(dǎo)致預(yù)測精度低，不能達(dá)到預(yù)測的目的。農(nóng)業(yè)病害的預(yù)測發(fā)展歷經(jīng)多年，積累了大量農(nóng)業(yè)數(shù)據(jù)，并且可以利用遷移學(xué)習(xí)技術(shù)[26]從類似且已經(jīng)訓(xùn)練好的模型中擴(kuò)展，因而數(shù)據(jù)不足的問題能夠很好地解決。

總體來看，從在人工神經(jīng)網(wǎng)絡(luò)所能處理問題的領(lǐng)域來說，農(nóng)業(yè)病害預(yù)測屬于一種相對輕量級的問題，人工神經(jīng)網(wǎng)絡(luò)自身存在的各種缺點對農(nóng)業(yè)病害預(yù)測方面的影響都很小。

3? ? 農(nóng)業(yè)病害預(yù)測研究面臨的挑戰(zhàn)與展望

3.1? ? 我國農(nóng)業(yè)病害預(yù)測研究面臨的挑戰(zhàn)

農(nóng)業(yè)病害預(yù)測研究雖已取得了巨大進(jìn)步，但是農(nóng)業(yè)病害預(yù)測的最終目的是防治，如果僅對農(nóng)業(yè)病害發(fā)展進(jìn)行預(yù)測，而不做好病害防治工作，那么病害預(yù)測工作在整個農(nóng)業(yè)病害防治工作中會很無力。我國農(nóng)業(yè)病害綜合防治工作取得了巨大進(jìn)步，特別是在生物技術(shù)病害綜合防治方面，利用病害的天敵昆蟲對病害進(jìn)行防治[27]，取得了不錯的效果。資料顯示，我國每年在農(nóng)業(yè)病害防治方面使用的化學(xué)農(nóng)藥高達(dá)25萬t[28]。使用農(nóng)藥雖然解決了當(dāng)下的病害問題，但是這種做法嚴(yán)重破壞了土壤結(jié)構(gòu)?；瘜W(xué)防治導(dǎo)致的污染問題已成為影響我國農(nóng)業(yè)發(fā)展的一個因素。此外，農(nóng)業(yè)病害預(yù)測研究面臨的另一個問題是我國農(nóng)業(yè)現(xiàn)代化建設(shè)進(jìn)程仍不完善，農(nóng)業(yè)病害預(yù)測所需的硬件設(shè)備和其他硬件設(shè)備并不多，究其原因是所需設(shè)備價格昂貴，從事農(nóng)業(yè)的人們不愿意使用昂貴的產(chǎn)品。綜合來看，我國病害預(yù)防工作不僅需要技術(shù)，更需要一種全面、現(xiàn)代、完備的農(nóng)業(yè)病害解決體系。

3.2? ? 農(nóng)業(yè)病害預(yù)測的展望

在加速建設(shè)農(nóng)業(yè)現(xiàn)代化進(jìn)程中，我國增加了許多對農(nóng)業(yè)病害預(yù)測有巨大幫助的工具。智慧農(nóng)業(yè)概念提出后，對農(nóng)業(yè)病害研究工作提供了理論指導(dǎo)，特別是在實時數(shù)據(jù)獲取方面有了更加精確快速獲取數(shù)據(jù)的設(shè)備。對于農(nóng)業(yè)病害預(yù)測來說，有了這些實時數(shù)據(jù)，就能夠時刻監(jiān)測農(nóng)作物動態(tài)。當(dāng)設(shè)備從當(dāng)前獲取的數(shù)據(jù)中分析發(fā)現(xiàn)環(huán)境因素可能導(dǎo)致病害的發(fā)生，就可以使設(shè)備自動做出對應(yīng)的措施，減少人工的工作量。不僅可以實現(xiàn)農(nóng)業(yè)全智能化，而且能夠減少人工成本。

4? ? 結(jié)語

綜上所述，傳統(tǒng)農(nóng)業(yè)病害預(yù)測方法雖然能夠?qū)Σ『Πl(fā)生起到預(yù)測的效果，但是一般傳統(tǒng)的農(nóng)業(yè)病害預(yù)測方法是一種靜態(tài)的預(yù)測方法，很難做到實時預(yù)測，很難根據(jù)新增的數(shù)據(jù)快速重新構(gòu)建和優(yōu)化模型。隨著時間的增加，傳統(tǒng)預(yù)測模型的病害預(yù)測效果也會減弱。人工神經(jīng)網(wǎng)絡(luò)對農(nóng)業(yè)病害的預(yù)測是一種非常有效的手段，人工神經(jīng)網(wǎng)絡(luò)模型是一種動態(tài)而不需要人為修改的模型，一旦網(wǎng)絡(luò)模型搭建完畢，模型就可以根據(jù)得到的數(shù)據(jù)進(jìn)行訓(xùn)練，然后完成預(yù)測工作，并且可以動態(tài)更新模型（利用最新數(shù)據(jù)對模型再次訓(xùn)練），在這一過程中不需要任何人為干預(yù)。因此，農(nóng)業(yè)自動化將是未來農(nóng)業(yè)的發(fā)展趨勢。

5? ? 參考文獻(xiàn)

[1] 張蕾，霍治國，王麗，等.氣候變化對中國農(nóng)作物病害發(fā)生的影響[J].生態(tài)學(xué)雜志，2012，31（6）：1499-1507.

[2] 馮占山，高世杰.農(nóng)業(yè)可持續(xù)發(fā)展與農(nóng)作物病害的持續(xù)控制[J].現(xiàn)代化農(nóng)業(yè)，2013（3）：5-6.

[3] 馬麗麗，賀超興，紀(jì)建偉.基于環(huán)境因子的黃瓜病害預(yù)測研究[J].農(nóng)機化研究，2012，34（4）：160-162.

[4] 張映梅，李修煉，趙惠燕.模擬人工神經(jīng)網(wǎng)絡(luò)對小麥吸漿蟲發(fā)生程度的預(yù)測[J].西北農(nóng)林科技大學(xué)學(xué)報（自然科學(xué)版），2003（增刊1）：9-12.

[5] 肖悅巖.病害監(jiān)測與預(yù)測 第四講 病害預(yù)測方法[J].植保技術(shù)與推廣，2004，22（4）：40-41.

[6] 劉方，胡彩虹，何鵬飛.基于數(shù)理統(tǒng)計方法的降水量預(yù)測模型建立及應(yīng)用[J].氣象與環(huán)境科學(xué)，2014，37（2）：89-93.

[7] 王翔宇，溫皓杰，李鑫星，等.農(nóng)業(yè)主要病害檢測與預(yù)警技術(shù)研究進(jìn)展分析[J].農(nóng)業(yè)機械學(xué)報，2016，47（9）：266-277.

[8] 鄭秋紅，楊霏云，朱玉潔.小麥白粉病發(fā)生氣象條件和氣象預(yù)報研究進(jìn)展[J].中國農(nóng)業(yè)氣象，2013，34（3）：358-365.

[9] 劉德飛，馬紅武.植物病害防治相關(guān)微生物組研究進(jìn)展與展望[J].生物資源，2020，42（1）：54-60.

[10] 唐國棟，高永，汪季，等.基于數(shù)學(xué)模型預(yù)測森林病害的研究進(jìn)展[J].安徽農(nóng)業(yè)科學(xué)，2016（35）：8-10.

[11] 王衍安，李明，王麗輝，等.果樹病害診斷與防治專家系統(tǒng)知識庫的構(gòu)建[J].山東農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版），2005（3）：475-480.

[12] 張金夢，江洪，陳云飛，等.4種常見蔬菜病害預(yù)測預(yù)報模型研究進(jìn)展[J].安徽農(nóng)業(yè)科學(xué)，2014（10）：2969-2971.

[13] 烏云高娃.人工神經(jīng)網(wǎng)絡(luò)的發(fā)展[J].福建電腦，2004（4）：15-16.

[14] 梁燁妮.人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用[J].硅谷，2014（12）：3.

[15] 彭驛茹.人工神經(jīng)網(wǎng)絡(luò)發(fā)展歷史與訓(xùn)練算法概述[J].科技傳播，2018，10（21）：129-130.

[16] 陳格.人工神經(jīng)網(wǎng)絡(luò)技術(shù)發(fā)展綜述[J].中國科技信息，2009（17）：88-89.

[17] 陳懷亮，張弘，李有.農(nóng)作物病害發(fā)生發(fā)展氣象條件及預(yù)報方法研究綜述[J].中國農(nóng)業(yè)氣象，2007（2）：104-108.

[18] 章銀娥，張紅霞，黃傳龍，等.基于BP神經(jīng)網(wǎng)絡(luò)的病害預(yù)測研究[J].贛南師范大學(xué)學(xué)報，2018，39（3）：91-95.

[19] 王鈺，郭其一，李維剛.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型及其應(yīng)用[J].計算機測量與控制，2005，13（1）：39-42.

[20] 劉建偉，王園方，羅雄麟.深度記憶網(wǎng)絡(luò)研究進(jìn)展[J/OL].計算機學(xué)報，2020：1-52[2020-04-04].https：//kns-cnki-net.webvpn.sicau.edu.cn/kcms/detail/11.1826.TP.20200114.

1543.004.html.

[21] 宋剛，張云峰，包芳勛，等.基于粒子群優(yōu)化LSTM的股票預(yù)測模型[J].北京航空航天大學(xué)學(xué)報，2019，45（12）：2533-2542.

[22] 王松.基于LSTM-CTC的藏語拉薩話語音識別系統(tǒng)[D].蘭州：西北民族大學(xué)，2019.

[23] 沈皓俊，羅勇，趙宗慈，等.基于LSTM網(wǎng)絡(luò)的中國夏季降水預(yù)測研究[J].氣候變化研究進(jìn)展，2020，16（3）：263-275.

[24] 陳艷平，馮麗，秦永彬，等.一種基于深度神經(jīng)網(wǎng)絡(luò)的句法要素識別方法[J].山東大學(xué)學(xué)報（工學(xué)版），2020，50（2）：44-49.

[25] 楊曉帆，陳廷槐.人工神經(jīng)網(wǎng)絡(luò)固有的優(yōu)點和缺點[J].計算機科學(xué)，1994（2）：23-26.

[26] 龍明盛.遷移學(xué)習(xí)問題與方法研究[D].北京：清華大學(xué)，2014.

[27] 閆愫.我國農(nóng)作物病害生物防治技術(shù)[C]//第三屆全國綠色環(huán)保農(nóng)藥新技術(shù)、新產(chǎn)品交流會暨第二屆全國生物農(nóng)藥研討會.第三屆全國綠色環(huán)保農(nóng)藥新技術(shù)、新產(chǎn)品交流會暨第二屆全國生物農(nóng)藥研討會論文集.武漢：中國植物保護(hù)學(xué)會，中國植物病理學(xué)會，中國腐植酸工業(yè)協(xié)會，2004：40-44.

[28] 郭佳君.現(xiàn)階段農(nóng)業(yè)病害防治現(xiàn)狀與建議探討[J].河北農(nóng)機，2013（5）：81.

基金項目? ?云南省氣候中心項目“高原特色農(nóng)作物主要病蟲害氣象預(yù)測模型研發(fā)”（YYHZ190701）。

作者簡介? ?陳民（1997—），男，四川遂寧人，在讀碩士研究生。研究方向：農(nóng)業(yè)工程與信息技術(shù)。

通信作者

收稿日期? ?2020-06-09