农作物虫情预测的matlab实现

农作物虫情预测

农作物的主要害虫常年对作物造成严重危害，使农业经济遭受严重损失。根据害虫的发生、发展规律，以及作物的物侯和气象预报等资料，进行全面分析，作出其未来的发生期、发生量和危害程度等估计，预测害虫的未来发展动态，这项工作就叫做农作物虫情预测。

虫情预测的必要性

虫情预测工作是进行害虫综合防治的必要前提，只有对害虫发生危害的预测做得及时准确，才可以正确地拟定综合防治计划，及时采取必要的措施，经济有效地压低害虫的发生数量，保证农作物的高产和稳产。

虫情预测分类

1. 按照预测内容来划分，虫情预测可以分为发生期预测、发生量预测、迁飞害虫预测和灾害程度预测，以及操作估计。

2. 按照预测时间长短划分，可以分为短期预测、中期预测和长期预测。

基于神经网络的虫情预测原理

     众所周知，虫害的发生和自然因素之间有着密切的联系，它同时受气温、日照和降雨量等因素的影响。影响虫害发生量的各个因子之间存在复杂的相互作用。由于自身的缺点，利用传统方法很难建立起一个精确和完善的预测莫测。而BP神经网络具有对非线性复杂系统预测的良好特性，可以有效地描述其本身具有的不确定、多输入等复杂的非线性特性。

    从影响虫害发生量的气候因子角度来说，虫害发生量主要受以下3中因素制约。

☻温度    昆虫是变温动物，体温基本上是随着外界温度的变化而变化的。而外界温度的变化直接影响着昆虫代谢率的高低，从而直接影响昆虫生长发育、繁殖和生存等生命活动行为。

☻湿度和降雨    湿度和降雨可以直接影响昆虫的生长发育和生存。

☻光     对于昆虫来说，光并不是一种生存条件，但外界光因素与昆虫的趋向性、活动行为和生活方式等都有着直接或间接的联系。

BP网络设计

BP网络的输入层和输出层的神经元数目是由输入向量和输出向量的维数确定的。输入向量的维数也就是影响因素的个数，这里综合考虑了影响虫情的各种因素，选取了平均气温、最低气温、日照时间和降雨量等4个因素，所以输入层的神经元个数为4。为了细化虫害的等级，这里将虫害发生量分为4级，目标输出模式为（0 0 01）、（0 0 1 0）、（0 1 0 0 ）和（1 0 0 0 ),分别对应1级、2级、3级、4级。因此，输出层神经元的个数也为4。由于输出向量的元素为0-1值，因此，输出层神经元的传递函数可选用S型对数函数logsig()。

实践表明，隐含层数目的增加可以提高BP网络的非线性映射能力，但是隐含层数目超过一定值，网路性能反而会降低。而单隐层的BP网络可以逼近一个任意的连续非线性函数。因此，这里采用单隐层的BP网络。隐含层的神经元个数直接影响着网络的非线性预测性能。这里根据kolmogorve定理，设定网络的隐含层神经元个数为9,按照一般的设计原则，隐含层神经元的传递函数为S型正切函数tansig（）。

网络结构确定后，需要利用样本数据通过一定的学习规则进行训练，提高网络的适应能力。学习速率是训练过程的重要因子，它决定每一次循环中的权值变化量。在一般情况下，倾向于选择较小的学习速率保证学习的稳定性，这里取学习速率为0.05.

%构建训练样本中的输入向量P

p1=[-0.0909 0.4825 0.9580 0.6643 0.0350 -0.6224;

    -0.1408 0.3844 0.9718 0.7183 0.0423 -0.6620;

    -0.2500 0.1250 0.9688 0.5000 0.0000 -0.0625;

    -0.2984 0.3037 -0.7801 0.0419 -0.3665 -0.8796];

p2=[-0.2727 -0.909 0.9580 0.8601 0.0909 -0.9860;

    -0.7324 0.0000 1.0000 0.9296 0.0141 -1.0000;

    0.5625 0.8125 0.6875 0.2812 0.1563 -0.5625;

    -0.7277 -0.6073 0.0733 -0.3979 -0.4660 -0.4241];

p3=[0.1189 0.3706 0.6923 0.6643 -0.0350 -0.4266;

    -0.1127 0.3521 0.7324 0.7324 0.0423 -0.5070;

    0.6250 0.0313 -0.3125 -0.0625 -0.5313 -0.125;

    -0.6021 -0.6073 0.2670 0.1361 -0.8482 -0.8586];

P=[p1 p2 p3];

%构建训练样本中的目标向量t

t1=[0 0 1 1 0 0;

    0 0 0 0 0 0;

    0 0 0 0 0 0;

    1 1 0 0 1 1];

t2=[0 0 1 1 1 0;

    0 1 0 0 0 0;

    0 0 0 0 0 0;

    1 0 0 0 0 1];

t3=[0 0 0 1 1 0;

    0 0 0 0 0 1;

    0 0 1 0 0 0;

    1 1 0 0 0 0];

t=[t1 t2 t3];

%创建一个BP网络，隐含层有9个神经元，传递函数为tansig

%中间层有4个神经元，传递函数为logsig，训练函数为trainlm

net=newff(minmax(P),[9,4],{'tansig','logsig'},'trainlm');

%训练步数为50

%目标误差为0.01

s=50;

=0.01;

[net,tr]=train(net,P,t);

%预测2003年的虫情

P_test=[0.0490 0.2587 0.7203 0.9301 0.3287 -0.6084;

      -0.0937 -0.5313 -0.1875 0.9688 0.2813 -0.2813;

        -0.0995 1.0000 0.4346 -0.8691 -0.6702 -0.4346];

y=sim(net,P_test)

训练结果