稻麦主要病虫的br预测模型参数优化及知识库构建.pdfVIP

摘要 本试验应用CBR方法建立了以时间序列为轴线的病虫滚动预测模型，利用安徽 省农作物病虫数据库对稻、麦主要病虫害的影响因子筛选、参数优化，确定稻、麦各 主要病虫CBR预测模型因子、参数构架；并研究构建了安徽省小麦、水稻病虫害识 别诊断知识库。 农作物病虫害监测预报是进行病虫害综合防治的基础。本文提出了一种用于稻麦 病虫害预测的新方法——基于案例推理的时间序列数据的相似年分析（CBR），并主 要对其预测因子、参数进行了优化筛选。基于案例推理的方法就是通过搜索曾经成功 解决过的类似问题，比较新、旧问题之间的特征、发生背景等差异，重新使用或参考 以前的知识和信息，达到最终解决问题的方法。 结合安徽省各生态区域的气候特点、地理位置及各病虫害的发生情况，用CBR 对稻麦主要病虫害的预测预报研究，首先利用各代表县的年报历史资料建立时间序列 历史案例库，再按照指定或预先设定因子匹配规格和权重参数来构建相似度函数，然 后逐一计算目标案例与历史案例的匹配程度，最终选取与目标案例相似程度最高的历 史案例的结论作为预测结论；在预测过程中，未来相关的预报数据也可加入目标案例 的时间序列中参与计算。本研究分别筛选出了小麦赤霉病、小麦白粉病、小麦纹枯病、 小麦蚜虫、水稻纹枯病、稻瘟病等主要病虫害的CBR预测因子及参数，经回检，小 麦赤霉病、小麦纹枯病、小麦蚜虫、水稻纹枯病、稻瘟病的预测准确率皆达到80% 以上，小麦白粉病的预测准确率为77.05%。其中，小麦赤霉病大流行年份的预测准 确率达70%左右。因此，该预测参数具有一定的可靠性，可作为CBR模型预测稻麦 病虫害的依据。 利用VisualBasic6.0研究构建了安徽省稻麦病虫知识库，为构建该知识库，收集 了安徽省稻麦常见病虫害的文字描述资料和图片资料，包括不同病害在农作物不同部 位的发病症状描述、典型症状图片及常规的防治方法等，通过计算机语言将文字和图 片有机地结合起来，使得稻麦病虫害的识别诊断更加直观、简易。用户登陆系统后进 入主菜单，根据自己的需要，从菜单中选择所要执行的项目或输入必要的信息。该知 识库具有图文并茂、种类较全、通俗易懂、操作简单、实用性强等特点，为基层植保 工作人员的田间识别诊断提供了可靠依据。 关键字：CBR，预测参数，优化筛选，研究，知识库，识别诊断 I Abstract ArollingforecastingmodelofcropdiseasesandpestswasstudiedusingCBRtheorywith thetimeseriesandasystemfordiagnosisofwheatandricediseasesandinsectpestsofAnhui provincewasdevelopedinthispaper.Impactfactorsandparametersofplantdiseasesand pestsinAnhuiprovincewereoptimized. Monitoringandpredictionofcroppestsanddiseasesisthebasisofintegratedpest management.ANe method,basedoncase-basedreasoning(CBR)intimeseriesdata similarityanalysis,wasstudiedusedintheforecastofcropdiseasesandpests.Thecase-based reasoningmethodsolvesane problembysearchingtheprevioussimilarproblemsand comparingcharacteristicsandthebackgroundbetweenne andoldproblemstoget knowledgeandinformation. TheCBRforecastingofmaindiseasesandinsectpestsofriceandwheatwasstudied combiningwithweathercharacteristicsofvariousecologicalregions,geographicallocation andthehappeningsituationofpest.First,establishedati