农业预测预警技术课件.pptxVIP

课程名称：农业物联网应用技术

授课教师：王明山;农业预测的基本原则

农业领域中的预测方法通常遵循以下几个原则：

惯性原则，任何事物的发展都与其过去的状态变化有着一定的联系。任何事物的发展都带有一定的延续性，即惯性。

类推原则，即许多事物的发展规律有着相似之处，用一个事物的变化规律来类推另外一个事物的变化规律。这一原则的应用如经验曲线。

相关原则，任何事物的发展变化都不是孤立的，是与其它事物发展变化相互联系、相互影响的。相关性有多种表达形式，其中最为广泛的是因果关系。即任何事物的发展变化都是有原因的，其变化状况是原因的结果，而相关回归预测模型就是基于这一原则设计的。;概率推断原则，由于各种因素的干扰，常常使事物各个方面的变化呈现出随机形式。随机变化的不确定性增加了预测的难度，随机方法的出现可以解决一些不确定性问题。

质、量分析相结合原则，指预测中要把量的分析(定量预测法)与质的分析法(定性预测法)相结合起来使用，才能取得良好的效果。;农业预测的基本步骤

农业预测并不是简单的根据农业资料进行预测估计，而是一个科学的过程。尤其对农业领域的复杂问题应遵循一定的步骤来进行预测，从而使预测过程更为科学、合理。这一过程被总结为以下5个基本步骤：

明确对象，界定问题

归类处理，概念细化

建立决策分析模型

模型求解和检验

形成决策分析报告;基于回归分析的预测方法

回归分析预测方法是根据各种观察指标之间的关系，通过分析与预测对象相关的事物变化趋势进行分析，预测对象未来发展变化的预测方法。回归分析通常是指某随机变量与其他自变量之间的数量变动关系，这种变动关系被称为回归模型。

回归模型的类别包括：1)按自变量个数的多少，分为一元和多元回归模型；2)按是否是线性，可分为线性回归模型和非线性回归模型；3)按是否带有虚拟变量，可分为普通回归模型和虚拟变量回归模型。普通回归模型的自变量都是数值类型，而虚拟变量回归模型的自变量既有数值类型，也有品质变量类型。;基于神经网络的预测方法

在计算机硬件升级与深???学习快速发展的基础上，人工神经网络也得到了前所未有的发展。在数值预测方面，目前已经提出了多种神经网络模型，比如误差反向传播神经网络BPNN、径向基神经网络RBFNN、循环神经网络RNN以及长短时记忆网络LSTM等。

循环神经网络是一种利用输入数据序列化特征的神经网络，序列化输入是指依赖于它之前的元素序列，例如文本、语音、时间序列等。在农业中能够较容易地获取大量的序列化数据，比如大田中的温湿度，水产养殖环境中溶解氧浓度变化等，借助于循环神经网络对环境变化因子进行预测，可以为农作物和养殖对象提供并保证良好的生长环境。;循环神经网络

RNN是一种特殊的神经网络结构，它是根据人的认知是基于过往的经验和记忆这一观点提出的。它不仅考虑前一时刻的输入,而且赋予了网络对前面的内容的一种‘记忆’功能。RNN之所以称为循环神经网络，即一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再是无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。;循环神经网络

下图为RNN模型的基本结构，RNN层级结构与CNN相比更简单，主要包括输入层、隐藏层和输出层。并且能够看到在隐藏层上有一个箭头表示数据的循环更新，该部分就是实现时间记忆功能的方法。对于隐藏层的结构，我们参考下一页PPT。;循环神经网络

下图为隐藏层的层级展开图，t-1，t，t+1表示时间序列。X表示输入的样本。St表示样本在时间t处的记忆,。其中，W表示输入的权重，U表示此刻输入的样本的权重，V表示输出的样本权重。;在t=1时刻，一般初始化输入S0=0,随机初始化W,U,V,根据公式1进行计算：

（1）

其中，f和g均为激活函数.其中f可以是tanh,relu,sigmoid等激活函数，g通常是softmax也可以是其他。随着时间向前推进，此时的状态S1作为时刻1的记忆状态将参与下一时刻的预测活动，也就是

（2）

以此类推，得到最终的输出值