基于回归和机器学习技术的农作物害虫预测方法综述

© 2013年。出版社：Elsevier B.V.信息工程研究院可在www.sciencedirect.com在线获取ScienceDirectIERI Procedia 6（2014）52 - 562013未来软件工程与多媒体工程国际会议基于回归和机器学习技术的农作物害虫预测方法综述Yun Hwan Kima，Seong Joon Yooa， *，Yeong Hyeon Gua，Jin Hee Limb，DongilHana，Sung Wook Baikca世宗大学计算机工程系，b世宗大学c韩国首尔Gunja-dong Gwangjin-gu 98 Seoul，143-747，Sejong大学数字内容工程系摘要本文介绍了利用机器学习技术预测作物害虫的当前趋势。随着数据挖掘技术的出现，农业领域也开始关注数据挖掘技术。目前，国内外利用机器学习技术的各种研究正在进行中，利用机器学习技术的案例也越来越多。本文对基于支持向量机、多元线性回归、神经网络和贝叶斯网络的技术进行了分类和介绍，并描述了它们的应用实例。© 2014年。作者。出版社：Elsevier B.V. 在CC BY-NC-ND许可下开放访问。信息工程研究所科学委员会负责同行评议关键词：回归，机器学习技术，支持向量机* 通讯作者：Seong Joon Yoo电子邮件地址：sjyoo@ sejong. ac. kr。2212-6678© 2014。作者。出版社：Elsevier B.V. 在CC BY-NC-ND许可下开放访问。信息工程研究所科学委员会负责同行评审Yun Hwan Kim等人/ IERI Procedia 6（2014）52531. 介绍本文介绍了利用机器学习技术预测作物害虫的方法的工作趋势。它简要介绍了使用SVM（支持向量机），MLR（多元线性回归），神经网络和贝叶斯网络的4种算法的方法，并介绍了它们使用的各种情况。2. 利用回归2.1. 基于广义回归神经网络Younes Chtioui等人[1]在他们的论文中假设，叶片水分很难由人类自己测量，并且对植物病害的爆发有重要影响。本文分析了影响叶片含水量预测的气象因子，并在此基础上建立了广义回归神经网络（GRNN）。他们的工作是通过比较多元线性回归（MLR）和GRNN的预测方法进行的，并将时间（24小时为单位）、温度、相对湿度、风速、太阳辐射、降水、土壤湿度指数等用作训练集和数据集。作为实验的结果，MLR显示测试集的平均绝对值预测误差为0.1414，训练集的平均绝对值预测误差为0.1300。在相同条件下，GRNN对测试集和训练集的平均绝对值预测误差分别为0.0491和0.0894。因此，已经证实GRNN比MLR更精确。2.2. 利用基因组信息Jessica Rutkoski等人的论文[2]提出了一种预测评估小麦害虫的方法。评价模型包括岭回归、多元线性回归、贝叶斯LASSO、再生核希尔伯特空间回归和随机森林回归，因此，使用基因组标记和数量性状基因座的模型具有最高的精度。2.3. 利用多元线性回归预测小麦上脱氧雪腐镰刀菌烯醇的发生[3]D的一篇论文。C. Hooker等[3]利用MLR发现脱氧雪腐镰刀菌烯醇存在的3个时期和条件。他们的工作收集了1996年至2000年加拿大南部安大略省399个农场的相关信息，用于预测脱氧缬沙烯醇的发生。以日降水量、日最低/最高温度和每小时相对湿度作为气象因子，通过试验，证实了小麦生长时间点、降雨量和温度与脱氧雪腐镰刀菌烯醇的发生有关。同时，也证实了水分与病害暴发无关，在2 μ g的阈值下，精度达到89%左右。54Yun Hwan Kim等人/ IERI Procedia 6（2014）523. 贝叶斯技术在3.1. 基于朴素贝叶斯技术和无线传感器网络A. K. Tripathy等人[4]开发了一种实时决策系统，可以通过数据挖掘技术和无线传感器网络预测害虫。他们使用高斯朴素贝叶斯和快速关联规则挖掘。在此基础上，他们根据来自无线传感器网络的各种信息进行了预测害虫何时发生的工作。3.2. 咖啡锈病的贝叶斯网络预测科拉湾Perez-Ariza等人[5]使用贝叶斯网络进行了咖啡锈病预测的工作。这种疾病使叶子过早枯死，降低产量。为了让人们学习预测模型，在巴西收集了8年的数据，并让人们使用临时最小消息长度和评分矩阵按时间顺序给出数据编号来学习模型。虽然该系统的性能可能低于决策树，但其优点包括贝叶斯网络在对上下文敏感的情况下的高效率。4. 支持向量机4.1. 回归与支持向量机王海光等[6]比较了回归方法和支持向量机（SVM）方法预测小麦条锈病。对于这种疾病，在中国最严重的疾病之一，预防是非常重要的。实验结果表明，使用SVM方法的预测显示出高拟合和预测精度，并且在速度方面是优异的。4.2. 基于支持向量机吴大可等[7]利用SVM（支持向量机）对潜叶蝇感染进行了预测。至于他们的研究方法，他们使用图像处理和光谱分析技术提取信息，然后通过分类叶片损失程度，由于这种感染和光谱反射率使用SVM预测感染。实验结果表明，当输入10个向量，采用多核函数时，识别率达到90%。5. 利用神经网络技术5.1. 小麦脱氧雪腐镰刀菌烯醇K. Klem等人[8]开发了一种通过前期作物和天气数据预测小麦脱氧雪腐镰刀菌烯醇的模型。利用月平均气温、降雨量和平均相对湿度资料，采用神经网络方法进行预测。Yun Hwan Kim等人/ IERI Procedia 6（2014）52555.2. 基于小麦脱氧雪腐镰刀菌烯醇Marie Váová等人[9]根据天气和小麦状况，对冬季小麦籽粒中脱氧雪腐镰刀菌烯醇的含量进行了预测。因此，他们开发了一个AtriClim模型，其中脱氧雪腐镰刀菌烯醇通过使用神经网络进行预测。该实验是用澳大利亚2002年至2005年的小麦数据进行的，他们发现发生概率高的时间和天气变量有很大的相关性。6. 基于Web的脱氧雪腐镰刀菌烯醇S. Landschoot等人[10]开发了一种通过农场和天气数据预测脱氧雪腐镰刀菌烯醇的模型。该预测模型通过Web提供管理策略和建议的信息，并使用降雨量，温度，叶片水分激光时间，大气压力，风速和相对湿度，土壤类型，播种期，收获期，土壤管理技术，转移作物和杀菌剂应用的数据。采用C-index交叉验证作为预测方法，并基于2002 - 2011年比利时18个地方的3100个小麦样本数据对预测模型进行了评估。7. 结论本文综述了利用机器学习技术进行作物病虫害预测预报的方法。调查的结果可以概括在表1中，我们可以从这个表中了解到，研究倾向于特定的作物。这些预测方法可以帮助农场减少损失，增加收入，需要推广，以便将其应用于各种作物。表1总结了基于机器学习技术的作物病害预测技术的特征。表1.回归与机器学习技术号类型预测目标建议采用的各种技术输出1叶叶湿度广义回归神经网络，多元线性回归叶片水分2小麦赤霉病岭回归，多元线性回归，贝叶斯LASSO，再生核希尔伯特空间回归，随机森林回归农作物病虫害评价3小麦脱氧雪腐镰刀菌烯醇多元线性回归Deoxinivalenol发生预测4农业虫害/疾病高斯朴素贝叶斯，快速关联规则挖掘开发可预测害虫的实时决策系统。5咖啡咖啡锈病贝叶斯网络咖啡锈病预测6小麦条锈病SVM小麦条锈病预测预报7叶蝇SVM潜叶蝇侵染预测8小麦脱氧雪腐镰刀菌烯醇神经网络脱氧雪腐镰刀菌烯醇预测模型的建立9小麦脱氧雪腐镰刀菌烯醇神经网络AtriClim模型开发10小麦赤霉病使用C-index的脱氧雪腐镰刀菌烯醇预测模型的建立56Yun Hwan Kim等人/ IERI Procedia 6（2014）52确认这项工作得到了MSIP/KEIT的IT R D计划的支持[10044889，A development of the web- based systemfor the predication，surveillance and non-proliferation against the blisting disease in the horizontal crops]。引用[1] Younes Chtioui等人，“广义回归神经网络及其在植物叶片湿度预测中的应用”，化学计量学与智能实验室系统，第48卷，第47 -58页，1999年[2] Jessica Rutkoski等人，“Evaluation of Genomic Prediction Methods for Fusarium Head BlightResistance in Wheat”, The Plant Genome, vol. 5, pp.51–61,[3] D. C.胡克等人，“Using Weather Variables Pre- and Post- heading to Predict Deoxynivalenol Contentin Winter Wheat”, Plant Disease, vol. 86, pp.611–619,[4] A. K. Tripathy等人，“Data Mining and Wireless Sensor Network for Agriculture Pest/DiseasePredictions”, 2011 World Congress on Information and Communication Technologies, pp.1229-1234,[5] 科拉湾Perez-Ariza等人，“Prediction of Coffee Rust Disease Using Bayesian Networks”, 6th EuropeanWorkshop on Probabilistic Graphical Models, pp.259-266,[6] Haiguang Wang等人，“Prediction of Wheat Stripe Rust Based on Support Vector Machine”,2011 Seventh International Conference on Natural Computation, pp.378–382,[7] 吴大可等，“The Support Vector Machine (SVM) Based Near-Infrared Spectrum Recognition ofLeaves Infected by the Leafminers”, First International Conference on Innovative Computing, Informationand Control, vol. 3, pp.448-451,[8] K. Klem等人，“A neural network model for prediction of deoxynivalenol content in wheat grain basedon weather data and preceding crop”, Plant Soil and Environment, vol. 53, pp.421-429,[9] Marie Váová等人，[10] S. Landschoot等人，“A field-specific web tool for the prediction of Fusarium head blight anddeoxynivalenol 93，第140 -148页