基于机器学习的松毛虫发生面积预测模型的研究及应用
发布时间：2021-01-07 05:03
森林病虫害在我国的危害面积始终居高不下,一直是严重制约我国林业发展的重大问题。松毛虫是我国森林的一类重要害虫,其危害严重影响了我国林木生长和森林资源的安全。因而,及时准确地对松毛虫的发生趋势进行预测预报十分必要。虫害的发生受到多种因素的影响,是一种复杂的非线性关系,传统的预测方法大多为基于线性的预测,导致预测效果不够理想,需要搜寻更为科学先进的预测方法来提高预测的准确性,真正做到对害虫发生趋势的科学预测。马尾松毛虫和落叶松毛虫是发生较为严重的松树叶部害虫。本研究以这两种害虫历年发生面积作为研究样本,利用多层前馈神经网络（MLFN）、广义回归神经网络（GRNN）以及支持向量机（SVM）三种机器学习算法对其发生面积进行预测,并将三种方法的预测结果与传统的多元线性回归预测方法相比较,通过均方根误差（RMSE）、预测准确率以及模型的训练时间作为评价标准,综合对比来评价各模型的性能。以确定机器学习在虫害预测中的可行性,进而寻求一种对松毛虫发生趋势预测的有效方法。结果显示:（1）在针对于马尾松毛虫的预测中,GRNN模型的RMSE值为1.92,远大于多元线性回归（RMSE=0.494）、MLFN 模...
【文章来源】：东北林业大学黑龙江省 211工程院校 教育部直属院校
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
fAAT,FN原理图
．－ｗｅｅｎｅｗｏ?ｎｅｕｒｏｎｓ?／?ａｎ２．２．２．２广义回归神经网络（ＧＲＮＮ）??广义回归祌经网络（ＧＲＮＮ）最早由Ｓｐｅｃｈｔ提出［６６］，—个完整的ＧＲＮＮ有４层，包??括：输入层、模式层、求和层和输出层（图２－３）?［６７’６８’６９，７（）］，其中网络输入为??Ａ＂－?［Ｘ／，?Ｘ。，．?？?．ｘ，，］＇，输出为｝＾?…乃］７。??（１）输入层：输入层保持其相应的自动模式，直接将输入的变量传递到模式层。??
通过寻找最优超平面，把所有样品通过最大间隔进行分类，是支持向量机的基??本原理［７１’７２’７３’７４］。最优超平面不仅有助于提高模型的预测能力，也有助于减少偶尔出现??的错误分类。图２－４说明了最优超平面，用“红色”代表的样本类型１，“蓝色”代表样本??类型－１。??＇?＇?＇?＇?？?？〇〇凸??＞？〇??Ｓｕｐｐｏｒｔ?ｖｅｃｔｏｒ－?＾?Ｓｕｐｐｏｒｔ?ｖｅｃｔｏｒ??〇〇〇〇ｘ?＼??图２－４支持向量确定最优超平面的位置??Ｆｉｇ．２－４?Ｔｈｅ?ｓｕｐｐｏｒｔ?ｖｅｃｔｏｒｓ?ｄｅｔｅｒｍｉｎｅ?ｔｈｅ?ｐｏｓｉｔｉｏｎ?ｏｆ?ｔｈｅ?ｏｐｔｉｍａｌ?ｈｙｐｅｒｐｌａｎｅ??ＳＶＭ可以很好地应用于函数拟合问题中，本工作采用支持向量回归算法，对线性??－１０－??
【参考文献】：
期刊论文
[1]林业有害生物灾害损失评估研究进展[J]. 梁倩玲,刘萍,陈梦,刘忠军,盛兆湖,苏延乐. 林业资源管理. 2015(02)
[2]浅谈大数据分析在生态林业上的运用[J]. 蓝学,韦绪,覃德文. 经济研究导刊. 2015(06)
[3]基于人工神经网络的落叶松毛虫发生量预测模型的研究[J]. 杨淑香,赵慧颖,包兴华. 中国农学通报. 2014(28)
[4]大数据时代林业科普信息化发展研究[J]. 郭建斌,秦向华,万志红,李平. 经济师. 2014(09)
[5]基于相空间重构及GRNN的海防林害虫预测及效果检验[J]. 田万银,徐华潮. 浙江林业科技. 2014(02)
[6]浅谈机器学习方法[J]. 甄盼好. 网络安全技术与应用. 2014(01)
[7]多元线性回归与BP神经网络预测模型对比与运用研究[J]. 张景阳,潘光友. 昆明理工大学学报(自然科学版). 2013(06)
[8]MATLAB软件在数学建模中的应用[J]. 华颖. 价值工程. 2013(26)
[9]基于GIS的专家系统和决策支持系统在林业中的应用研究综述[J]. 王建明,张雁,尹继庭,赵南. 中南林业调查规划. 2012(03)
[10]人工神经网络的发展及应用[J]. 毛健,赵红东,姚婧婧. 电子设计工程. 2011(24)
博士论文
[1]基于SVM和GIS的梨小食心虫预测系统的研究[D]. 陈梅香.北京林业大学 2010
硕士论文
[1]落叶松毛虫成虫种群数量监测技术研究[D]. 王文龙.北京林业大学 2014
[2]基于GRNN神经网络的农作物虫害量预测系统设计[D]. 金帅军.内蒙古工业大学 2013
[3]基于MATLAB GUI的多功能计算系统设计及实现[D]. 邓昌瑞.南昌大学 2012
[4]落叶松毛虫预测模型与模拟研究[D]. 高倩.河北农业大学 2012
[5]基于MATLAB GUI的数字图像处理系统设计[D]. 李磊.成都理工大学 2012
[6]机器学习方法在雷达定量测量降水及临近预报中的应用研究[D]. 蒋志.中国气象科学研究院 2012
[7]马尾松毛虫害遥感监测及其影响因子分析[D]. 陈福海.福建农林大学 2012
[8]基于模糊神经网络的森林虫害预测预报的应用研究[D]. 戚莹.东北林业大学 2011
[9]仙居县马尾松毛虫发生量预测的研究[D]. 陈绘画.浙江农林大学 2010
[10]林业有害生物灾害预测模型设计与实现[D]. 谢芳毅.北京林业大学 2009
本文编号：2961966
【文章来源】：东北林业大学黑龙江省 211工程院校 教育部直属院校
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
fAAT,FN原理图
．－ｗｅｅｎｅｗｏ?ｎｅｕｒｏｎｓ?／?ａｎ２．２．２．２广义回归神经网络（ＧＲＮＮ）??广义回归祌经网络（ＧＲＮＮ）最早由Ｓｐｅｃｈｔ提出［６６］，—个完整的ＧＲＮＮ有４层，包??括：输入层、模式层、求和层和输出层（图２－３）?［６７’６８’６９，７（）］，其中网络输入为??Ａ＂－?［Ｘ／，?Ｘ。，．?？?．ｘ，，］＇，输出为｝＾?…乃］７。??（１）输入层：输入层保持其相应的自动模式，直接将输入的变量传递到模式层。??
通过寻找最优超平面，把所有样品通过最大间隔进行分类，是支持向量机的基??本原理［７１’７２’７３’７４］。最优超平面不仅有助于提高模型的预测能力，也有助于减少偶尔出现??的错误分类。图２－４说明了最优超平面，用“红色”代表的样本类型１，“蓝色”代表样本??类型－１。??＇?＇?＇?＇?？?？〇〇凸??＞？〇??Ｓｕｐｐｏｒｔ?ｖｅｃｔｏｒ－?＾?Ｓｕｐｐｏｒｔ?ｖｅｃｔｏｒ??〇〇〇〇ｘ?＼??图２－４支持向量确定最优超平面的位置??Ｆｉｇ．２－４?Ｔｈｅ?ｓｕｐｐｏｒｔ?ｖｅｃｔｏｒｓ?ｄｅｔｅｒｍｉｎｅ?ｔｈｅ?ｐｏｓｉｔｉｏｎ?ｏｆ?ｔｈｅ?ｏｐｔｉｍａｌ?ｈｙｐｅｒｐｌａｎｅ??ＳＶＭ可以很好地应用于函数拟合问题中，本工作采用支持向量回归算法，对线性??－１０－??
【参考文献】：
期刊论文
[1]林业有害生物灾害损失评估研究进展[J]. 梁倩玲,刘萍,陈梦,刘忠军,盛兆湖,苏延乐. 林业资源管理. 2015(02)
[2]浅谈大数据分析在生态林业上的运用[J]. 蓝学,韦绪,覃德文. 经济研究导刊. 2015(06)
[3]基于人工神经网络的落叶松毛虫发生量预测模型的研究[J]. 杨淑香,赵慧颖,包兴华. 中国农学通报. 2014(28)
[4]大数据时代林业科普信息化发展研究[J]. 郭建斌,秦向华,万志红,李平. 经济师. 2014(09)
[5]基于相空间重构及GRNN的海防林害虫预测及效果检验[J]. 田万银,徐华潮. 浙江林业科技. 2014(02)
[6]浅谈机器学习方法[J]. 甄盼好. 网络安全技术与应用. 2014(01)
[7]多元线性回归与BP神经网络预测模型对比与运用研究[J]. 张景阳,潘光友. 昆明理工大学学报(自然科学版). 2013(06)
[8]MATLAB软件在数学建模中的应用[J]. 华颖. 价值工程. 2013(26)
[9]基于GIS的专家系统和决策支持系统在林业中的应用研究综述[J]. 王建明,张雁,尹继庭,赵南. 中南林业调查规划. 2012(03)
[10]人工神经网络的发展及应用[J]. 毛健,赵红东,姚婧婧. 电子设计工程. 2011(24)
博士论文
[1]基于SVM和GIS的梨小食心虫预测系统的研究[D]. 陈梅香.北京林业大学 2010
硕士论文
[1]落叶松毛虫成虫种群数量监测技术研究[D]. 王文龙.北京林业大学 2014
[2]基于GRNN神经网络的农作物虫害量预测系统设计[D]. 金帅军.内蒙古工业大学 2013
[3]基于MATLAB GUI的多功能计算系统设计及实现[D]. 邓昌瑞.南昌大学 2012
[4]落叶松毛虫预测模型与模拟研究[D]. 高倩.河北农业大学 2012
[5]基于MATLAB GUI的数字图像处理系统设计[D]. 李磊.成都理工大学 2012
[6]机器学习方法在雷达定量测量降水及临近预报中的应用研究[D]. 蒋志.中国气象科学研究院 2012
[7]马尾松毛虫害遥感监测及其影响因子分析[D]. 陈福海.福建农林大学 2012
[8]基于模糊神经网络的森林虫害预测预报的应用研究[D]. 戚莹.东北林业大学 2011
[9]仙居县马尾松毛虫发生量预测的研究[D]. 陈绘画.浙江农林大学 2010
[10]林业有害生物灾害预测模型设计与实现[D]. 谢芳毅.北京林业大学 2009
本文编号：2961966
本文链接：https://www.wllwen.com/nykjlw/lylw/2961966.html
