基于机器学习的松毛虫发生面积预测模型的研究及应用

摘要

森林病虫害在中国的危害面积始终居高不下，一直是严重制约中国林业发展的重大问题。松毛虫是中国森林的一类重要害虫，其危害严重影响了中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模型(RMSE=0.36)和SVM模型(RMSE=0.33)的RMSE值，表明该模型的预测结果与实际值偏差较大，预测效果不够理想。MLFN模型和SVM模型的RMSE值较为接近，均优于多元线性回归。MLFN模型和SVM模型在30％容忍度下的预测准确率分别为60％和80％，训练时间分别为41s和1s，说明SVM模型的预测准确率更高，预测耗时更短。因而，SVM模型更适于对马尾松毛虫发生趋势的预测。
　　(2)在针对于落叶松毛虫的预测中，对比各模型的RMSE值可知，三种机器学习模型MLFN(RMSE=0.4002)、GRNN(RMSE=0.2565)、SVM(RMSE=0.077)的预测效果均在很大程度上优于多元线性回归(RMSE=0.7474)。并且SVM模型的预测准确率在30％容忍度下可达100％，高于MLFN模型(33.33％)和GRNN模型(66.67％)的预测准确率。在训练时间上SVM模型(1s)相较于MLFN模型(56s)也有较大优势。因此，SVM模型更适用于对落叶松毛虫发生面积的预测。
　　(3)利用已构建的SVM模型，以其基本原理及最优化参数为基础，开发基于MATLAB GUI的松毛虫发生面积预测软件，将预测模型实现可视化，方便使用者直接输入数据等操作。该软件可以快速导入并处理数据，且用户界面简洁友好，操作简单直观，很好的实现了人机交互。该软件已封装为可执行文件，可移植性较好，更便于用户的使用，有很好的应用性。
　　根据对这四种预测模型预测效果的对比分析表明，机器学习可以应用于生产实际并有效预测虫害发生面积，尤其是支持向量机模型可以作为一种很好预测手段。

目录

摘要

1 绪论

1．1 研究背景

1．2 国内外森林病虫害测报的研究概况

1．2．1 国内研究概况

1．2．2 国外研究概况

1．3 研究的目的及意义

1．4 主要研究内容

1．5 论文结构安排

1．6 本章小结

2 松毛虫发生面积预测模型的选用及构建

2．1 松毛虫危害

2．2 预测模型方法的选用

2．2．1 多元线性回归

2．2．2 人工神经网络

2．2．3 支持向量机(SVM)

2．3 模型构建方法及评价指标

2．3．1 模型构建基本方法

2．3．2 模型评价指标

2．4 本章小结

3 马尾松毛虫虫害预测模型的构建及预测

3．1 数据来源

3．2 预报因子的选择

3．3 预测结果及分析

3．3．1 多元线性回归预测结果

3．3．2 ANN预测结果

3．3．3 SVM预测结果

3．4 讨论

3．5 本章小结

4 落叶松毛虫虫害预测模型的构建及预测

4．1 数据来源

4．2 预报因子的选择

4．3 预测结果及分析

4．3．1 多元线性回归预测结果

4．3．2 ANN预测结果

4．3．3 SVM预测结果

4．4 讨论

4．5 本章小结

5 松毛虫虫害预测软件的设计与实现

5．1 软件开发工具

5．1．1 MATLAB概述

5．1．2 MATLAB特点及优势

5．1．3 图形用户界面

5．2 软件设计及开发方法

5．2．1 软件设计基本思路及流程

5．2．2 软件开发基本步骤

5．3 软件关键功能的具体实现

5．3．1 主界面

5．3．2 输入数据预测功能

5．3．3 上传文件预测功能

5．3．4 关闭界面

5．4 本章小结

结论

参考文献

攻读学位期间发表的学术论文

致谢

声明