基于大数据的玉米田四代棉铃虫发生量的预测模型

doi:10.11959/j.issn.2096-0271.2016008

大数据 ›› 2016, Vol. 2 ›› Issue (1): 68-75.doi: 10.11959/j.issn.2096-0271.2016008

基于大数据的玉米田四代棉铃虫发生量的预测模型

赵雷,杨波,刘勇(),牟少敏,温孚江()

山东农业大学农业大数据研究中心，山东泰安 271018

出版日期:2016-01-20 发布日期:2017-03-22
作者简介:赵雷（1990-），女，山东农业大学硕士生，主要研究方向为农业科研与大数据。|刘勇（1968-），男，山东农业大学教授、博士生导师，主要研究方向为害虫绿色防控和农业大数据。|刘勇（1968-），男，山东农业大学教授、博士生导师，主要研究方向为害虫绿色防控和农业大数据。|牟少敏（1964-），男，博士，山东农业大学教授，主要研究方向为大数据、机器学习和模式识别。|温孚江（1955-），男，现任山东农业大学校长、教授，农业大数据创新战略联盟理事长，全国人民代表大会常务委员会委员。早年留学美国，并获博士学位。主要从事植物保护研究和宏观农业研究工作。发表论文210余篇，专著5部。最近一部专著《大数据农业》由中国农业出版社于2015年9月出版。目前主要从事农业大数据应用研究工作，是我国农业大数据研究主要发起人之一。
基金资助:
山东省农业重大应用技术创新课题基金资助项目

Forecasting model for the fourth generation of cotton bollworm in corn fields based on big data

Lei ZHAO,Bo YANG,Yong LIU(),Shaomin MU,Fujiang WEN()

Agricultural Big Data Research Center,Shandong Agricultural University,Taian 271018,China

Online:2016-01-20 Published:2017-03-22
Supported by:
Major Innovation of Applied Technology in Agriculture of Shandong Province

摘要/Abstract

摘要：

提出了一种基于支持向量机的预测模型。根据山东省1999-2013年玉米田第四代棉铃虫发生程度采集的数据，采用支持向量回归（SVR）算法，构建了玉米田第四代棉铃虫发生程度与其关联因子间的非线性关系模型，并对该方法进行了测试与分析。结果表明，由SVR预测模型得到的预测发生量与实际发生量基本一致，预测的平均绝对百分比误差为4.36%，预测值与实际值的相关系数为0.960 6，为玉米田第四代棉铃虫的有效防控提供了科学指导。

关键词: 农业大数据, 棉铃虫, 支持向量回归, 监测预警, 玉米

Abstract:

The monitoring and forecasting model was put forward based on support vector machine program.According to the data collection of the fourth generation occurrence degree of the corn bollworm in Shandong province from 1999 to 2013,the support vector regression (SVR) method was adopted to build the nonlinear correlation model between the occurrence degree of the fourth generation bollworm and the associated factors.The method and the model were tested and analyzed.The results showed that the SVR forecasting model for prediction was almost in accord with the actual insect occurrence situation.The mean absolute percentage error was 4.36%,and the actual and estimated value of the correlation coefficient was 0.960 6.It could provide effective and accurate guidance to the cotton bollworm control in corn fields.

Key words: agricultural big data, cotton bollworm, support vector regression, monitoring and forecasting, corn

中图分类号:

S431.9

赵雷, 杨波, 刘勇, 牟少敏, 温孚江. 基于大数据的玉米田四代棉铃虫发生量的预测模型[J]. 大数据, 2016, 2(1): 68-75.

Lei ZHAO, Bo YANG, Yong LIU, Shaomin MU, Fujiang WEN. Forecasting model for the fourth generation of cotton bollworm in corn fields based on big data[J]. Big Data Research, 2016, 2(1): 68-75.

图/表 6

图1

表1

表2

图2

图3

表3

参考文献 19

[1]	GANDOMI A , HAIDER M . Beyond the hype:big data concepts,methods,and analytics[J]. International Journal of Information Management, 2015,35(2):137-144.
[2]	KAMBATLA K , KOLLIAS G , KUMAR V , et al. Trends in big data analytics[J]. Journal of Parallel and Distributed Computing, 2014,74(7): 2561-2573.
[3]	LAZER D , KENNEDY R , KING G , et al. The parable of Google flu:traps in big data analysis[J]. Science, 2014,343(6176): 1203-1205.
[4]	SUN Z F , DU K M , ZHENG F X . Perspectives of research and application of big data on smart agriculture[J]. Journal of Agricultural Science and Technology, 2013,15(6): 63-71.
[5]	SIRAJ A S , SANTOS-VEGA M , BOUMA M J , et al. Altitudinal changes in malaria incidence in highlands of ethiopia and colombia[J]. Science, 2014,343(6175): 1154-1158.
[6]	HALLMANN C A , FOPPEN R P B , TURNHOUT C A M V , et al. Declines in insectivorous birds are associated with high neonicotinoid concentrations[J]. Nature, 2014,511(7509): 341-343.
[7]	宋长青, 牟少敏, 周虎 , 等. 农业大数据研究中心的建设、研究与实践[J]. 中国现代教育装备, 2015(3):8-11.
	SONG C Q , MU S M , ZHOU H , et al. Construction,research and practice of agricultural big data research center[J]. China Modern Educational Equipment, 2015(3):8-11.
[8]	辛妍, . 大数据在农业中的应用[J]. 新经济导刊 2015(4):46-51.
	XIN Y . Big data applications in agriculture[J]. New Economy Weekly, 2015(4):46-51.
[9]	温孚江, . 农业大数据与发展新机遇[J]. 中国农村科技 2013(3):4-7.
	WEN F J . Agricultural big data and development of new opportunities[J]. Agricultural Sciences in China, 2013(3):4-7.
[10]	杨波, 刘勇, 牟少敏 , 等. 大数据背景下山东省二代玉米螟发生程度预测模型的构建[J]. 计算机研究与发展, 2014(s2):160-165.
	YANG B , LIU Y , MU S M , et al. Based on big data:the establishment of meteorological forecast model for the occurrence degree of the second generation of corn borer in Shandong[J]. Journal of Computer Research and Development, 2014(s2):160-165.
[11]	陈广泉, . 河西走廊玉米田棉铃虫发生规律与药剂防治技术研究[D]. 咸阳：西北农林科技大学 2004:12-16.
	CHEN G Q . The occurrence regularity and cottrol technology research of cotton bollworm in the hexi corridor cornfield[D]. Xianyang:Northwest A＆amp;F University, 2004:12-16.
[12]	CHANGNON D , SANDSTROM M , ASTOLFI J , et al. Using climatology to predict the first majorsummer corn earworm (lepidoptera:noctuidae) catch in north central Illinois[J]. Meteorological Applications, 2010,17(3): 321-328.
[13]	FENG H , GOULD F , HUANG Y , et al. Modeling the population dynamics of cotton bollworm Helicoverpa armigera (Hübner) (lepidoptera:noctuidae) over a wide area in northern China[J]. Ecological Modelling, 2010,221(15): 1819-1830.
[14]	RAJ K R , KARDAM A , ARORA J K , et al. Artificial neural network (ANN) design for Hg–Se interactions and their effect on reduction of Hg uptake by radish plant[J]. Journal of Radioanalytical and Nuclear Chemistry, 2010,283(3): 797-801.
[15]	VAPNIK V N . The nature of statistical learning theory[J]. IEEE Transactions on Neural Networks, 1995,10(5):988-999.
[16]	赵仲华, 沈佐锐 . 昆虫种群动态非线性建模理论与应用[J]. 生物数学学报, 2001,16(4):439-447.
	ZHAO Z H , SHEN Z R . Insect population dynamics of nonlinear modeling theory and application[J]. Journal of Biomathematics, 2001,16(4):439-447.
[17]	李永娜, . 基于支持向量机的回归预测综述[D]. 信息通信 2014(11):32-33.
	LI Y N . Regression forecast review based on support vector machine[D]. Message Communication, 2014(11):32-33.
[18]	ERDAL H I . Two-level and hybrid ensembles of decision trees for high performance concrete compressive strength prediction[J]. Engineering Applications of Artificial Intelligence, 2013,26(7):1689-1697.
[19]	朱军生, 翟保平, 董保信 . 基于径向基小波网络的二代棉铃虫卵峰日预测模型[J]. 昆虫学报, 2010,53(12):1429-1435.
	ZHU J S , ZHAI B P , DONG B X . Forecasting model for the oviposition peak day in the second generation of helicoverpa armigera (lepidopeter:noctuidae) based on radial basis wavelet network[J]. Acta Entomologica Sinica, 2010,53(12):1429-1435.

年份	真实值	拟合值	绝对误差	相对误差
1999年	15.5	15.599 8	- 0.099 8	0.64%
2000年	49	48.899 8	0.100 2	0.20%
2001年	14	14.099 8	- 0.099 8	0.71%
2002年	24.5	24.399 9	0.100 1	0.41%
2003年	5	5.100 1	- 0.100 1	2.00%
2004年	19	18.574 9	0.425 1	2.24%
2005年	16	16.100 3	- 0.100 3	0.63%
2006年	39.3	37.699 3	1.600 7	4.07%
2007年	42.5	42.399 8	0.100 2	0.24%
2008年	47	47.100 3	0.100 3	0.21%
2009年	34.5	34.600 3	- 0.100 3	0.29%
2010年	38	38.099 9	- 0.1	0.26%

年份	真实值	预测值	绝对误差	相对误差
2011年	52	52.992 3	- 0.992 3	1.90%
2012年	42.6	41.243 2	1.356 8	3.17%
2013年	32.5	35.101 7	- 2.601 8	8.01%

	MAE	MRE	RMSE
训练值	0.24	0.99%	1.68
预测值	1.65	4.36%	3.1

基于大数据的玉米田四代棉铃虫发生量的预测模型

Forecasting model for the fourth generation of cotton bollworm in corn fields based on big data

在线阅读

PDF下载

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 19

相关文章 9

Metrics

推荐阅读 0

[1]	崔磊. 农业大数据建设的需求、模式与单品种全产业链推进路径[J]. 大数据, 2019, 5(5): 100-108.
[2]	孙忠富, 李永利, 郑飞翔, 杜克明, 马浚诚, 张德龙. 区块链在智慧农业中的应用展望[J]. 大数据, 2019, 5(2): 116-124.
[3]	孙忠富, 褚金翔, 马浚诚, 杜克明, 郑飞翔. 大数据服务三农的初步分析与探索[J]. 大数据, 2017, 3(3): 33-43.
[4]	王文生, Leifeng. 关于我国农业大数据中心建设的设想[J]. 大数据, 2016, 2(1): 28-34.
[5]	李俊清, 宋长青, 周虎. 农业大数据资产管理面临的挑战与思考[J]. 大数据, 2016, 2(1): 35-43.
[6]	郑勇, 孟磊, 李文静. 山东省农业大数据发展刍议[J]. 大数据, 2016, 2(1): 44-52.
[7]	牟少敏, 温孚江, 宋长青. 农业大数据研究生培养模式探索[J]. 大数据, 2016, 2(1): 53-58.
[8]	张晴晴, 刘勇, 牟少敏, 温孚江. 基于大数据的小麦蚜虫发生程度决策树预测分类模型[J]. 大数据, 2016, 2(1): 59-67.
[9]	汪琛德, 王楠, 曹丹星. 农业大数据给商品交易所带来的机遇和挑战[J]. 大数据, 2016, 2(1): 76-85.