農(nóng)業(yè)病害預(yù)測(cè)人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了農(nóng)業(yè)病害預(yù)測(cè)人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用范文，希望能給你帶來靈感和參考，敬請(qǐng)閱讀。

關(guān)鍵詞：農(nóng)業(yè)病害；預(yù)測(cè)；人工神經(jīng)網(wǎng)絡(luò)

我國(guó)是一個(gè)傳統(tǒng)農(nóng)業(yè)大國(guó)，在農(nóng)業(yè)種植和病害綜合防治方面積累了大量經(jīng)驗(yàn)。我國(guó)耕地面積占世界耕地面積的7%，農(nóng)作物病害是我國(guó)的主要自然災(zāi)害之一，具有突發(fā)性、普遍性和危害性3個(gè)顯著特點(diǎn)[1]。每年全世界范圍內(nèi)因?yàn)檗r(nóng)業(yè)病害所導(dǎo)致的糧食減產(chǎn)達(dá)到了總產(chǎn)量的10%[2]，造成了巨大的經(jīng)濟(jì)損失。因此，加強(qiáng)農(nóng)業(yè)病害綜合防治工作，對(duì)農(nóng)業(yè)經(jīng)濟(jì)發(fā)展具有重要意義。農(nóng)業(yè)病害預(yù)測(cè)是一種非常有效的手段，對(duì)降低農(nóng)業(yè)病害的危害具有重要作用。進(jìn)入21世紀(jì)后，人工神經(jīng)網(wǎng)絡(luò)不斷發(fā)展，其在現(xiàn)代農(nóng)業(yè)應(yīng)用方面取得了非常好的效果，特別是在“智慧農(nóng)業(yè)”發(fā)展方面提供了一種強(qiáng)有力的支持。馬麗麗等[3]建立BP（BackPropagation）神經(jīng)網(wǎng)絡(luò)，對(duì)發(fā)生在黃瓜上的4種常見病害發(fā)生情況進(jìn)行了預(yù)測(cè)。張映梅等[4]利用BP神經(jīng)網(wǎng)絡(luò)對(duì)小麥吸漿蟲的發(fā)生程度進(jìn)行預(yù)測(cè)，也取得了理想的效果。由此可見，利用人工神經(jīng)網(wǎng)絡(luò)對(duì)農(nóng)業(yè)病害進(jìn)行預(yù)測(cè)是一種非常有力的手段。

1病害預(yù)測(cè)方法概述

在農(nóng)業(yè)病害防治工作中，為實(shí)現(xiàn)最好的防治效果，往往在病害大面積發(fā)生前對(duì)病害的發(fā)生面積、發(fā)生程度、發(fā)展方向等先進(jìn)行全面的預(yù)測(cè)。這樣一來，在病害發(fā)生前便可以采取相應(yīng)的措施，使病害發(fā)生的泛濫程度大幅度減小，從而降低病害的危害程度。病害的預(yù)測(cè)方法主要分為四大類：專家評(píng)估法、類推法、數(shù)理統(tǒng)計(jì)模型法和系統(tǒng)模擬模型法[5]。一是專家評(píng)估法。此方法是一種人為的預(yù)測(cè)方式，即通過本領(lǐng)域的專家們利用他們所掌握的農(nóng)業(yè)病害知識(shí)對(duì)病害的發(fā)生進(jìn)行分析總結(jié)，最后再得出預(yù)測(cè)結(jié)果。二是類推法。通過對(duì)以往的病害發(fā)生程度進(jìn)行一種經(jīng)驗(yàn)上的預(yù)測(cè)。但此類方法不適合復(fù)雜環(huán)境下的病害預(yù)測(cè)，預(yù)測(cè)方式單一，往往只能在本地區(qū)病害類型不多的情況下達(dá)到預(yù)測(cè)的效果。三是數(shù)理統(tǒng)計(jì)模型法。通過記錄并分析病害發(fā)生前各項(xiàng)可能導(dǎo)致病害發(fā)生的環(huán)境因素，建立數(shù)理模型并進(jìn)行預(yù)測(cè)。模型可以根據(jù)調(diào)查取得的影響病害發(fā)生的因子直接得出病害發(fā)生程度。如劉方等[6]利用數(shù)理統(tǒng)計(jì)模型中的馬爾科夫鏈模型對(duì)未來降水量進(jìn)行預(yù)測(cè)。四是系統(tǒng)模擬模型法。此方法也屬于數(shù)理模型法，只是針對(duì)模型計(jì)算采用計(jì)算機(jī)。利用計(jì)算機(jī)高速運(yùn)算能力可以很好地對(duì)模型進(jìn)行計(jì)算并很快得到結(jié)果。但是，這種預(yù)測(cè)方法的模型構(gòu)建比較復(fù)雜且不易擴(kuò)展。根據(jù)農(nóng)業(yè)病害發(fā)生的特點(diǎn)[7]，可將農(nóng)業(yè)病害預(yù)測(cè)分為3種類型，即病害發(fā)生期預(yù)測(cè)、病害發(fā)生量預(yù)測(cè)和病害發(fā)生分布預(yù)測(cè)[8]。通過這幾種方式的預(yù)測(cè)，就可大致掌握農(nóng)業(yè)病害發(fā)展趨勢(shì)。病害發(fā)生期預(yù)測(cè)又可分為短期預(yù)測(cè)、中期預(yù)測(cè)、中長(zhǎng)期預(yù)測(cè)、長(zhǎng)期預(yù)測(cè)。針對(duì)不同的病害可以采用不同的預(yù)測(cè)方式，通過預(yù)測(cè)發(fā)生期可以實(shí)時(shí)掌握病害的發(fā)生趨勢(shì)。

2農(nóng)業(yè)病害預(yù)測(cè)研究

農(nóng)業(yè)病害的發(fā)生不僅由外部因素導(dǎo)致，還有內(nèi)部因素的原因。外部因素具體表現(xiàn)為環(huán)境氣候，如溫度、降水量、日照時(shí)長(zhǎng)、昆蟲攜帶病菌導(dǎo)致的感染。除此之外，土壤中微生物也會(huì)導(dǎo)致病害發(fā)生。如劉德飛等[9]通過分析發(fā)現(xiàn)，土壤中大量菌群對(duì)病害微生物的生長(zhǎng)有益。內(nèi)部因素常表現(xiàn)為作物本身早已攜帶了病菌，導(dǎo)致作物一開始就已經(jīng)被病害感染。我國(guó)早在20世紀(jì)50年代就開展了病害預(yù)防預(yù)測(cè)工作，在農(nóng)業(yè)病害預(yù)測(cè)技術(shù)上積累了大量經(jīng)驗(yàn)。在經(jīng)歷了傳統(tǒng)的經(jīng)驗(yàn)預(yù)測(cè)、試驗(yàn)預(yù)測(cè)、統(tǒng)計(jì)預(yù)測(cè)和信息預(yù)測(cè)[10]后，直到20世紀(jì)80年代，人工神經(jīng)網(wǎng)絡(luò)與非線性理論的引入，為病害的預(yù)測(cè)方式方法開辟了一條新道路，使農(nóng)業(yè)病害預(yù)測(cè)方式更加多樣化。

2.1傳統(tǒng)病害預(yù)測(cè)方法

傳統(tǒng)病害預(yù)測(cè)方法主要是通過專家評(píng)估和數(shù)理統(tǒng)計(jì)模型進(jìn)行預(yù)測(cè)，類推法和系統(tǒng)模擬法分別屬于這2種模型中的一種分支。專家預(yù)測(cè)法是由各個(gè)學(xué)科的專家們根據(jù)病害的發(fā)生類別、病原、狀態(tài)特點(diǎn)、發(fā)生規(guī)律、診斷方法、無公害防治等內(nèi)容[11]建立知識(shí)庫(kù)。通過專家對(duì)知識(shí)庫(kù)的數(shù)據(jù)進(jìn)行分析處理，再創(chuàng)建專家決策系統(tǒng)對(duì)病害的發(fā)生做預(yù)測(cè)；數(shù)理統(tǒng)計(jì)模型是通過對(duì)引起病害發(fā)生的各種外部條件進(jìn)行大量統(tǒng)計(jì)并建立模型，得出一種綜合預(yù)測(cè)結(jié)果。這在一定條件下是有效的，但預(yù)測(cè)結(jié)果不穩(wěn)定[12]。傳統(tǒng)病害預(yù)測(cè)方法在病害預(yù)測(cè)上能起到一定的效果，病害發(fā)生是一種根據(jù)時(shí)間線發(fā)生的行為，也是一種動(dòng)態(tài)行為，以上的預(yù)測(cè)方法為靜態(tài)（預(yù)測(cè)模型為靜態(tài)），隨著時(shí)間的推移，病害綜合防治方法也會(huì)導(dǎo)致病害防治效果下降。如果長(zhǎng)期使用這些方式進(jìn)行預(yù)測(cè)，預(yù)測(cè)精度會(huì)大幅下降。為了解決這種問題，常用方法是定期重新評(píng)估模型并改進(jìn)。這樣雖然能達(dá)到最終目的，但必然會(huì)使預(yù)測(cè)工作量增加，人工神經(jīng)網(wǎng)絡(luò)的出現(xiàn)恰好能解決這個(gè)問題。

2.2基于人工神經(jīng)網(wǎng)絡(luò)的病害預(yù)測(cè)

2.2.1人工神經(jīng)網(wǎng)絡(luò)概述。人工神經(jīng)網(wǎng)絡(luò)是為了使計(jì)算機(jī)模擬人腦思維方式進(jìn)行學(xué)習(xí)的一種網(wǎng)絡(luò)模型，最早由20世紀(jì)40年代的心理學(xué)家McCulloch以及數(shù)學(xué)家Pitts提出[13]。人工神經(jīng)網(wǎng)絡(luò)是由若干個(gè)網(wǎng)絡(luò)最基本單位“神經(jīng)元”構(gòu)成，不同層的神經(jīng)元與神經(jīng)元之間相互連接，2個(gè)神經(jīng)元之間的連線叫作權(quán)值，是前一個(gè)神經(jīng)元的加權(quán)值，后一個(gè)神經(jīng)元中存儲(chǔ)的就是上一個(gè)神經(jīng)元和權(quán)值共同計(jì)算后的結(jié)果。權(quán)值可以理解為人工神經(jīng)網(wǎng)絡(luò)的記憶，人工神經(jīng)網(wǎng)絡(luò)需要進(jìn)行的訓(xùn)練過程就是網(wǎng)絡(luò)通過對(duì)數(shù)據(jù)樣本的學(xué)習(xí)，通過不斷調(diào)整網(wǎng)絡(luò)中的權(quán)值，讓人工神經(jīng)網(wǎng)絡(luò)記住數(shù)據(jù)樣本分布情況，從而完成人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程。人工神經(jīng)網(wǎng)絡(luò)一經(jīng)提出就引起了學(xué)術(shù)界的大規(guī)模研究，但是由于當(dāng)時(shí)的計(jì)算機(jī)計(jì)算速度慢和理論不夠健全等原因，其曾經(jīng)被認(rèn)為人工神經(jīng)網(wǎng)絡(luò)只停留在理論研究階段，是不能夠在實(shí)際中去實(shí)現(xiàn)的模擬人腦學(xué)習(xí)[14-15]，直到J.J.Hopfield提出了Hopfield神經(jīng)網(wǎng)格模型以及計(jì)算機(jī)在計(jì)算速度上取得了突破，使人工神經(jīng)網(wǎng)絡(luò)的研究工作重新得到科學(xué)家的認(rèn)可，并開展相關(guān)研究。人工神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性逼近能力[16]和自適應(yīng)能力，能夠感知環(huán)境變化，從而自動(dòng)調(diào)節(jié)網(wǎng)絡(luò)結(jié)構(gòu)。人工神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的容錯(cuò)能力，個(gè)別樣本的誤差對(duì)整體誤差的影響非常渺小。上述這些特性使人工神經(jīng)網(wǎng)絡(luò)在解決預(yù)測(cè)問題和分類問題時(shí)能夠比很多傳統(tǒng)方法處理的效果要好，例如文字翻譯、語(yǔ)言識(shí)別、圖像識(shí)別、氣象預(yù)測(cè)、人機(jī)對(duì)話等。

2.2.2基于人工神經(jīng)網(wǎng)絡(luò)的病害預(yù)測(cè)。研究表明，排除人為因素，農(nóng)作物病害發(fā)生與當(dāng)季的氣候因子和土壤微生物有巨大的關(guān)系，主要是各類微生物在溫度、濕度、陽(yáng)光、降雨等氣候條件適宜其生存時(shí)，真菌孢子就會(huì)大量繁殖并侵害作物，使作物發(fā)生病變[17]。風(fēng)是病害傳播的一個(gè)重要途徑，真菌孢子很輕，只需有一些很微弱的風(fēng)吹過，便能將真菌孢子帶到下一個(gè)待傳染的地區(qū)（昆蟲也能成為病害傳播的另一個(gè)媒介）。根據(jù)病害特點(diǎn)，可以把需要預(yù)測(cè)的各種類型（病害發(fā)生期預(yù)測(cè)、病害發(fā)生量預(yù)測(cè)、病害發(fā)生分布預(yù)測(cè)）的發(fā)生程度，與對(duì)應(yīng)其病害發(fā)生的因子和影響結(jié)果分別記錄，用作人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本。當(dāng)人工神經(jīng)網(wǎng)絡(luò)從樣本學(xué)習(xí)完畢后，即建立了最終預(yù)測(cè)模型。此時(shí)就可以對(duì)病害的發(fā)生期、發(fā)生量、發(fā)生分布進(jìn)行預(yù)測(cè)。例如，用人工神經(jīng)網(wǎng)絡(luò)對(duì)病害發(fā)生量進(jìn)行預(yù)測(cè)，通常需要將病害發(fā)生量分為5個(gè)等級(jí)，分別是輕、中偏輕、中、中偏重、重。將影響病害發(fā)生的因子和導(dǎo)致的病害結(jié)果作為網(wǎng)絡(luò)模型訓(xùn)練樣本。訓(xùn)練過程的大致原理表現(xiàn)為對(duì)數(shù)據(jù)樣本和標(biāo)簽數(shù)據(jù)進(jìn)行歸類，并劃出各類別的分布。當(dāng)網(wǎng)絡(luò)訓(xùn)練完畢之后，即各個(gè)類別的分布已規(guī)劃好，再把待預(yù)測(cè)數(shù)據(jù)錄入網(wǎng)絡(luò)中，即可計(jì)算出待預(yù)測(cè)數(shù)據(jù)與哪種分布最接近，分布最近的類別即為最終預(yù)測(cè)結(jié)果。

2.2.3常用于預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型。①BP神經(jīng)網(wǎng)絡(luò)模型。BP神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用鏈?zhǔn)角髮?dǎo)法則的誤差反向傳播的前饋神經(jīng)網(wǎng)絡(luò)，是目前神經(jīng)網(wǎng)絡(luò)模型中應(yīng)用最廣泛的網(wǎng)絡(luò)。整個(gè)網(wǎng)絡(luò)由輸入層、隱藏層和輸出層組成[18]，屬于機(jī)器學(xué)習(xí)中的監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)家族中最基本的網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)有非常好的非線性逼近能力，一個(gè)具有3層的神經(jīng)網(wǎng)絡(luò)可以無線逼近任何一個(gè)非線性連續(xù)函數(shù)。但是一個(gè)未經(jīng)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)也存在一些不足，例如在網(wǎng)絡(luò)訓(xùn)練時(shí)容易陷入局部最小值問題，最終導(dǎo)致模型訓(xùn)練失敗?；贐P神經(jīng)網(wǎng)絡(luò)自身的特性導(dǎo)致在解決問題時(shí)很少完全采用BP神經(jīng)網(wǎng)絡(luò)的思想，更多的做法是在更復(fù)雜的神經(jīng)網(wǎng)絡(luò)上面再加一個(gè)BP神經(jīng)網(wǎng)絡(luò)用作整體功能的一部分，又或使用改進(jìn)的BP網(wǎng)絡(luò)[19]。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。②LSTM（LongShortTermMemory）神經(jīng)網(wǎng)絡(luò)模型。LSTM網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork）衍生出來的一種改進(jìn)的網(wǎng)絡(luò)模型。在前面介紹的BP神經(jīng)網(wǎng)絡(luò)或者其他神經(jīng)網(wǎng)絡(luò)模型中幾乎沒有考慮過樣本與樣本之間的聯(lián)系，只是簡(jiǎn)單地把樣本送交模型訓(xùn)練，以減少模型結(jié)果與真實(shí)結(jié)果的誤差。RNN網(wǎng)絡(luò)模型的出現(xiàn)改變了這種原始做法，對(duì)樣本與樣本之間是否具有某些聯(lián)系進(jìn)行了考慮，特別是有時(shí)間順序的樣本集。模型在訓(xùn)練的時(shí)候每一個(gè)樣本的輸出值都會(huì)受到前面樣本輸出值的影響，樣本之間的聯(lián)系就得到了很好的利用。這種模型的出現(xiàn)使神經(jīng)網(wǎng)絡(luò)在解決問題的時(shí)候不僅能從數(shù)據(jù)的“量”里面獲取信息，還能夠從數(shù)據(jù)與數(shù)據(jù)間的“邏輯”中更精確地分析信息。雖然RNN神經(jīng)網(wǎng)絡(luò)相較傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)來說具有特殊的記憶能力，但是RNN神經(jīng)網(wǎng)絡(luò)也有明顯的缺點(diǎn)，即在模型訓(xùn)練時(shí)對(duì)前面樣本信息的記憶不長(zhǎng)久，只能夠保留短期記憶，在某些問題上這種短期記憶所達(dá)到的效果欠佳。LSTM網(wǎng)絡(luò)模型提出的目的即是為了解決RNN神經(jīng)網(wǎng)絡(luò)不能擁有長(zhǎng)期記憶力和梯度消失以及梯度爆炸等一系列問題[20]。LSTM神經(jīng)網(wǎng)絡(luò)也是前饋型神經(jīng)網(wǎng)絡(luò)，繼承了RNN網(wǎng)絡(luò)模型的特性并具有更強(qiáng)的記憶力。LSTM主要解決與時(shí)序有關(guān)的問題，網(wǎng)絡(luò)模型訓(xùn)練時(shí)會(huì)把當(dāng)前的樣本數(shù)據(jù)與以往的樣本數(shù)據(jù)計(jì)算后的結(jié)果共同參與計(jì)算，并留作與下個(gè)數(shù)據(jù)樣本共同計(jì)算。因此，每次得到的計(jì)算結(jié)果都與之前的數(shù)據(jù)有關(guān)系，是一種具有長(zhǎng)期記憶力的神經(jīng)網(wǎng)絡(luò)。由于其長(zhǎng)期的記憶功能，LSTM神經(jīng)網(wǎng)絡(luò)常用于解決在時(shí)序方面的預(yù)測(cè)問題，比如股票預(yù)測(cè)[21]、天氣預(yù)測(cè)、語(yǔ)言識(shí)別等[22]。沈皓俊等[23]利用LSTM網(wǎng)絡(luò)對(duì)氣候降水量進(jìn)行預(yù)測(cè)，陳艷平等[24]利用LSTM網(wǎng)絡(luò)對(duì)自然語(yǔ)言中的句法要素進(jìn)行識(shí)別，兩者都達(dá)到了非常高的精度，相對(duì)于使用其他不考慮時(shí)間序列的網(wǎng)絡(luò)來說效果更加明顯。LSTM網(wǎng)絡(luò)展開后的結(jié)構(gòu)如圖2所示。以上2種神經(jīng)網(wǎng)絡(luò)都可用于農(nóng)業(yè)病害發(fā)展趨勢(shì)預(yù)測(cè)，且2種神經(jīng)網(wǎng)絡(luò)都是通過對(duì)歷史病害發(fā)生情況和與之對(duì)應(yīng)的環(huán)境因子作為樣本訓(xùn)練，是深度學(xué)習(xí)里面的有監(jiān)督學(xué)習(xí)。訓(xùn)練過程其實(shí)是利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性逼近能力確定函數(shù)（神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程可以理解為一種確定函數(shù)具體形式的過程）的具體形式。當(dāng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練完畢之后就可以利用模型對(duì)未來的病害發(fā)生情況進(jìn)行預(yù)測(cè)。利用一個(gè)已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)當(dāng)下的病害進(jìn)行預(yù)測(cè)的過程非常簡(jiǎn)單?？梢园讶斯ど窠?jīng)網(wǎng)絡(luò)模型理解為一個(gè)“黑盒”，只需把當(dāng)前的天氣數(shù)據(jù)輸入到模型中就可以直接得出預(yù)測(cè)結(jié)果，無須知道模型是如何計(jì)算得到的。利用人工神經(jīng)網(wǎng)絡(luò)病害預(yù)測(cè)在神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練階段時(shí)會(huì)花一些時(shí)間訓(xùn)練，模型訓(xùn)練完畢之后便能很快得出預(yù)測(cè)結(jié)果，相較于傳統(tǒng)病害預(yù)測(cè)模型來說，人工神經(jīng)網(wǎng)絡(luò)幫助人類減少了對(duì)數(shù)據(jù)樣本分析的過程，只需關(guān)注模型構(gòu)建的本身。

2.2.4人工神經(jīng)網(wǎng)絡(luò)應(yīng)用到病害預(yù)測(cè)中可能出現(xiàn)的問題。沒有任何一種模型和方法是完美的，人工神經(jīng)網(wǎng)絡(luò)也存在著一些缺點(diǎn)。一是人工神經(jīng)網(wǎng)絡(luò)的固有缺點(diǎn)，即訓(xùn)練速度過慢。在人工神經(jīng)網(wǎng)絡(luò)模擬人類學(xué)習(xí)的過程中，即在人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練階段時(shí)（減少訓(xùn)練得到的結(jié)果與真實(shí)結(jié)果的誤差過程），可能會(huì)花費(fèi)大量時(shí)間。這不僅取決于樣本數(shù)量，也取決于硬件設(shè)備的計(jì)算速度。但農(nóng)業(yè)病害的樣本數(shù)據(jù)相較于語(yǔ)音、視頻等各種非結(jié)構(gòu)化的數(shù)據(jù)來說非常小，因而訓(xùn)練時(shí)的速度問題幾乎不存在。二是在人工神經(jīng)網(wǎng)絡(luò)非線性逼近（模型訓(xùn)練）時(shí)有可能出現(xiàn)不能逼近真實(shí)結(jié)果的情況，雖然可以通過對(duì)數(shù)據(jù)樣本進(jìn)行再處理來解決，但同時(shí)也會(huì)增加預(yù)測(cè)工作量和構(gòu)建模型的難度，使人工神經(jīng)網(wǎng)絡(luò)難以找到一種通用的學(xué)習(xí)算法[25]。因此，在人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)時(shí)，往往需要對(duì)學(xué)習(xí)的數(shù)據(jù)樣本進(jìn)行再次處理才能達(dá)到目的。三是人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需要充足的訓(xùn)練樣本數(shù)據(jù)。當(dāng)訓(xùn)練樣本不足時(shí)，會(huì)導(dǎo)致預(yù)測(cè)精度低，不能達(dá)到預(yù)測(cè)的目的。農(nóng)業(yè)病害的預(yù)測(cè)發(fā)展歷經(jīng)多年，積累了大量農(nóng)業(yè)數(shù)據(jù)，并且可以利用遷移學(xué)習(xí)技術(shù)[26]從類似且已經(jīng)訓(xùn)練好的模型中擴(kuò)展，因而數(shù)據(jù)不足的問題能夠很好地解決。總體來看，從在人工神經(jīng)網(wǎng)絡(luò)所能處理問題的領(lǐng)域來說，農(nóng)業(yè)病害預(yù)測(cè)屬于一種相對(duì)輕量級(jí)的問題，人工神經(jīng)網(wǎng)絡(luò)自身存在的各種缺點(diǎn)對(duì)農(nóng)業(yè)病害預(yù)測(cè)方面的影響都很小。

3農(nóng)業(yè)病害預(yù)測(cè)研究面臨的挑戰(zhàn)與展望

3.1我國(guó)農(nóng)業(yè)病害預(yù)測(cè)研究面臨的挑戰(zhàn)

農(nóng)業(yè)病害預(yù)測(cè)研究雖已取得了巨大進(jìn)步，但是農(nóng)業(yè)病害預(yù)測(cè)的最終目的是防治，如果僅對(duì)農(nóng)業(yè)病害發(fā)展進(jìn)行預(yù)測(cè)，而不做好病害防治工作，那么病害預(yù)測(cè)工作在整個(gè)農(nóng)業(yè)病害防治工作中會(huì)很無力。我國(guó)農(nóng)業(yè)病害綜合防治工作取得了巨大進(jìn)步，特別是在生物技術(shù)病害綜合防治方面，利用病害的天敵昆蟲對(duì)病害進(jìn)行防治[27]，取得了不錯(cuò)的效果。資料顯示，我國(guó)每年在農(nóng)業(yè)病害防治方面使用的化學(xué)農(nóng)藥高達(dá)25萬(wàn)t[28]。使用農(nóng)藥雖然解決了當(dāng)下的病害問題，但是這種做法嚴(yán)重破壞了土壤結(jié)構(gòu)?；瘜W(xué)防治導(dǎo)致的污染問題已成為影響我國(guó)農(nóng)業(yè)發(fā)展的一個(gè)因素。此外，農(nóng)業(yè)病害預(yù)測(cè)研究面臨的另一個(gè)問題是我國(guó)農(nóng)業(yè)現(xiàn)代化建設(shè)進(jìn)程仍不完善，農(nóng)業(yè)病害預(yù)測(cè)所需的硬件設(shè)備和其他硬件設(shè)備并不多，究其原因是所需設(shè)備價(jià)格昂貴，從事農(nóng)業(yè)的人們不愿意使用昂貴的產(chǎn)品。綜合來看，我國(guó)病害預(yù)防工作不僅需要技術(shù)，更需要一種全面、現(xiàn)代、完備的農(nóng)業(yè)病害解決體系。

3.2農(nóng)業(yè)病害預(yù)測(cè)的展望

在加速建設(shè)農(nóng)業(yè)現(xiàn)代化進(jìn)程中，我國(guó)增加了許多對(duì)農(nóng)業(yè)病害預(yù)測(cè)有巨大幫助的工具。智慧農(nóng)業(yè)概念提出后，對(duì)農(nóng)業(yè)病害研究工作提供了理論指導(dǎo)，特別是在實(shí)時(shí)數(shù)據(jù)獲取方面有了更加精確快速獲取數(shù)據(jù)的設(shè)備。對(duì)于農(nóng)業(yè)病害預(yù)測(cè)來說，有了這些實(shí)時(shí)數(shù)據(jù)，就能夠時(shí)刻監(jiān)測(cè)農(nóng)作物動(dòng)態(tài)。當(dāng)設(shè)備從當(dāng)前獲取的數(shù)據(jù)中分析發(fā)現(xiàn)環(huán)境因素可能導(dǎo)致病害的發(fā)生，就可以使設(shè)備自動(dòng)做出對(duì)應(yīng)的措施，減少人工的工作量。不僅可以實(shí)現(xiàn)農(nóng)業(yè)全智能化，而且能夠減少人工成本。

4結(jié)語(yǔ)

綜上所述，傳統(tǒng)農(nóng)業(yè)病害預(yù)測(cè)方法雖然能夠?qū)Σ『Πl(fā)生起到預(yù)測(cè)的效果，但是一般傳統(tǒng)的農(nóng)業(yè)病害預(yù)測(cè)方法是一種靜態(tài)的預(yù)測(cè)方法，很難做到實(shí)時(shí)預(yù)測(cè)，很難根據(jù)新增的數(shù)據(jù)快速重新構(gòu)建和優(yōu)化模型。隨著時(shí)間的增加，傳統(tǒng)預(yù)測(cè)模型的病害預(yù)測(cè)效果也會(huì)減弱。人工神經(jīng)網(wǎng)絡(luò)對(duì)農(nóng)業(yè)病害的預(yù)測(cè)是一種非常有效的手段，人工神經(jīng)網(wǎng)絡(luò)模型是一種動(dòng)態(tài)而不需要人為修改的模型，一旦網(wǎng)絡(luò)模型搭建完畢，模型就可以根據(jù)得到的數(shù)據(jù)進(jìn)行訓(xùn)練，然后完成預(yù)測(cè)工作，并且可以動(dòng)態(tài)更新模型（利用最新數(shù)據(jù)對(duì)模型再次訓(xùn)練），在這一過程中不需要任何人為干預(yù)。因此，農(nóng)業(yè)自動(dòng)化將是未來農(nóng)業(yè)的發(fā)展趨勢(shì)。

作者：陳民 胡雪瓊 魯韋坤 周文文 陳亞平 李曉君 曹志勇 單位：云南農(nóng)業(yè)大學(xué)大數(shù)據(jù)學(xué)院