【技术实现步骤摘要】
本专利技术属于松材线虫病害预测，具体涉及一种松材线虫病害传播预测方法、电子设备及存储介质。
技术介绍
1、松材线虫病是一种常见的林木病害，传统的预测和防治方法依赖于经验和观察，存在准确性不高、及时性不足等问题。采用遥感技术对松材线虫病疫情进行监测，利用遥感技术获取到的光学卫星遥感影像进行分析处理，可以快速、及时地监测松材线虫病疫区枯死树的分布和定位，但是由于光学卫星遥感影像受天气影响较大，同时也受空间分辨率或光谱分辨率的限制，因此难以准确进行预测和防治。深度学习作为人工智能技术，具有强大的数据处理和模式识别能力，被广泛应用于各个领域。面对时间序列敏感的问题和任务，rnn(如lstm)通常会比较合适，但是在求解一个具体的问题时，一般会针对各种假设条件采用多种不同的单一模型，而单一的预测模型在进行预测时，偶尔会出现预测值大幅偏离实际值的问题，导致预测有较大的不确定性，对预测结果也有很大的影响。而对于松材线虫病害需要一种高效、准确的预测及防治方法。
技术实现思路
1、本专利技术要解决的问题是针对松材线虫病害提高预测的准确性，提出一种松材线虫病害传播预测方法、电子设备及存储介质。
2、为实现上述目的，本专利技术通过以下技术方案实现：
3、一种松材线虫病害传播预测方法，包括如下步骤：
4、s1.数据收集，包括疫木分布地区的历史病害发生数据和疫木分布地区的气象数据和地理信息数据；
5、s2.对步骤s1收集的数据进行预处理，然后构建训练集、验证集和
6、s3.构建基于kalman-lstm-ngo组合的松材线虫病害传播预测模型，利用步骤s2得到的训练集进行模型训练，得到训练好的基于kalman-lstm-ngo组合的松材线虫病害传播预测模型；
7、s4.利用步骤s2得到的验证集对步骤s3训练好的基于kalman-lstm-ngo组合的松材线虫病害传播预测模型进行验证调优和测试，得到调优的基于kalman-lstm-ngo组合的松材线虫病害传播预测模型；
8、s5.利用步骤s2得到的测试集对步骤s4调优的基于kalman-lstm-ngo组合的松材线虫病害传播预测模型进行预测，得到松材线虫病害传播预测结果；
9、s6.对步骤s5得到的松材线虫病害传播预测结果进行可视化处理，用于帮助决策者根据可视化处理结果分析施肥、疏伐、采伐方面的措施，提出包括松树疫情监测、控制手段和资源分配的优化建议。
10、进一步的，步骤s1中疫木分布地区的历史病害发生数据包括地点、疫情发生情况、时间和病害程度信息数据，疫木分布地区的气象数据和地理信息数据包括年均温度、年均最高温度、年均最低温度、湿度、年均降水量、归一化植被指数、地形、土壤类型、海拔高度。
11、进一步的，步骤s2的具体实现方法包括如下步骤：
12、s2.1.对步骤s1采集的数据，选取松材线虫病害影响因子，包括人为活动影响因子和自然环境影响因子，所述人为活动影响因子包括松木运入总量、由疫区松木运入量、道路密度、寄主昆虫防治率，所述自然环境影响因子包括6-8月平均气温、6-8月平均降水量、平均海拔、寄主昆虫成灾面积、坡度；
13、s2.2.对步骤s1选取的松材线虫病害影响因子利用pearson相关系数进行相关性分析，表达式为：
14、
15、其中，x表示松材线虫病数据，y表示松材线虫病害影响因子数据，ρx,y表示相关系数，n表示变量取值的个数；
16、基于相关性分析，将松材线虫病害影响因子通过10轮迭代，对比选择6-8月平均气温、6-8月平均降水量、松木运入总量、由疫区松木运入量、道路密度、寄主昆虫防治率作为显著松材线虫病害影响因子；
17、s2.3.提取步骤s2.2选择的显著松材线虫病害影响因子数据，进行数据预处理，包括数据标准化、缺失值处理、归一化处理；
18、s2.4.将步骤s2.3预处理后的数据构建训练集、验证集和测试集，将2017-2021年的数据集中的80％的数据作为训练集、20％的数据作为验证集，将2022年的数据集作为测试集。
19、进一步的，步骤s3的具体实现方法包括如下步骤：
20、s3.1.采用卡尔曼滤波算法对步骤s2得到的预处理后的数据进行降噪处理；
21、s3.2.构建kalman模型，将步骤s3.1降噪处理后的训练集数据，输入到kalman模型中进行处理，得到kalman模型预测值的残差序列；
22、s3.2.1.参数初始化：设置起始时刻的观测值为表达式为：
23、
24、p0/0＝∑x0
25、其中，mx0和p0/0分别表示初始状态向量x0的期望和方差；
26、s3.2.2.基于初始状态向量利用预测公式进行预测，得到估计值的表达式为：
27、
28、其中，h0、r0、l0表示状态参数的第一初始化值、第二初始化值、第三初始化值；
29、s3.2.3.利用步骤s3.2.1的起始时刻的观测值计算误差协方差p，然后更新kalman增益系数q和r，执行递归操作，修正估计值，更新误差协方差，直到完成迭代计算，输出kalman模型预测值的残差序列；
30、s3.3.构建lstm神经网络模型，将步骤s3.2得到的kalman模型预测值的残差序列输入到lstm神经网络模型中进行训练，基于adam误差反向传播方法对lstm神经网络模型参数进行更新，得到kalman-lstm神经网络模型；
31、s3.3.1.构建lstm神经网络模型，使用lstm神经网络模型对松材线虫病发病数进行拟合预测，lstm神经网络模型单元由输入门、遗忘门和输出门组成，lstm神经网络模型选择性地允许信息通过门结构，以更新或保留历史信息，lstm神经网络模型的表达式为：
32、ft＝σ(wf·[ht-1,xt]+bf)
33、it＝σ(wi·[ht-1,xt]+bi)
34、
35、
36、ht＝ot·tanh(ct)
37、其中，ft表示遗忘门，σ表示sigmoid函数，wf表示遗忘门的权重，ht-1表示在t-1时刻的隐藏状态，xt表示t时刻的输入，bf表示遗忘门的偏差，it表示输入门，wi表示输入门的权重，bi表示输入门的偏差，表示输入单元在时刻t的候选状态值，tanh表示tanh函数，wc表示输出门的权重，bc表示输出门的偏差，ct和ct-1分别表示t时刻和t-1时刻的单元状态更新值，ht表示在t时刻的隐藏状态，ot表示输出门；
38、s3.3.2.将步骤s3.2得到的kalman模型预测值的残差序列输入到lstm神经网络模型中进行训练，基于adam误差反向传播方法对lstm神经网络模型参数进行更新，表达式为：
39、mt＝μ×mt-1+(1-μ)×gt...
【技术保护点】
1.一种松材线虫病害传播预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种松材线虫病害传播预测方法，其特征在于，步骤S1中疫木分布地区的历史病害发生数据包括地点、疫情发生情况、时间和病害程度信息数据，疫木分布地区的气象数据和地理信息数据包括年均温度、年均最高温度、年均最低温度、湿度、年均降水量、归一化植被指数、地形、土壤类型、海拔高度。
3.根据权利要求2所述的一种松材线虫病害传播预测方法，其特征在于，步骤S2的具体实现方法包括如下步骤：
4.根据权利要求3所述的一种松材线虫病害传播预测方法，其特征在于，步骤S3的具体实现方法包括如下步骤：
5.根据权利要求4所述的一种松材线虫病害传播预测方法，其特征在于，步骤S4采用平均绝对误差MAE和平均绝对误差百分比MAPE作为预测误差评估指标；
6.根据权利要求5所述的一种松材线虫病害传播预测方法，其特征在于，对步骤S5得到的松材线虫病害传播预测结果使用地理信息系统ArcGIS，在全国地图上标示病害预测区域，进行可视化处理。
7.一种电子设备，其特征在
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的一种松材线虫病害传播预测方法。
...【技术特征摘要】
1.一种松材线虫病害传播预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种松材线虫病害传播预测方法，其特征在于，步骤s1中疫木分布地区的历史病害发生数据包括地点、疫情发生情况、时间和病害程度信息数据，疫木分布地区的气象数据和地理信息数据包括年均温度、年均最高温度、年均最低温度、湿度、年均降水量、归一化植被指数、地形、土壤类型、海拔高度。
3.根据权利要求2所述的一种松材线虫病害传播预测方法，其特征在于，步骤s2的具体实现方法包括如下步骤：
4.根据权利要求3所述的一种松材线虫病害传播预测方法，其特征在于，步骤s3的具体实现方法包括如下步骤：
5.根据权利要求4所述的一种松材线虫病害...
【专利技术属性】
技术研发人员：周宏威，陈俊谕，岳妍，陈怡帆，包育志，林晓，刘冰，
申请(专利权)人：东北林业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。