西北地区小麦黄矮病流行分析及人工神经网络模型的构建

第37卷第3期 2010年 6月 植物保护学报 ACTA PHYTOPHYLACICA SINICA Vo137 No3 June 2010 西北地区小麦黄矮病流行分析及人工 神经网络模型的构建 李 娟 何振才 任福平 安德荣 张文斌 (1 北农林科技大学植物保护学院，陕西省农业分子生物学重点实验室，杨凌712100； 2陕西省杂交油菜研究中心，大荔715105；3陕西省农技推广中心，西安710003) 摘要：对西北地区半干旱气候区小麦黄矮病1992-2009年发生、流行情况进行长期监测、分析，选 择制约小麦黄矮病发生、流行的23个因素，利用三层人工神经网络可以逼近任意连续函数，对非线 性预测系统进行模拟处理的特点，分析所选预测分子，提出一套完整的建立BP人工神经网络模型 的方法，并建立陕西省BP神经网络长期预测模型。对1992-2006年数据进行网络训练，利用 2007-2009年数据进行测试。结果表明，以发病率为指标，输出结果误差在00010034之间： 以发病级别作为预测结果，模型计算得出的数值与实际病级完全吻合，准确率为100。说明利用 神经网络建立小麦黄矮病预测模型是可行的。 关键词：西北半干旱地区；小麦黄矮病；BP人工神经网络；非线性预测系统 Analysis of the wheat yellow dwarf epidemic and its predicting model of BP neural network in northwestern China Li Juan He Zhencai Ren Fuping An Derong Zhang Wenbin (1Shaanxi Key Laboratory of Molecular Biology for Agricuhure，College of Plant Protection，Noahwest A&F University，Yangling 712100，Shaanxi Province，China；2Hybrid Rapeseed Research Center of Shaanxi Province，Dali 715105，Shaanxi Province，China；3Shaanxi Ag矗cultural Technology Promotion Center，Xian 7 10003，Shaanxi Province，China) Abstract：We select 23 factors as restrict elements for the studies of occurrence and epidemic of wheat yellow dwarf from 1992 to 2009 in semiarid climate area of northwestern ChinaUsing the function of three-layer artificial neural network can approximate arbitrary continuous with arbitrary precision and sim- ulated by nonlinear forecast systemWe put a method of BP neural network model and set up the model through selecting 23 factors based on the data of 1992 to 2006Prediction of 2007 to 2009 has been car fled outResults showed that the error ratio iS between 0001 and 0034 when using incidence as the output resultsBased on the predicted result indicating by disease grade，the output number of model is fully consistent with actual disease level，and the accuracy was 1 00The result also proved a feasible method of prediction wheat yellow dwarf use the BP neural network Key words：semiarid area of northwestern China；wheat yellow dwarf；BP neural network；nonlinear forecast system 基金项目：农业部公益性行业专项(nyhyzx07-051)，高等学校学科创新引智计划(B07049) 作者简介：李娟，女，1983年生，硕士研究生，研究方向为植物病虫害防治，email：leej0012003163eom 通讯作者(Author for eoespondence)，email：anderong323163com 收稿日期：20091023 植物保护学报 37卷 小麦黄矮病是禾谷类作物中发生最为普遍和最 具毁灭性的病毒病之一，由麦蚜传播的大麦黄矮病 毒(Barley yellow 口矿virus，BYDV)引起。目前， 全世界主要麦类作物产区(约50多个国家和地区) 均遭受BYDV危害，每年因BYDV所造成的产量 损失不少于1133，个别地区高达86 ，在 流行年份，BYDV可使大麦减产40、燕麦减产 3050。我国于1960年在陕西、甘肃地区首次 发现小麦黄矮病，之后，此病在该地区多次流行成 灾，近年在西北、华北、西南及华东等近20个省、市、 自治区的冬麦区也均有不同程度的发生危害 J。 陕西省地处我国西北地区，全省大部分地区属 于干旱、半干旱气候区 J，为麦蚜 的滋生、繁衍提 供了极为有利的条件。小麦黄矮病作为一种间歇性 流行病害，曾多次在该地区流行，且每年均有不同程 度的发生 3。生产上对于该病的防治主要依赖于 对蚜虫的防治，缺乏直接有效的病毒病防治剂 J， 因此准确测报成为防治该病的关键，流行趋势预测 也成为重要的研究方向。目前在小麦黄矮病的预测 预报模型中仅有以线性分析模型或以线性分析拟合 非线性过程的模型l卜引，而该病的发生、流行与时间 和环境组成一个复杂的动态系统，对其发生规律的 研究必须从非线性的动力学出发，才能得到真实的 信息。 人工神经网络由于其跟踪性好、适用面广、容错 能力强的特点，被广泛应用于农业病虫害预测预报 分析中 ，如唐启义等J、汪四水和张孝羲_1 将 此模型用于晚稻稻瘟病分区预测的植物病害预警 和稻纵卷叶螟长期危害预测领域等，同时在小麦 赤霉病、锈病方面也有成功事例 nMj。本试验于 1992-2009年对小麦黄矮病流行情况进行长期监 测，并在分析其影响因子的基础上，选择影响小麦黄 矮病的23个相关因子，建立新型的BP神经网络小 麦黄矮病预测预报模型。 1材料与方法 11田间资料采集 1992-2009年试验数据均来自陕西省农垦科 研中心(大荔许庄)，供试小麦品种为小偃6号。于 每年小麦出苗后至黄熟前，选择有代表性的麦田，于 11月下旬调查越冬蚜量，翌年3月上、下旬调查蚜 株率和百株蚜量，5月中旬调查小麦黄矮病发病率及 减产隋况，并分为4级记载，即：1级，发病率5以 下，基本不减产，轻发生年；2级，发病率5一20， 减产5左右，轻度流行年；3级，发病率20一 45，减产1015左右，中度流行年；4级，发病 率45以上，减产20以上，大流行年。并由大荔 气象站协助进行温度、降雨情况的监测。 12 BP人工神经网络建立及求解 121 BP人工神经网络模型软件设计 本程序设计采用VC+60软件，使用经典的 三层BP神经网络 (图1)。 输入层 Input layer 隐含层 Hidden laver 输出层 Output layer 图1 BP人工神经网络原理图 Fig1 Structure of BP neural network 122 BP人工神经网络函数设计 在三层前馈网中，定义如下变量：X=( ， ：， ， ) ，输入向量；H=(Y ，Y2，Y ) ，隐含层向 量；O=(O。，0 ，Of) ，输出向量；d=(d】，d2， d ) ，期望输出向量；W=(W ， ，Wm)，输入层 到隐含层之间的权值矩阵，其中列向量 (1i m)为隐含层第i个神经元对应的权向量；W ： ( ， 。，W )，隐含层到输出层之间的权值矩 阵，其中列向量W (1iZ)为输出层第i个神经 元对应的权向量。结点作用函数：选用Sigmoid型 函数，即厂( )=1(1+e)。 隐层及输出层公式： f1 3期 李娟等：西北地区小麦黄矮病流行分析及人工神经网络模型的构建 隐藏层： = ) =1，2，m I=0 输出层：。 = ) k=1，2，z ，=0 网络误差与权值调整：BP算法实质是求取误差 函数的最小值，算法采用非线性规划的最速下降方 法，按误差函数的负梯度方向修改权系数。首先定 义误差函数E，取期望输出和实际输出之差的平方 和为误差函数，则有：E=12(d一0) 。调整权值的 原则是使误差不断减小，应使权值的调整量与误差 的负梯度成正比，即： 一 U =一77 i：1，2，n； =1，2，m 一 E 口加 =一叼 一 =1，2，m；k=1，2，Z jk 其中负号表示梯度下降，叼(0，1)为学习速率。 BP神经网络的训练流程程序见图2。 瞍 h1iti；舭 图2建立BP网络的训练流程图 Fig2 The training process of building BP neural network 123 BP神经网络设计 根据本研究模型的要求，选择输入向量为23 维，经过多次选择，隐层向量为30维，输出向量为1 维，表示输出结果。 2结果与分析 21样本预测因子及数据归一化处理 1月平均温度为X ，2月平均温度为X2，3月上 旬平均温度为X3，3月中旬平均温度为 ，3月下旬 平均温度为 ，4月上旬平均温度为 ，4月中旬平 均温度为 ，4月下旬平均温度为 ，10月下旬平 均温度为X9，3月上旬降雨量为 。，3月中旬降雨 量为 3月下旬降雨量为 ，4月上旬降雨量为 ，4月中旬降雨量为 ，4月下旬降雨量为 ， 10月下旬降雨量为 1O月至来年2月总降雨量 为X ，11月下旬蚜株率为X 11月下旬百株蚜量 为X 3月上旬蚜株率为X加，3月上旬百株蚜量为 ，3月下旬蚜株率为 ：，3月下旬百株蚜量为 其中1O月和11月的数据均指上年资料。 为提高模型灵敏度对所有输入预测因子数据进 行归一化处理，所有预测因子数据值整除100，结果 见表1。 22 BP人工神经网络检测结果 将小麦黄矮病发病率作为期望输出值，输入层 节点数23，隐层结点数30，动量因子090，学习效 率001，循环训练次数50万次，以1992-2006年数 据进行网络训练，训练后以2007-2009年数据进行 测试，以实际发病率值除以100作为目标数据，比较 误差。结果显示，BP神经网络模型对1992-2009 年小麦黄矮病发病率预测误差为00010034，与 实际结果高度吻合。并用期望输出求出发病级别， 与实际发病级别相比结果完全吻合，准确率为 100(表2)。 23预测因子合理性分析 人工神经网络预测结果分析表明，小麦黄矮病 是一个受多因素制约的非线性病害，其发生受温度、 湿度、蚜虫发生情况等的影响。学习样本及实际预 测值的高度吻合说明本试验所采用的23个预测因 子对影响小麦黄矮病发生、流行具有合理性。 3讨论 小麦黄矮病是我国重要的小麦病毒病害。目 前，生产上还没有抗小麦黄矮病且性能好又高产的 植物保护学报 37卷 JIIfIIlIIIllIfIlJIllIIIIlIIIlIIlIflI 。器 。善。暑o0 。暑。薹。景。引 引 引 引 引 引 oc 。 0。 乙zI。H6o0 乙0I。 厶1【0 6o0 c8_【0 09【0 导_【_0 乙l 。oo_【|0 。盘0 l o。8【-0 o。g NN 0 _【g0 0。g_0 Hg-0 s100 0 。 。 _【g0 0I 。 g0 g_0 100 _【900 n0。 80 _二 【】z 。 0I0 。 o o6 。 o6 1 o8_0 莩0 浸_1 09|o 。詈霉0 。 。I 。 o0 _【 摹。暑0 。 oI 。 _I0 0 。0I 。 oo。 o6 。oI o。 ol 。 lf】 。 0 。 。 |0 n8_0 。g0 0I一_O謇0 。s0量 ! 昌 。 o8o。 ol 。80 _【|0 8 。导-。 o9_【_0 90 。 8 。 _【0。 0 。IO 00 。謇0 。 。8_0 。910 c1 0z 。 00o。 0 0I 。 謇0 善0 耋10 。00 晷_0 ooo0 ooo0 。【z_0 謇10 善_0 謇_0 萤_0 量0 I。 o8_【0 I三 _【_a 0 _【0 9【0 。 _【0 I6_【0 0o _0 。 兰0萼。 c81_0 0 00 。 _【10 91 10 _【0 0 _【_0 。 。 鼍。 _【0 号三_【0 (】 曼_0 李。 虽0 一。 一。 H。 _【。 _【 _【。 。_【。 寸_【+。 寸n 。 卜 _【。 一。 。 卜。 _I_【。 卜。 卜。一。 。_【。 。 。 n 一8。 苎。 。 8。 E9。n葛。 。寸 。8 。卜吝。n蓦。f1f 1 7；f1高 r、 ) ； g 6 v_ 一 u- 一 一 一 一 一 一 一 一 ，_二二二_二 二=二uu_ 一 一一 一 一 _0 80。 0o_0 n8_0 謇0。g0。H10_0 90o 罄 吾 oo 季 ， ， ， 一 Id flIfIlJlIJllJlIIIIIfIIIIlIlIJIIIIl 11l 2 oq 引引引引引 ， ， ， ， 3期 李娟等：西北地区小麦黄矮病流行分析及人工神经网络模型的构建 265 表2小麦黄矮病流行程度BP神经网络模型预测检验结果 Table 2 Results of BP neural network algorithms on wheat yellow drawn disease epidemics 年份 期望输出 目标数据 误差 发病级别 年份 期望输出 目标数据 误差 发病级别 Year Expected output Object data Error Disease leve1 Year Expected output Object data Error Disease level 1992 0192 O183 0009 2 20HD1 0234 0237 0oo3 3 1993 0066 0074 0008 2 2002 0309 0304 0005 3 1994 0127 0123 0004 2 2003 0131 O138 0007 2 1995 0124 0121 0002 2 2004 0135 0147 0012 2 1996 0037 0028 0009 1 2005 0106 0072 0034 2 1997 0229 0229 0O0l 3 2006 01l7 0132 0O15 2 1998 0159 0173 0014 2 2007 0255 0280 0025 3 1999 0535 0538 0003 4 2008 0046 0030 0016 1 2000 O219 0225 0006 3 2009 0479 0480 0001 4 小麦品种 ，药剂防治效果又不甚理想，而一个可 靠的病害发生预测预报模型可以对该病的流行趋势 作出正确、及时的预测，为其有效防治提供数据支 持。相建业和冯崇川l7 提出利用分档统计法和多 元线性回归法进行小麦黄矮病的预测，并以气象因 素为参数建立预测式，通过相关性测定得出影响小 麦黄矮病流行的几个主要因素；范少强等 采用多 元回归法建立冬小麦黄矮病预测模型，扩展了小麦 黄矮病发生与流行相关预测因子的范围，但分析的 预测因子仍相对较少，且回归分析属于线性分析，要 求数据的拟合度高，不能综合考虑系统的复杂性，因 此预报效果并不理想。 本试验提出了一套较完整的建立人工神经网络 模型的方法，在1992-2009年对小麦黄矮病发生流 行及影响因素进行监测的基础上，对23个预测因子 进行BP人工神经网络模型的分析。结果表明，利 用BP人工神经网络不仅对学习样本的拟合程度 高，而且在实际预报中，以发病率为检测指标时误差 很小，在00010034之问，以病情级别为检测指 标，输出数据完全吻合。2005年发病率输出因子误 差为0034，与其它年份相比偏大，但并不对发病级 别的确定产生影响，其原因为2005年4月下旬平 均温度较往年偏高，同时也证明该模型具有较高的 灵敏性。 近年来，人工神经网络预测法已经成为作物病 虫害预测预报的一条新途径，本试验不仅提出了一 种新型的小麦黄矮病预测预报方法，同时也拓宽了 人工神经网络的应用范围。 参考文献(References) 1刘艳，钱幼亭，梁影屏晋南冬麦区大麦黄矮病毒流行株 系监测及防治策略探讨植物保护学报，2002，29(4)： 300304 2Miller W A，Rasochova LBarley yellow dwarf virusesAnnua