一种基于1DC-LSTM多源信息融合模型的日光温室蚜虫预警方法
一种基于1dcnn-lstm多源信息融合模型的日光温室蚜虫预警方法
技术领域
1.本发明涉及虫害防控的技术领域，尤其涉及一种基于1dcnn-lstm多源信息融合模型的日光温室蚜虫预警方法。
背景技术：
2.随着全球人口增长，人们对于果蔬的需求越来越大。蚜虫刺吸果蔬茎叶等部位的汁液为食并传播病毒，是影响果蔬品质和生产的主要因素之一，一旦虫害预警不及时，极易产生决策的盲目性，导致农药残留和果蔬的果蔬产量下降。
3.依靠日光温室为主的植物生产模式已经成为主流。现有的依靠图像识别的方法包括利用神经网络、支持向量机等传统机器学习算法和yolo、rcnn等深度学习算法对虫害进行捕捉识别。ebrahimi,m.a.等在computers and electronics in agriculture(52：58)上发表的论文“vision-based pest detection based on svm classification method”利用颜、饱和度设计了支持向量机的蓟马的检测模型，用于温室内蓟马的监测。karar,m.e.等在alexandria engineering journal(4423：4432)上发表的论文“a new mobile application of agricultural pests recognition using deep learning in cloud computing system”利用fasterr-cnn建立了蚜虫、红蜘蛛等物种虫害的识别模型并依靠此模型建立了移动应用用于指导农民农药使用。
4.上述算法虽然可以取得一定的识别效果，但是对于整体的虫害情况把握是有局限性，由于蚜虫体型较小，迁移性强，藏匿于植株各个位置，相机很难进行定点捕捉，并且，环境因素是影响虫害的关键因素，虫害的发生离不开相应的环境因子影响，对于现代化的设施农业来说，如何结合“环境-虫害”间的相互作用关系，建立预警模型，对于虫害的防控是一个至关重要的问题。
技术实现要素：
5.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
6.本发明提供了一种基于1dcnn-lstm多源信息融合模型的日光温室蚜虫预警方法，能够对日光温室内蚜虫发生量及虫株率进行预测，并对即将发生的蚜虫发生量和虫株率做出预警，从而为日光温室的虫害预防提供指导，具有一定的植保应用价值。
7.为解决上述技术问题，本发明通过如下技术方案实现：
8.一种基于1dcnn-lstm多源信息融合模型的日光温室蚜虫预警方法，其特征在于，具体步骤如下：
9.步骤s1：日光温室环境信息采集；
10.在植物生长周期内固定时间采集日光温室内影响植物生长的环境因子，环境因子
包括温湿度、光照强度和二氧化碳浓度，并对固定时间内的蚜虫数目和虫株率进行统计；
11.所述植物生长周期包括从植物送至日光温室进行培养开始到植物收获结束，所述固定时间以3-5天为宜；
12.所述虫株率计算公式如下：
13.虫株率＝(被害株数/辣椒总株数)
×
100％
14.步骤s2：蚜虫发生量和虫株率的灰关联度分析；
15.通过灰关联度分析考察不同环境因子特征变量对于蚜虫发生量及虫株率的影响程度，择取关联度在0.6以上的特征变量用于后续多源信息融合模型的建立；
16.所述灰关联度分析具体流程如下：
17.步骤s21：选择特征变量；
18.所述特征变量包括固定时间内各环境因子中的最大值、最小值和平均值，即固定时间内的日光温室的最高温度、最低温度、平均温度、最高相对湿度、最低相对湿度、平均相对湿度、最高光照强度、最低光照强度、平均光照强度、最高二氧化碳浓度、最低二氧化碳浓度和平均二氧化碳浓度。
19.步骤s22：选取参考数列及对比数列；
20.所述参考数列包括蚜虫发生量和虫株率，记为yj(k)，其中j＝1，2，分别对应蚜虫发生量和虫株率，k＝1，2，...，20，表示设置灰关联度分析的数组个数；
21.所述对比数列包括固定时间内的最高温度、最低温度、平均温度、最高相对湿度、最低相对湿度、平均相对湿度、最高光照强度、最低光照强度、平均光照强度、最高二氧化碳浓度、最低二氧化碳浓度、平均二氧化碳浓度，记为xi(k)，其中i＝1，2，...，12，依次对应上述对比数列中不同变量，并利用yj(k)及xi(k)建立关联数组。
22.步骤s23：对参考数列和对比数列进行无量纲化；
23.所述无量纲化，采用初值化方法对yj(k)及xi(k)进行无量纲化，即将数列中每个数都除以第一个数。
24.步骤s24：计算数组无量纲化后的差值绝对值
25.所述差值绝对值计算公式如下：
[0026][0027]
步骤s25：计算两极最大差mj和两极最小差mj；
[0028]
所述两极最大差mj和两极最小差mj在步骤s24计算的差值绝对值基础上计算得到，计算公式如下：
[0029][0030][0031]
步骤s26：计算蚜虫发生量和虫株率关于各特征变量的关联系数γj[yj(k),xi(k)]；
[0032]
所述关联系数γj[yj(k),xi(k)]计算公式如下：
[0033][0034]
其中，θ表示分辨系数，取值范围为(0,1)，通常取值为0.5。
[0035]
步骤s27：计算蚜虫发生量和虫株率关于各特征变量的灰关联度γj(yj,xi)；
[0036]
所述灰关联度γj(yj,xi)计算公式如下：
[0037][0038]
步骤s3：建立1dcnn-lstm多源信息融合模型；
[0039]
所述1dcnn-lstm由一维卷积神经网络(1dcnn)模型与长短期记忆人工神经网络(lstm)组成；
[0040]
所述1dcnn包括输入层、2个卷积层、池化层、全连接层和一个输出层；
[0041]
所述卷积层采用长度为3的卷积核，卷积核个数分别对应16和32，所述池化层采用2
×
2的最大池化；
[0042]
所述lstm位于1dcnn模型池化层和全连接层间，神经元个数为128。
[0043]
步骤s4：模型训练；
[0044]
通过采集到的蚜虫发生量、虫株率及环境因子特征变量建立数据集并对环境因子特征变量数据进行归一化，归一化计算方法如下：
[0045][0046]
其中，x
max
与x
min
分别对应各数据中最大值、最小值，x
*
表示归一化后的数据；
[0047]
其次将数据集按照8：2的比例划分为训练集、测试集，在工作平台将训练集送入1dcnn-lstm模型进行训练，对模型的超参数进行设计，当蚜虫发生量与虫株率总体的均方根误差rmse《2且训练损失loss收敛时，保存模型用于后续调用测试；
[0048]
所述数据集应至少包括1000份；
[0049]
所述rmse计算公式如下：
[0050][0051]
其中，y
λ
代表第λ个样本的真实值，y'
λ
代表第λ个样本的预测值，n代表测试集上的样本总数；
[0052]
所述超参数包括模型训练迭代次数、优化器、批量大小、初始学习率及激活函数的设置。
[0053]
步骤s5：模型测试。
[0054]
通过调用s4训练好的1dcnn-lstm多源信息融合模型，对测试集上数据进行测试，采用rmse、平均绝对误差mae、决定系数r2作为模型的评价指标；
[0055]
所述mae、r2计算公式如下：
[0056]
[0057][0058]
其中，代表所有λ个样本中真实值的平均值。
[0059]
本发明的有益效果：本发明通过分析环境因子与虫害间的相互关系，建立了基于1dcnn-lstm的蚜虫发生量和虫株率多目标预测模型，可以为日光温室内的虫害发生提供预警决策，从而对环境控制予以指导，有利于减少虫害发生，提高农作物产量。
附图说明
[0060]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
[0061]
图1为本发明第一个实施例所述的一种基于1dcnn-lstm多源信息融合模型的日光温室蚜虫预警方法的流程示意图。
[0062]
图2为本发明第一个实施例所述的蚜虫发生量和虫株率灰关联度分析流程图。
[0063]
图3为本发明第一个实施例所述的蚜虫发生量和虫株率灰关联度结果曲线。
[0064]
图4为本发明第一个实施例所述的1dcnn-lstm模型的结构示意图。
[0065]
图5为本发明第一个实施例所述的lstm网络的结构示意图。
[0066]
图6为本发明第一个实施例所述1dcnn-lstm模型训练流程图。
[0067]
图7为本发明第一个实施例所述1dcnn-lstm模型训练曲线。
具体实施方式
[0068]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
[0069]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0070]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0071]
实施例1
[0072]
参照图1～7，为本发明的第一个实施例，该实施例提供了一种基于1dcnn-lstm多源信息融合模型的日光温室蚜虫预警方法，其特征在于，具体步骤如下：
[0073]
步骤s1：日光温室环境信息采集；
[0074]
在植物生长周期内固定时间采集日光温室内影响植物生长的环境因子，环境因子
包括温湿度、光照强度和二氧化碳浓度，并对固定时间内的蚜虫数目和虫株率进行统计；
[0075]
所述植物生长周期包括从植物送至日光温室进行培养开始到植物收获结束，所述固定时间以3天；
[0076]
所述虫株率计算公式如下：
[0077]
虫株率＝(被害株数/植物总株数)
×
100％
[0078]
步骤s2：蚜虫发生量和虫株率的灰关联度分析；
[0079]
通过灰关联度分析考察不同环境因子特征变量对于蚜虫发生量及虫株率的影响程度，择取关联度在0.6以上的特征变量用于后续多源信息融合模型的建立；
[0080]
所述灰关联度分析流程如图2所示，具体流程如下：
[0081]
步骤s21：选择特征变量；
[0082]
所述特征变量包括固定时间内各环境因子中的最大值、最小值和平均值，即固定时间内的日光温室的最高温度、最低温度、平均温度、最高相对湿度、最低相对湿度、平均相对湿度、最高光照强度、最低光照强度、平均光照强度、最高二氧化碳浓度、最低二氧化碳浓度和平均二氧化碳浓度。
[0083]
步骤s22：选取参考数列及对比数列；
[0084]
所述参考数列包括蚜虫发生量和虫株率，记为yj(k)，其中j＝1，2，分别对应蚜虫发生量和虫株率，k＝1，2，...，20，表示设置灰关联度分析的数组个数；
[0085]
所述对比数列包括固定时间内的最高温度、最低温度、平均温度、最高相对湿度、最低相对湿度、平均相对湿度、最高光照强度、最低光照强度、平均光照强度、最高二氧化碳浓度、最低二氧化碳浓度、平均二氧化碳浓度，记为xi(k)，其中i＝1，2，...，12，依次对应上述对比数列中不同变量，并利用yj(k)及xi(k)建立关联数组；关联数组部分数据如表1所示：
[0086]
表1：日光温室蚜虫数目、虫株率与特征变量关联数组。
[0087]
[0088]
步骤s23：对参考数列和对比数列进行无量纲化；
[0089]
所述无量纲化，采用初值化方法对yj(k)及xi(k)进行无量纲化，即将数列中每个数都除以第一个数。
[0090]
步骤s24：计算差值绝对值
[0091]
所述差值绝对值计算公式如下：
[0092][0093]
步骤s25：计算两极最大差mj及最小差mj；
[0094]
所述两极最大差mj和两极最小差mj在步骤s24计算的差值绝对值基础上计算得到，计算公式如下：
[0095][0096][0097]
通过计算得到蚜虫发生量的两极最大差m1、两极最小差m1分别为18.7857、0；虫株率的两极最大差m2、两极最小差m2分别为7.99605、0。
[0098]
步骤s26：计算蚜虫发生量和虫株率关于各特征变量的关联系数γj[yj(k),xi(k)]；
[0099]
所述关联系数γj[yj(k),xi(k)]计算公式如下：
[0100][0101]
其中，θ表示分辨系数，取值范围为(0,1)，通常取值为0.5。
[0102]
步骤s27：计算影响蚜虫发生量和虫株率的灰关联度γj(yj,xi)；
[0103]
所述灰关联度γj(yj,xi)计算公式如下：
[0104][0105]
通过灰关联度计算得到如图3所示的蚜虫发生量和虫株率灰关联度结果曲线，根据曲线结果可知，所选取的特征变量与蚜虫发生量和虫株率关联度都在0.6以上，关联性较强。
[0106]
步骤s3：建立1dcnn-lstm多源信息融合模型；
[0107]
所述1dcnn-lstm由一维卷积神经网络(1dcnn)模型与长短期记忆人工神经网络(lstm)组成；
[0108]
所述1dcnn包括输入层、2个卷积层、池化层、全连接层和一个输出层；
[0109]
所述卷积层采用长度为3的卷积核，卷积核个数分别对应16和32，所述池化层采用2
×
2的最大池化；
[0110]
所述lstm位于1dcnn模型池化层和全连接层间，神经元个数为128。
[0111]
步骤s4：模型训练；
[0112]
模型训练流程如图6所示，通过采集到的蚜虫发生量、虫株率及环境因子特征变量建立数据集并对数据进行归一化，归一化计算方法如下：
[0113][0114]
其中，x
max
与x
min
分别对应各数据中最大值、最小值，x
*
表示归一化后的数据；
[0115]
其次将数据集按照8：2的比例划分为训练集、测试集，在工作平台将训练集送入1dcnn-lstm模型进行训练，对模型的超参数进行设计，当蚜虫发生量与虫株率总体的均方根误差rmse《2且训练损失loss收敛时，保存模型用于后续调用测试；
[0116]
所述数据集包括3051份蚜虫发生量、虫株率-特征变量关联数据；
[0117]
所述rmse计算公式如下：
[0118][0119]
其中，y
λ
代表第λ个样本的真实值，y'
λ
代表第λ个样本的预测值，n代表测试集上的样本总数；
[0120]
所述超参数设计如下，模型训练迭代次数为100次，采用adam优化器，批量大小设置为16，初始学习率为0.001，选择relu作为激活函数；
[0121]
如图7所述为1dcnn-lstm模型训练曲线，其中蚜虫发生量和虫株率总的rmse达到1.503，loss稳定于1.130。
[0122]
步骤s5：模型测试。
[0123]
通过调用训练好的1dcnn-lstm多源信息融合模型，对测试集上数据进行测试，采用rmse、平均绝对误差mae、决定系数r2作为模型的评价指标；
[0124]
所述mae、r2计算公式如下：
[0125][0126][0127]
其中，代表所有λ个样本中真实值的平均值；
[0128]
通过测试得到模型不同评价结果如表2所示：
[0129]
表2：1dcnn-lstm模型的测试结果。
[0130][0131]
实施例2
[0132]
为了证明模型的优越性，设置传统的bp神经网络用于1dcnn-lstm模型的对照组，通过设置bp隐含层个数获得bp的最优训练模型；
[0133]
所述当bp为最优模型时，隐含层为7，蚜虫发生量和虫株率rmse达35.483，与1dcnn-lstm模型测试对照结果如表3所示：
[0134]
表3：bp神经网络和1dcnn-lstm测试对比。
[0135][0136]
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
[0137]
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
[0138]
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、ram、rom等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出
设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
[0139]
如在本技术所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。
[0140]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
技术特征：
1.一种基于1dcnn-lstm多源信息融合模型的日光温室蚜虫预警方法，其特征在于，包括如下步骤：步骤s1，日光温室环境信息采集；步骤s2，蚜虫发生量和虫株率的灰关联度分析；步骤s3，建立1dcnn-lstm多源信息融合模型；步骤s4，模型训练；步骤s5，模型测试。2.如权利要求1所述的一种基于1dcnn-lstm多源信息融合模型的日光温室蚜虫预警方法，其特征在于，所述日光温室环境信息采集具体包括：在植物生长周期内固定时间采集日光温室内影响植物生长的环境因子，环境因子包括温湿度、光照强度和二氧化碳浓度，并对固定时间内的蚜虫数目和虫株率进行统计；所述植物生长周期包括从植物送至日光温室进行培养开始到植物收获结束，所述固定时间以3-5天为宜；所述虫株率计算公式如下：虫株率＝(被害株数/辣椒总株数)
×
100％3.如权利要求2所述的一种基于1dcnn-lstm多源信息融合模型的日光温室蚜虫预警方法，其特征在于，所述蚜虫发生量和虫株率的灰关联度分析具体方法包括：通过灰关联度分析考察不同环境因子特征变量对于蚜虫发生量及虫株率的影响程度，择取关联度在0.6以上的特征变量用于后续多源信息融合模型的建立。4.如权利要求3所述的一种基于1dcnn-lstm多源信息融合模型的日光温室蚜虫预警方法，其特征在于，所述灰关联度分析具体流程如下：步骤s21，将固定时间内各环境因子中的最大值、最小值和平均值，即固定时间内日光温室内的最高温度、最低温度、平均温度、最高相对湿度、最低相对湿度、平均相对湿度、最高光照强度、最低光照强度、平均光照强度、最高二氧化碳浓度、最低二氧化碳浓度和平均二氧化碳浓度作为特征变量；步骤s22，选择蚜虫发生量和虫株率作为参考数列，记为y
j
(k)，其中j＝1，2，分别对应蚜虫发生量和虫株率，k＝1，2，...，20，表示设置灰关联度分析的数组个数；将固定时间日光温室内的最高温度、最低温度、平均温度、最高相对湿度、最低相对湿度、平均相对湿度、最高光照强度、最低光照强度、平均光照强度、最高二氧化碳浓度、最低二氧化碳浓度、平均二氧化碳浓度作为对比数列，记为x
i
(k)，其中i＝1，2，...，12，依次对应上述对比数列中最高温度、最低温度、平均温度等不同变量，并利用y
j
(k)及x
i
(k)建立关联数组；步骤s23，采用初值化方法对y
j
(k)及x
i
(k)进行无量纲化，即将数列中每个数都除以第一个数；步骤s24，计算数组无量纲化后的差值绝对值差值绝对值计算公式如下：步骤s25，在步骤s24计算得到差值绝对值的基础上，计算差值绝对值的两极最大差m
j
和两极最小差m
j
，计算公式如下：
步骤s26，计算蚜虫发生量和虫株率关于各特征变量的关联系数γ
j
[y
j
(k),x
i
(k)]，计算公式如下：其中，θ表示分辨系数，取值范围为(0,1)，通常取值为0.5；步骤s27，计算蚜虫发生量和虫株率关于各特征变量的灰关联度γ
j
(y
j
,x
i
)，计算公式如下：5.如权利要求4所述的一种基于1dcnn-lstm多源信息融合模型的日光温室蚜虫预警方法，其特征在于，所述1dcnn-lstm模型具体特征包括：所述1dcnn-lstm由一维卷积神经网络(1dcnn)模型与长短期记忆人工神经网络(lstm)组成；所述1dcnn包括输入层、2个卷积层、池化层、全连接层和一个输出层；所述卷积层采用长度为3的卷积核，卷积核个数分别对应16和32，所述池化层采用2
×
2的最大池化；所述lstm位于1dcnn模型池化层和全连接层间，神经元个数为128。6.如权利要求5所述的一种基于1dcnn-lstm多源信息融合模型的日光温室蚜虫预警方法，其特征在于，所述模型训练过程包括：通过采集到的蚜虫发生量、虫株率及环境因子特征变量建立数据集并对环境因子特征变量数据进行归一化，归一化计算方法如下：其中，x
max
与x
min
分别对应各数据中最大值、最小值，x
*
表示归一化后的数据；其次将数据集按照8：2的比例划分为训练集、测试集，在工作平台将训练集送入1dcnn-lstm模型进行训练，对模型的超参数进行设计，当蚜虫发生量与虫株率总体的均方根误差rmse<2且训练损失loss函数收敛时，保存模型用于后续调用测试；所述数据集应至少包括1000份；所述rmse计算公式如下：其中，y
λ
代表第λ个样本的真实值，y'
λ
代表第λ个样本的预测值，n代表测试集上的样本总数；所述超参数包括模型训练迭代次数、优化器、批量大小、初始学习率及激活函数的设置。7.如权利要求6所述的一种基于1dcnn-lstm多源信息融合模型的日光温室蚜虫预警方
法，其特征在于，所述模型测试过程包括：通过调用训练好的1dcnn-lstm多源信息融合模型，对测试集上数据进行测试，采用rmse、平均绝对误差mae、决定系数r2作为模型的评价指标；所述mae、r2计算公式如下：计算公式如下：其中，代表所有λ个样本中真实值的平均值。
技术总结
本发明公开了一种基于1DC-LSTM多源信息融合模型的日光温室蚜虫预警方法，包括：日光温室环境信息采集；蚜虫发生量和虫株率的灰关联度分析；建立1DC-LSTM多源信息融合模型；模型训练；模型测试。最后，对比了1DC-LSTM与传统的BP神经网络模型算法对于蚜虫发生量集虫株率多目标预测效果的训练及测试性能。通过设计一种基于1DC-LSTM多源信息融合模型的日光温室蚜虫预警模型，可以根据过去时间内的环境信息对日光温室内虫害发生量及虫株率作出有效的预警，有利于日光温室等设施农业对于虫害的精准管控。业对于虫害的精准管控。业对于虫害的精准管控。
