一種基于1DC-LSTM多源信息融合模型的日光溫室蚜蟲預警方法
一種基于1dcnn-lstm多源信息融合模型的日光溫室蚜蟲預警方法
技術領域
1.本發明涉及蟲害防控的技術領域，尤其涉及一種基于1dcnn-lstm多源信息融合模型的日光溫室蚜蟲預警方法。
背景技術：
2.隨著全球人口增長，人們對于果蔬的需求越來越大。蚜蟲刺吸果蔬莖葉等部位的汁液為食并傳播病毒，是影響果蔬品質和生產的主要因素之一，一旦蟲害預警不及時，極易產生決策的盲目性，導致農藥殘留和果蔬的果蔬產量下降。
3.依靠日光溫室為主的植物生產模式已經成為主流。現有的依靠圖像識別的方法包括利用神經網絡、支持向量機等傳統機器學習算法和yolo、rcnn等深度學習算法對蟲害進行捕捉識別。ebrahimi,m.a.等在computers and electronics in agriculture(52：58)上發表的論文“vision-based pest detection based on svm classification method”利用顏、飽和度設計了支持向量機的薊馬的檢測模型，用于溫室內薊馬的監測。karar,m.e.等在alexandria engineering journal(4423：4432)上發表的論文“a new mobile application of agricultural pests recognition using deep learning in cloud computing system”利用fasterr-cnn建立了蚜蟲、紅蜘蛛等物種蟲害的識別模型并依靠此模型建立了移動應用用于指導農民農藥使用。
4.上述算法雖然可以取得一定的識別效果，但是對于整體的蟲害情況把握是有局限性，由于蚜蟲體型較小，遷移性強，藏匿于植株各個位置，相機很難進行定點捕捉，并且，環境因素是影響蟲害的關鍵因素，蟲害的發生離不開相應的環境因子影響，對于現代化的設施農業來說，如何結合“環境-蟲害”間的相互作用關系，建立預警模型，對于蟲害的防控是一個至關重要的問題。
技術實現要素：
5.本部分的目的在于概述本發明的實施例的一些方面以及簡要介紹一些較佳實施例。在本部分以及本技術的說明書摘要和發明名稱中可能會做些簡化或省略以避免使本部分、說明書摘要和發明名稱的目的模糊，而這種簡化或省略不能用于限制本發明的范圍。
6.本發明提供了一種基于1dcnn-lstm多源信息融合模型的日光溫室蚜蟲預警方法，能夠對日光溫室內蚜蟲發生量及蟲株率進行預測，并對即將發生的蚜蟲發生量和蟲株率做出預警，從而為日光溫室的蟲害預防提供指導，具有一定的植保應用價值。
7.為解決上述技術問題，本發明通過如下技術方案實現：
8.一種基于1dcnn-lstm多源信息融合模型的日光溫室蚜蟲預警方法，其特征在于，具體步驟如下：
9.步驟s1：日光溫室環境信息采集；
10.在植物生長周期內固定時間采集日光溫室內影響植物生長的環境因子，環境因子
包括溫濕度、光照強度和二氧化碳濃度，并對固定時間內的蚜蟲數目和蟲株率進行統計；
11.所述植物生長周期包括從植物送至日光溫室進行培養開始到植物收獲結束，所述固定時間以3-5天為宜；
12.所述蟲株率計算公式如下：
13.蟲株率＝(被害株數/辣椒總株數)
×
100％
14.步驟s2：蚜蟲發生量和蟲株率的灰關聯度分析；
15.通過灰關聯度分析考察不同環境因子特征變量對于蚜蟲發生量及蟲株率的影響程度，擇取關聯度在0.6以上的特征變量用于后續多源信息融合模型的建立；
16.所述灰關聯度分析具體流程如下：
17.步驟s21：選擇特征變量；
18.所述特征變量包括固定時間內各環境因子中的最大值、最小值和平均值，即固定時間內的日光溫室的最高溫度、最低溫度、平均溫度、最高相對濕度、最低相對濕度、平均相對濕度、最高光照強度、最低光照強度、平均光照強度、最高二氧化碳濃度、最低二氧化碳濃度和平均二氧化碳濃度。
19.步驟s22：選取參考數列及對比數列；
20.所述參考數列包括蚜蟲發生量和蟲株率，記為yj(k)，其中j＝1，2，分別對應蚜蟲發生量和蟲株率，k＝1，2，...，20，表示設置灰關聯度分析的數組個數；
21.所述對比數列包括固定時間內的最高溫度、最低溫度、平均溫度、最高相對濕度、最低相對濕度、平均相對濕度、最高光照強度、最低光照強度、平均光照強度、最高二氧化碳濃度、最低二氧化碳濃度、平均二氧化碳濃度，記為xi(k)，其中i＝1，2，...，12，依次對應上述對比數列中不同變量，并利用yj(k)及xi(k)建立關聯數組。
22.步驟s23：對參考數列和對比數列進行無量綱化；
23.所述無量綱化，采用初值化方法對yj(k)及xi(k)進行無量綱化，即將數列中每個數都除以第一個數。
24.步驟s24：計算數組無量綱化后的差值絕對值
25.所述差值絕對值計算公式如下：
[0026][0027]
步驟s25：計算兩極最大差mj和兩極最小差mj；
[0028]
所述兩極最大差mj和兩極最小差mj在步驟s24計算的差值絕對值基礎上計算得到，計算公式如下：
[0029][0030][0031]
步驟s26：計算蚜蟲發生量和蟲株率關于各特征變量的關聯系數γj[yj(k),xi(k)]；
[0032]
所述關聯系數γj[yj(k),xi(k)]計算公式如下：
[0033][0034]
其中，θ表示分辨系數，取值范圍為(0,1)，通常取值為0.5。
[0035]
步驟s27：計算蚜蟲發生量和蟲株率關于各特征變量的灰關聯度γj(yj,xi)；
[0036]
所述灰關聯度γj(yj,xi)計算公式如下：
[0037][0038]
步驟s3：建立1dcnn-lstm多源信息融合模型；
[0039]
所述1dcnn-lstm由一維卷積神經網絡(1dcnn)模型與長短期記憶人工神經網絡(lstm)組成；
[0040]
所述1dcnn包括輸入層、2個卷積層、池化層、全連接層和一個輸出層；
[0041]
所述卷積層采用長度為3的卷積核，卷積核個數分別對應16和32，所述池化層采用2
×
2的最大池化；
[0042]
所述lstm位于1dcnn模型池化層和全連接層間，神經元個數為128。
[0043]
步驟s4：模型訓練；
[0044]
通過采集到的蚜蟲發生量、蟲株率及環境因子特征變量建立數據集并對環境因子特征變量數據進行歸一化，歸一化計算方法如下：
[0045][0046]
其中，x
max
與x
min
分別對應各數據中最大值、最小值，x
*
表示歸一化后的數據；
[0047]
其次將數據集按照8：2的比例劃分為訓練集、測試集，在工作平臺將訓練集送入1dcnn-lstm模型進行訓練，對模型的超參數進行設計，當蚜蟲發生量與蟲株率總體的均方根誤差rmse《2且訓練損失loss收斂時，保存模型用于后續調用測試；
[0048]
所述數據集應至少包括1000份；
[0049]
所述rmse計算公式如下：
[0050][0051]
其中，y
λ
代表第λ個樣本的真實值，y'
λ
代表第λ個樣本的預測值，n代表測試集上的樣本總數；
[0052]
所述超參數包括模型訓練迭代次數、優化器、批量大小、初始學習率及激活函數的設置。
[0053]
步驟s5：模型測試。
[0054]
通過調用s4訓練好的1dcnn-lstm多源信息融合模型，對測試集上數據進行測試，采用rmse、平均絕對誤差mae、決定系數r2作為模型的評價指標；
[0055]
所述mae、r2計算公式如下：
[0056]
[0057][0058]
其中，代表所有λ個樣本中真實值的平均值。
[0059]
本發明的有益效果：本發明通過分析環境因子與蟲害間的相互關系，建立了基于1dcnn-lstm的蚜蟲發生量和蟲株率多目標預測模型，可以為日光溫室內的蟲害發生提供預警決策，從而對環境控制予以指導，有利于減少蟲害發生，提高農作物產量。
附圖說明
[0060]
為了更清楚地說明本發明實施例的技術方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其它的附圖。
[0061]
圖1為本發明第一個實施例所述的一種基于1dcnn-lstm多源信息融合模型的日光溫室蚜蟲預警方法的流程示意圖。
[0062]
圖2為本發明第一個實施例所述的蚜蟲發生量和蟲株率灰關聯度分析流程圖。
[0063]
圖3為本發明第一個實施例所述的蚜蟲發生量和蟲株率灰關聯度結果曲線。
[0064]
圖4為本發明第一個實施例所述的1dcnn-lstm模型的結構示意圖。
[0065]
圖5為本發明第一個實施例所述的lstm網絡的結構示意圖。
[0066]
圖6為本發明第一個實施例所述1dcnn-lstm模型訓練流程圖。
[0067]
圖7為本發明第一個實施例所述1dcnn-lstm模型訓練曲線。
具體實施方式
[0068]
為使本發明的上述目的、特征和優點能夠更加明顯易懂，下面結合說明書附圖對本發明的具體實施方式做詳細的說明，顯然所描述的實施例是本發明的一部分實施例，而不是全部實施例。基于本發明中的實施例，本領域普通人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都應當屬于本發明的保護的范圍。
[0069]
在下面的描述中闡述了很多具體細節以便于充分理解本發明，但是本發明還可以采用其他不同于在此描述的其它方式來實施，本領域技術人員可以在不違背本發明內涵的情況下做類似推廣，因此本發明不受下面公開的具體實施例的限制。
[0070]
其次，此處所稱的“一個實施例”或“實施例”是指可包含于本發明至少一個實現方式中的特定特征、結構或特性。在本說明書中不同地方出現的“在一個實施例中”并非均指同一個實施例，也不是單獨的或選擇性的與其他實施例互相排斥的實施例。
[0071]
實施例1
[0072]
參照圖1～7，為本發明的第一個實施例，該實施例提供了一種基于1dcnn-lstm多源信息融合模型的日光溫室蚜蟲預警方法，其特征在于，具體步驟如下：
[0073]
步驟s1：日光溫室環境信息采集；
[0074]
在植物生長周期內固定時間采集日光溫室內影響植物生長的環境因子，環境因子
包括溫濕度、光照強度和二氧化碳濃度，并對固定時間內的蚜蟲數目和蟲株率進行統計；
[0075]
所述植物生長周期包括從植物送至日光溫室進行培養開始到植物收獲結束，所述固定時間以3天；
[0076]
所述蟲株率計算公式如下：
[0077]
蟲株率＝(被害株數/植物總株數)
×
100％
[0078]
步驟s2：蚜蟲發生量和蟲株率的灰關聯度分析；
[0079]
通過灰關聯度分析考察不同環境因子特征變量對于蚜蟲發生量及蟲株率的影響程度，擇取關聯度在0.6以上的特征變量用于后續多源信息融合模型的建立；
[0080]
所述灰關聯度分析流程如圖2所示，具體流程如下：
[0081]
步驟s21：選擇特征變量；
[0082]
所述特征變量包括固定時間內各環境因子中的最大值、最小值和平均值，即固定時間內的日光溫室的最高溫度、最低溫度、平均溫度、最高相對濕度、最低相對濕度、平均相對濕度、最高光照強度、最低光照強度、平均光照強度、最高二氧化碳濃度、最低二氧化碳濃度和平均二氧化碳濃度。
[0083]
步驟s22：選取參考數列及對比數列；
[0084]
所述參考數列包括蚜蟲發生量和蟲株率，記為yj(k)，其中j＝1，2，分別對應蚜蟲發生量和蟲株率，k＝1，2，...，20，表示設置灰關聯度分析的數組個數；
[0085]
所述對比數列包括固定時間內的最高溫度、最低溫度、平均溫度、最高相對濕度、最低相對濕度、平均相對濕度、最高光照強度、最低光照強度、平均光照強度、最高二氧化碳濃度、最低二氧化碳濃度、平均二氧化碳濃度，記為xi(k)，其中i＝1，2，...，12，依次對應上述對比數列中不同變量，并利用yj(k)及xi(k)建立關聯數組；關聯數組部分數據如表1所示：
[0086]
表1：日光溫室蚜蟲數目、蟲株率與特征變量關聯數組。
[0087]
[0088]
步驟s23：對參考數列和對比數列進行無量綱化；
[0089]
所述無量綱化，采用初值化方法對yj(k)及xi(k)進行無量綱化，即將數列中每個數都除以第一個數。
[0090]
步驟s24：計算差值絕對值
[0091]
所述差值絕對值計算公式如下：
[0092][0093]
步驟s25：計算兩極最大差mj及最小差mj；
[0094]
所述兩極最大差mj和兩極最小差mj在步驟s24計算的差值絕對值基礎上計算得到，計算公式如下：
[0095][0096][0097]
通過計算得到蚜蟲發生量的兩極最大差m1、兩極最小差m1分別為18.7857、0；蟲株率的兩極最大差m2、兩極最小差m2分別為7.99605、0。
[0098]
步驟s26：計算蚜蟲發生量和蟲株率關于各特征變量的關聯系數γj[yj(k),xi(k)]；
[0099]
所述關聯系數γj[yj(k),xi(k)]計算公式如下：
[0100][0101]
其中，θ表示分辨系數，取值范圍為(0,1)，通常取值為0.5。
[0102]
步驟s27：計算影響蚜蟲發生量和蟲株率的灰關聯度γj(yj,xi)；
[0103]
所述灰關聯度γj(yj,xi)計算公式如下：
[0104][0105]
通過灰關聯度計算得到如圖3所示的蚜蟲發生量和蟲株率灰關聯度結果曲線，根據曲線結果可知，所選取的特征變量與蚜蟲發生量和蟲株率關聯度都在0.6以上，關聯性較強。
[0106]
步驟s3：建立1dcnn-lstm多源信息融合模型；
[0107]
所述1dcnn-lstm由一維卷積神經網絡(1dcnn)模型與長短期記憶人工神經網絡(lstm)組成；
[0108]
所述1dcnn包括輸入層、2個卷積層、池化層、全連接層和一個輸出層；
[0109]
所述卷積層采用長度為3的卷積核，卷積核個數分別對應16和32，所述池化層采用2
×
2的最大池化；
[0110]
所述lstm位于1dcnn模型池化層和全連接層間，神經元個數為128。
[0111]
步驟s4：模型訓練；
[0112]
模型訓練流程如圖6所示，通過采集到的蚜蟲發生量、蟲株率及環境因子特征變量建立數據集并對數據進行歸一化，歸一化計算方法如下：
[0113][0114]
其中，x
max
與x
min
分別對應各數據中最大值、最小值，x
*
表示歸一化后的數據；
[0115]
其次將數據集按照8：2的比例劃分為訓練集、測試集，在工作平臺將訓練集送入1dcnn-lstm模型進行訓練，對模型的超參數進行設計，當蚜蟲發生量與蟲株率總體的均方根誤差rmse《2且訓練損失loss收斂時，保存模型用于后續調用測試；
[0116]
所述數據集包括3051份蚜蟲發生量、蟲株率-特征變量關聯數據；
[0117]
所述rmse計算公式如下：
[0118][0119]
其中，y
λ
代表第λ個樣本的真實值，y'
λ
代表第λ個樣本的預測值，n代表測試集上的樣本總數；
[0120]
所述超參數設計如下，模型訓練迭代次數為100次，采用adam優化器，批量大小設置為16，初始學習率為0.001，選擇relu作為激活函數；
[0121]
如圖7所述為1dcnn-lstm模型訓練曲線，其中蚜蟲發生量和蟲株率總的rmse達到1.503，loss穩定于1.130。
[0122]
步驟s5：模型測試。
[0123]
通過調用訓練好的1dcnn-lstm多源信息融合模型，對測試集上數據進行測試，采用rmse、平均絕對誤差mae、決定系數r2作為模型的評價指標；
[0124]
所述mae、r2計算公式如下：
[0125][0126][0127]
其中，代表所有λ個樣本中真實值的平均值；
[0128]
通過測試得到模型不同評價結果如表2所示：
[0129]
表2：1dcnn-lstm模型的測試結果。
[0130][0131]
實施例2
[0132]
為了證明模型的優越性，設置傳統的bp神經網絡用于1dcnn-lstm模型的對照組，通過設置bp隱含層個數獲得bp的最優訓練模型；
[0133]
所述當bp為最優模型時，隱含層為7，蚜蟲發生量和蟲株率rmse達35.483，與1dcnn-lstm模型測試對照結果如表3所示：
[0134]
表3：bp神經網絡和1dcnn-lstm測試對比。
[0135][0136]
應當認識到，本發明的實施例可以由計算機硬件、硬件和軟件的組合、或者通過存儲在非暫時性計算機可讀存儲器中的計算機指令來實現或實施。所述方法可以使用標準編程技術-包括配置有計算機程序的非暫時性計算機可讀存儲介質在計算機程序中實現，其中如此配置的存儲介質使得計算機以特定和預定義的方式操作——根據在具體實施例中描述的方法和附圖。每個程序可以以高級過程或面向對象的編程語言來實現以與計算機系統通信。然而，若需要，該程序可以以匯編或機器語言實現。在任何情況下，該語言可以是編譯或解釋的語言。此外，為此目的該程序能夠在編程的專用集成電路上運行。
[0137]
此外，可按任何合適的順序來執行本文描述的過程的操作，除非本文另外指示或以其他方式明顯地與上下文矛盾。本文描述的過程(或變型和/或其組合)可在配置有可執行指令的一個或多個計算機系統的控制下執行，并且可作為共同地在一個或多個處理器上執行的代碼(例如，可執行指令、一個或多個計算機程序或一個或多個應用)、由硬件或其組合來實現。所述計算機程序包括可由一個或多個處理器執行的多個指令。
[0138]
進一步，所述方法可以在可操作地連接至合適的任何類型的計算平臺中實現，包括但不限于個人電腦、迷你計算機、主框架、工作站、網絡或分布式計算環境、單獨的或集成的計算機平臺、或者與帶電粒子工具或其它成像裝置通信等等。本發明的各方面可以以存儲在非暫時性存儲介質或設備上的機器可讀代碼來實現，無論是可移動的還是集成至計算平臺，如硬盤、光學讀取和/或寫入存儲介質、ram、rom等，使得其可由可編程計算機讀取，當存儲介質或設備由計算機讀取時可用于配置和操作計算機以執行在此所描述的過程。此外，機器可讀代碼，或其部分可以通過有線或無線網絡傳輸。當此類媒體包括結合微處理器或其他數據處理器實現上文所述步驟的指令或程序時，本文所述的發明包括這些和其他不同類型的非暫時性計算機可讀存儲介質。當根據本發明所述的方法和技術編程時，本發明還包括計算機本身。計算機程序能夠應用于輸入數據以執行本文所述的功能，從而轉換輸入數據以生成存儲至非易失性存儲器的輸出數據。輸出信息還可以應用于一個或多個輸出
設備如顯示器。在本發明優選的實施例中，轉換的數據表示物理和有形的對象，包括顯示器上產生的物理和有形對象的特定視覺描繪。
[0139]
如在本技術所使用的，術語“組件”、“模塊”、“系統”等等旨在指代計算機相關實體，該計算機相關實體可以是硬件、固件、硬件和軟件的結合、軟件或者運行中的軟件。例如，組件可以是，但不限于是：在處理器上運行的處理、處理器、對象、可執行文件、執行中的線程、程序和/或計算機。作為示例，在計算設備上運行的應用和該計算設備都可以是組件。一個或多個組件可以存在于執行中的過程和/或線程中，并且組件可以位于一個計算機中以及/或者分布在兩個或更多個計算機之間。此外，這些組件能夠從在其上具有各種數據結構的各種計算機可讀介質中執行。這些組件可以通過諸如根據具有一個或多個數據分組(例如，來自一個組件的數據，該組件與本地系統、分布式系統中的另一個組件進行交互和/或以信號的方式通過諸如互聯網之類的網絡與其它系統進行交互)的信號，以本地和/或遠程過程的方式進行通信。
[0140]
應說明的是，以上實施例僅用以說明本發明的技術方案而非限制，盡管參照較佳實施例對本發明進行了詳細說明，本領域的普通技術人員應當理解，可以對本發明的技術方案進行修改或者等同替換，而不脫離本發明技術方案的精神和范圍，其均應涵蓋在本發明的權利要求范圍當中。
技術特征：
1.一種基于1dcnn-lstm多源信息融合模型的日光溫室蚜蟲預警方法，其特征在于，包括如下步驟：步驟s1，日光溫室環境信息采集；步驟s2，蚜蟲發生量和蟲株率的灰關聯度分析；步驟s3，建立1dcnn-lstm多源信息融合模型；步驟s4，模型訓練；步驟s5，模型測試。2.如權利要求1所述的一種基于1dcnn-lstm多源信息融合模型的日光溫室蚜蟲預警方法，其特征在于，所述日光溫室環境信息采集具體包括：在植物生長周期內固定時間采集日光溫室內影響植物生長的環境因子，環境因子包括溫濕度、光照強度和二氧化碳濃度，并對固定時間內的蚜蟲數目和蟲株率進行統計；所述植物生長周期包括從植物送至日光溫室進行培養開始到植物收獲結束，所述固定時間以3-5天為宜；所述蟲株率計算公式如下：蟲株率＝(被害株數/辣椒總株數)
×
100％3.如權利要求2所述的一種基于1dcnn-lstm多源信息融合模型的日光溫室蚜蟲預警方法，其特征在于，所述蚜蟲發生量和蟲株率的灰關聯度分析具體方法包括：通過灰關聯度分析考察不同環境因子特征變量對于蚜蟲發生量及蟲株率的影響程度，擇取關聯度在0.6以上的特征變量用于后續多源信息融合模型的建立。4.如權利要求3所述的一種基于1dcnn-lstm多源信息融合模型的日光溫室蚜蟲預警方法，其特征在于，所述灰關聯度分析具體流程如下：步驟s21，將固定時間內各環境因子中的最大值、最小值和平均值，即固定時間內日光溫室內的最高溫度、最低溫度、平均溫度、最高相對濕度、最低相對濕度、平均相對濕度、最高光照強度、最低光照強度、平均光照強度、最高二氧化碳濃度、最低二氧化碳濃度和平均二氧化碳濃度作為特征變量；步驟s22，選擇蚜蟲發生量和蟲株率作為參考數列，記為y
j
(k)，其中j＝1，2，分別對應蚜蟲發生量和蟲株率，k＝1，2，...，20，表示設置灰關聯度分析的數組個數；將固定時間日光溫室內的最高溫度、最低溫度、平均溫度、最高相對濕度、最低相對濕度、平均相對濕度、最高光照強度、最低光照強度、平均光照強度、最高二氧化碳濃度、最低二氧化碳濃度、平均二氧化碳濃度作為對比數列，記為x
i
(k)，其中i＝1，2，...，12，依次對應上述對比數列中最高溫度、最低溫度、平均溫度等不同變量，并利用y
j
(k)及x
i
(k)建立關聯數組；步驟s23，采用初值化方法對y
j
(k)及x
i
(k)進行無量綱化，即將數列中每個數都除以第一個數；步驟s24，計算數組無量綱化后的差值絕對值差值絕對值計算公式如下：步驟s25，在步驟s24計算得到差值絕對值的基礎上，計算差值絕對值的兩極最大差m
j
和兩極最小差m
j
，計算公式如下：
步驟s26，計算蚜蟲發生量和蟲株率關于各特征變量的關聯系數γ
j
[y
j
(k),x
i
(k)]，計算公式如下：其中，θ表示分辨系數，取值范圍為(0,1)，通常取值為0.5；步驟s27，計算蚜蟲發生量和蟲株率關于各特征變量的灰關聯度γ
j
(y
j
,x
i
)，計算公式如下：5.如權利要求4所述的一種基于1dcnn-lstm多源信息融合模型的日光溫室蚜蟲預警方法，其特征在于，所述1dcnn-lstm模型具體特征包括：所述1dcnn-lstm由一維卷積神經網絡(1dcnn)模型與長短期記憶人工神經網絡(lstm)組成；所述1dcnn包括輸入層、2個卷積層、池化層、全連接層和一個輸出層；所述卷積層采用長度為3的卷積核，卷積核個數分別對應16和32，所述池化層采用2
×
2的最大池化；所述lstm位于1dcnn模型池化層和全連接層間，神經元個數為128。6.如權利要求5所述的一種基于1dcnn-lstm多源信息融合模型的日光溫室蚜蟲預警方法，其特征在于，所述模型訓練過程包括：通過采集到的蚜蟲發生量、蟲株率及環境因子特征變量建立數據集并對環境因子特征變量數據進行歸一化，歸一化計算方法如下：其中，x
max
與x
min
分別對應各數據中最大值、最小值，x
*
表示歸一化后的數據；其次將數據集按照8：2的比例劃分為訓練集、測試集，在工作平臺將訓練集送入1dcnn-lstm模型進行訓練，對模型的超參數進行設計，當蚜蟲發生量與蟲株率總體的均方根誤差rmse<2且訓練損失loss函數收斂時，保存模型用于后續調用測試；所述數據集應至少包括1000份；所述rmse計算公式如下：其中，y
λ
代表第λ個樣本的真實值，y'
λ
代表第λ個樣本的預測值，n代表測試集上的樣本總數；所述超參數包括模型訓練迭代次數、優化器、批量大小、初始學習率及激活函數的設置。7.如權利要求6所述的一種基于1dcnn-lstm多源信息融合模型的日光溫室蚜蟲預警方
法，其特征在于，所述模型測試過程包括：通過調用訓練好的1dcnn-lstm多源信息融合模型，對測試集上數據進行測試，采用rmse、平均絕對誤差mae、決定系數r2作為模型的評價指標；所述mae、r2計算公式如下：計算公式如下：其中，代表所有λ個樣本中真實值的平均值。
技術總結
本發明公開了一種基于1DC-LSTM多源信息融合模型的日光溫室蚜蟲預警方法，包括：日光溫室環境信息采集；蚜蟲發生量和蟲株率的灰關聯度分析；建立1DC-LSTM多源信息融合模型；模型訓練；模型測試。最后，對比了1DC-LSTM與傳統的BP神經網絡模型算法對于蚜蟲發生量集蟲株率多目標預測效果的訓練及測試性能。通過設計一種基于1DC-LSTM多源信息融合模型的日光溫室蚜蟲預警模型，可以根據過去時間內的環境信息對日光溫室內蟲害發生量及蟲株率作出有效的預警，有利于日光溫室等設施農業對于蟲害的精準管控。業對于蟲害的精準管控。業對于蟲害的精準管控。
