随机森林在棉蚜虫害等级预测中的应用

《随机森林在棉蚜虫害等级预测中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、随机森林在棉妍虫害等级预测中的应用摘要：棉虫牙是棉区的主要农业害虫之一，对于棉花的产量和质量影响较大。为了准确地对棉虫牙虫害的等级进行分类预测，以便采取科学的防治措施，该研究对山东省滨州地区1990-2009年的20年中5-9月的平均气温、降水量、相对湿度、日照时数等气象数据、棉酚天敌数据与棉酚虫害数据进行了相关性分析，筛选后保留的影响因子数据构建随机森林棉酚虫害等级预测模型。结果表明：随机森林模型的00B为5.7%,等级的误分率为0.09和0.019,经测试集检验，模型预测的准确率为82.2%0模型泛化性好，等级的误分率低。关键词：随机森林；棉虫牙；气象因子；等级预测中图分类号TP3

2、91；S431文献标识码A文章编号1007-7731(2017)01-0018-03Abstract：Cottonaphidisoneofthemainagriculturalpestsofcotton,forgreatereffectsontheyieldandqualityofcotton.Inordertoaccuratelyclassifythelevelofcottonaphidpestforecast,throughtheacquisitionofBinzhouareaofShandongProvinceregionfromMaytoSeptemberin1990-2009

3、,averagetemperature,precipitation,relativehumidity,sunshinehoursandothermeteorologicaldataandcottonaphidenemiesandAphisgossypiipestdatacorrelationanalysis,screeningofgossypiilevelpredictionmodel.ExperimentalresuItsshowthattherandomforestmodelof00Bwas5.7%,thelevelofpointerrorratewas0.09and0.019,h

4、aveexaminedthetestsetandmodelpredictionaccuracyis82.2%.Thegeneralizationofthemodelisgood,andtherateofmisclassificationislow.Keywords：Randomforest；Cottonaphid；Meteorologicalfactors；levelPrediction棉花是我国重要的经济作物之一，山东省滨州地区棉花种植面积广泛。棉呀是造成棉花减产的主耍害虫z—,由于其发生时间长，繁殖速度快，危害严重且防治困难，在一定程度上制约了滨州地区棉花的优质和高产。而气象条件和

5、天敌数量均对棉蜗产生直接的影响，为有效防治棉蜗的危害，学者们对棉蜗虫害的预测进行了大量的研究。如张金［1］等采用逐步判?e分析法分析了气候条件和棉蜗虫害等级的关系，构建了新疆石河子地区棉呀多元线性回归预测模型。吴昊［2］等对九江鄱阳湖地区棉呀发生规律和预报方法进行了研究，以丰富该地区的棉酚预报方法。慕彩云［3］等对东疆地区的棉虫牙预测构建了日预测、月预测及旬预测的线性回归模型。目前，在棉蜗预测模型的构建中多运用线性回归，但是在线性回归分析中采用何种因子进行表达只是一种推测，从而影响了因子的多样性和不可测性，使得回归分析在某些情况下的使用受到限制。随机森林在运算量没有显著提高的前提下提高

6、了预测精度，并但对于多元共线性不敏感，对缺失数据和非平衡数据比较稳健［4］,而且模型训练速度快，样本选择具有随机性，不易产生过拟合。为此，本实验将随机森林用于棉虫牙虫害等级的短期预测中，提高了棉虫牙预测的效率和准确率，从而可以及时地为农业生产者提供准确的预警信息，提前采取防治措施，降低棉酚对棉花的危害。1随机森林算法随机森林算法［5］是2001年加利福尼亚大学的LooBroiman提出的，是一种由多个决策树组成的集成分类算法。集成学习现已成为国际机器学习界研究的热点机器学习范式［6］。随机森林中引入了2个随机化过程，使得不同的分类树具有不同的分类能力，当输入待分类样本时，随机森林输出的

7、结果由每个决策树的分类结果进行投票决定［7-8］。随机森林是一个树型分类器的集合。该算法中的元分类器是由CART算法组成但没有剪枝的分类冋归树。参数X是输入向量；是独立分布的随机向量，决定单棵决策树的生长过程。随机森林屮最重要的是如何构造一个随机森林。随机森林的算法步骤如下：(1)假设数据的样本数为N,那么每棵决策树采样的样本数就是N。在这N个样本中有放回的随机选择n(n〈N)个样本，用这n个样本来训练一棵决策树。(2)每个样本有M个属性，每棵