一种基于机器学习的小麦白粉病发生程度预测方法

技术特征：
1.“一种基于机器学习的小麦白粉病发生程度预测方法”，具体包含以下步骤：获取小麦白粉病病情资料和气象资料；将小麦白粉病病情资料划为3类，并利用过拟合方法将各类数据补齐，并对数据进行标准化；通过特征工程中的方差过滤方法对气象资料进行筛选，得到合适的预测因子；利用筛选后的预测因子，构建基于机器学习的小麦白粉病发生程度的分类预测模型，并对其进行验证。2.根据权利要求1所述方法，所述获取小麦白粉病病情资料包括：小麦白粉病病情资料包括：四川南充(1985-1995，2009-2021)、巴中(1980-1995，2009-2019)和江油(2020和2021)、河南南阳(1981-1996，2009-2019)、安阳(1991-2000，2009-2019)、唐河(2020和2021)、新乡(2020和2021)和原阳(2020和2021)，山东章丘(1982-1996，2012-2018)和淄博(2020和2021)，江苏高邮(1981-1999)、睢宁(1981-1996)、徐州(2020和2021)和扬州(2020和2021)，安徽六安(2020和2021)和庐江(2020和2021)共172个数据；相应的气象资料如气温、降水量、湿度、光照时数等来自于国家气象信息中(网站：http：//data.cma.cn/site/index.html)。3.根据权利要求1所述方法，所述将小麦白粉病病情资料划为3类，并利用过拟合方法将各类数据补齐，并对数据进行标准化包括：将小麦白粉病病情资料划为3类，具体为：将发生程度为0、1、2级划分为不发生或轻发生，发生程度为3级划分为中等发生，发生程度为4、5级划分为重发生；利用机器学习中处理样本不均衡问题的过拟合方法，将数据补齐；数据标准化的方法为新数据＝(原数据-所有样本均值)/标准差。4.根据权利要求1所述方法，所述通过机器学习方法对气象资料进行筛选，得到合适的预测因子包括：通过机器学习特征工程(方差过滤、卡方过滤)等方法对气象资料进行筛选，选取合适的预测因子。5.根据权利要求1所述方法，所述利用筛选后的预测因子，构建基于机器学习的小麦白粉病发生程度的分类预测模型，并对其进行验证包括：利用上述筛选出的两个预测因子，将病情资料和气象资料按9∶1分为训练集和测试集，通过机器学习方法(k-近邻、随机森林、支持向量机、人工神经网络等)建立小麦白粉病发生程度的分类预测模型；构建的模型为分类模型，其准确性验证方法为：准确性(％)＝测试集分类正确数/测试集总数*100％。

技术总结
本发明公开了一种基于机器学习的小麦白粉病发生程度预测方法，该方法包含以下步骤：获取小麦白粉病病情资料和相关气象资料；将小麦白粉病病情资料划为3类，利用过拟合方法将各类数据补齐，并对数据进行标准化；通过特征工程对气象资料进行筛选，得到适合的预测因子；利用筛选后的预测因子，构建基于机器学习的小麦白粉病发生程度的分类预测模型，并对其进行验证。获得了适用范围广、准确性高的基于人工神经网络的小麦白粉病发生程度预测模型，本发明可为小麦白粉病防治提供技术支撑。本发明可为小麦白粉病防治提供技术支撑。


技术研发人员：周益林 聂晓 范洁茹 刘伟
受保护的技术使用者：中国农业科学院植物保护研究所
技术研发日：2022.02.15
技术公布日：2022/5/31