一、运用BP人工神经网络预测长江中下游梨黑星病发病的研究（论文文献综述）
陈育民[1]（2018）在《佛山市农作物病虫害的发生与防控对策研究》文中进行了进一步梳理本文分析了2014-2016年佛山市主要农作物病虫害的发生与防控对策,旨在发现和解决佛山市病虫害防控工作中存在的问题,促进佛山市现代农业的可持续发展。主要结论如下:（1）佛山市主要农作物病虫害发生的特点。随着佛山市城镇化进程的快速推进,以粮食作物为主的农业产业结构发生调整,常年种植的蔬菜、果树等农作物病虫害发生比重随着面积比重的增加而增加。高温、高湿的气候条件有利于有害生物爆发成灾,也因此佛山市各种农业有害生物发生情况复杂,主要虫害16种,主要病害多达50种以上,各种病虫害可在不同寄主间转移为害,多数害虫无明显越冬现象,常年发生为害,交叉危害时间长。（2）佛山市农作物病虫害的防控技术。佛山市农作物病虫防控始终坚持绿色农业发展理念,努力建设病虫测报体系,测报工作从无到有,测报设备不断更新;测报人才队伍稳定,各区均有专人负责相应工作。除此之外,还不断探索生物防控、物理防控、农业防控等病虫害防控手段新方法,选育及引进一大批抗病性强的农作物新品种、推广防虫网、无菌组培苗等绿色病虫害管理技术,通过多种信息媒介发布病虫情报,坚持化学防治是农作物病虫害防治最后一道防线原则,每年为佛山农业生产挽回大量损失,取得良好的社会效益、经济效益、生态效益。测报体系建设及防控技术探索为佛山市实现农业现代化、建设“农业科技示范市”提供强劲的技术支撑力量。（3）佛山市农作物病虫害防控体系建设的对策。佛山市现有有害生物防控设备多数是国内小厂家生产,产品研发及更新换代不及时,需不断引进先进的仪器设备。尽管人才队伍稳定,但是负责病虫防控人员还肩负行政工作,而且没有试验基地无法及时进行田间应用试验,也给定点测报带来不便,佛山市应建设更完善的测报监测点,减少技术人员行政工作负担。由于缺少历史数据资料,在病虫害测报方面没有相关数学模型,今后应及时记录气候信息及病虫发生数据,建立病虫害测报模型。在教育培训方面,应加强专业技术人员技术培训,紧紧抓住每次同各级各类机构和科研院所交流学习的机会,促进专业技术水平提高。
刘薇薇[2]（2016）在《基于BP神经网络的梨树腐烂病综合防控专家系统研制》文中研究指明梨是我国近年来发展较快的水果之一,是我国第三大果树,仅次于苹果和柑橘。在栽培总面积和总产量方面中国在世界范围内也具有较强的竞争力。在我国山西、河北、安徽砀山等梨主产区,梨产业同时也是促进当地农业发展、农村经济繁荣和增加农民收入的重要支柱产业。梨树腐烂病是危害梨树栽培生产的最重要枝干病害之一,该病害在国内外各梨产区均有发生,具有发病率高、发生区域广、难以控制等特点,防治相当困难。梨树腐烂会导致树皮腐烂、降低梨果品质,严重时会造成梨树整株死亡甚至毁园,严重影响到梨果产业的健康发展。但是,目前农户对梨树腐烂病的防治和预测主要依靠个人经验,相关领域专家的匮乏远远不能满足种植户和管理人员的需求。本文针对以上问题,在分析腐烂病流行规律的基础上,基于BP神经网络技术,建立了梨树腐烂病预测模型;利用网络信息技术开发了“梨树腐烂病综合防治专家系统”。主要研究内容如下:1、确定BP神经网络的输入变量。基于杨凌梨产区的梨树腐烂病发病数据,对当地梨树腐烂病分生孢子周年释放情况、病斑周年扩散情况以及病害周年消长情况,结合当地气候进行分析讨论,研究梨树腐烂病的流行规律以及各环境气象因子和梨树腐烂病的相关性,确定梨腐烂病预测模型需要的影响因子作为网络模型的输入变量的原始数据。2、建立基于BP神经网络的梨树腐烂病预测模型。首先对数据进行预处理,并通过主成分分析法进行降维提取主成分作为神经网络的输入。利用MATLAB对样本数据进行输入到输出变量的映射训练和仿真模拟实验,构建和检测模型。3、利用计算机技术和网络信息技术开发梨树腐烂病综合防治专家系统。系统以浏览器/服务器为基本网络架构,利用Sublime、Dreamweaver等代码编辑器,采用HTML+CSS+JavaScript等编程语言开发,为用户提供一个方便即时的INTERNET服务平台。网络信息技术的多元化和B/S架构的优势,赋予了专家系统可扩展性、友好性和动态性,丰富了专家系统与用户的交互人机界面,提高了系统维护和实时更新的便捷性。通过分析,温度、降雨量和湿度是影响梨树腐烂病流行发展的主要环境因素。利用BP神经网络建立的腐烂病预测模型可通过算法优化改进,提高模型的准确性,同时,与其他数学模型相比具有解决非线性问题的优势。本研究开发的基于神经网络的梨树腐烂病专家系统,面向广大梨种植户和相关研究人员,为用户提供科学防控和远程帮助,增强了梨树腐烂病综合防控知识的共享性,具有较强实用价值,也为梨树腐烂病的防控和预测的进一步研究提供参考。
马宁,孟志军,王培,梁勇[3]（2016）在《农作物病虫害预报方法研究综述》文中研究说明农作物病虫害监测预警是植保工作的基础,是有效防控病虫害的前提、是农业生产安全的保障。我国作为一个农业生产大国,更需要关注农作物病虫害预报预警技术的发展,保障农作物的安全生产。分析当前国内外部分病虫害预报预警方式,指出当前预警方式存在的问题,并对该项研究的发展做出展望。
张沙沙[4]（2013）在《稻麦主要病虫的CBR预测模型参数优化及知识库构建》文中研究表明本试验应用CBR方法建立了以时间序列为轴线的病虫滚动预测模型,利用安徽省农作物病虫数据库对稻、麦主要病虫害的影响因子筛选、参数优化,确定稻、麦各主要病虫CBR预测模型因子、参数构架；并研究构建了安徽省小麦、水稻病虫害识别诊断知识库。农作物病虫害监测预报是进行病虫害综合防治的基础。本文提出了一种用于稻麦病虫害预测的新方法——基于案例推理的时间序列数据的相似年分析（CBR）,并主要对其预测因子、参数进行了优化筛选。基于案例推理的方法就是通过搜索曾经成功解决过的类似问题,比较新、旧问题之间的特征、发生背景等差异,重新使用或参考以前的知识和信息,达到最终解决问题的方法。结合安徽省各生态区域的气候特点、地理位置及各病虫害的发生情况,用CBR对稻麦主要病虫害的预测预报研究,首先利用各代表县的年报历史资料建立时间序列历史案例库,再按照指定或预先设定因子匹配规格和权重参数来构建相似度函数,然后逐一计算目标案例与历史案例的匹配程度,最终选取与目标案例相似程度最高的历史案例的结论作为预测结论；在预测过程中,未来相关的预报数据也可加入目标案例的时间序列中参与计算。本研究分别筛选出了小麦赤霉病、小麦白粉病、小麦纹枯病、小麦蚜虫、水稻纹枯病、稻瘟病等主要病虫害的CBR预测因子及参数,经回检,小麦赤霉病、小麦纹枯病、小麦蚜虫、水稻纹枯病、稻瘟病的预测准确率皆达到80%以上,小麦白粉病的预测准确率为77.05%。其中,小麦赤霉病大流行年份的预测准确率达70%左右。因此,该预测参数具有一定的可靠性,可作为CBR模型预测稻麦病虫害的依据。利用Visual Basic6.0研究构建了安徽省稻麦病虫知识库,为构建该知识库,收集了安徽省稻麦常见病虫害的文字描述资料和图片资料,包括不同病害在农作物不同部位的发病症状描述、典型症状图片及常规的防治方法等,通过计算机语言将文字和图片有机地结合起来,使得稻麦病虫害的识别诊断更加直观、简易。用户登陆系统后进入主菜单,根据自己的需要,从菜单中选择所要执行的项目或输入必要的信息。该知识库具有图文并茂、种类较全、通俗易懂、操作简单、实用性强等特点,为基层植保工作人员的田间识别诊断提供了可靠依据。
朱宇波[5]（2012）在《稻纵卷叶螟危害水稻的高光谱监测方法研究》文中研究表明农作物病虫害是造成农业生产损失的主要因素之一,做好病虫害的准确监测与预报,才能有效的指导病虫害的防控工作,从而降低经济损失。高光谱遥感技术可以准确、及时、客观的获取地面植被信息,从而了解近地面作物生长状况,间接的对作物病虫害进行监测。本文以重要的水稻迁飞性害虫稻纵卷叶螟为对象,采用便携式光谱仪,测定了不同尺度下（室内叶片、小区冠层及大田冠层）不同生育期（分蘖期、孕穗期和扬花期）水稻的光谱反射率,组建了基于敏感光谱波段、光谱反射率微分值和光谱反射率主成分的稻纵卷叶螟为害程度的回归、主成分、BP神经网络及GA-BP网络的多种诊断模型,以便在不同光谱水平上对水稻多种生育期的受害程度进行监测,获得了以下主要结果：（1）测定了不同卷叶率的组合叶片的室内光谱反射率、小区和大田不同卷叶率下的冠层光谱反射率,通过反射率与卷叶率间的相关分析,获得了能表征稻纵卷叶螟为害的各光谱敏感波段。孕穗期组合叶片在蓝紫、绿峰、红光和近红外波段的光谱反射率对水稻受害程度敏感；扬花期时主要是可见光和一部分近红外波段对水稻受害程度敏感。在小区冠层光谱反射率中,在孕穗期,蓝紫光、绿光和近红外波段对水稻受害程度敏感；在扬花期,只有极少部分的红光和绝大部分的近红外波段对水稻受害程度敏感。在大田冠层光谱反射率中,在分蘖期,只有红光及近红外波段对水稻受害程度敏感；在孕穗期,只有近红外波段反射率对水稻受害程度敏感；在扬花期,只有蓝紫光和红光波段的反射率对虫害程度敏感。无论是在分蘖期,孕穗期还是扬花期,红光波段和近红外波段与受害后卷叶率的相关性均处于极显着水平。利用敏感波段的反射率及其一阶微分值分别建立了水稻卷叶率的回归诊断模型,通过回检和预测发现,基于室内组合叶片的光谱反射率的模型诊断卷叶数的准确率最高,小区冠层光谱反射率模型诊断小区卷叶率级别的准确度次之,而大田光谱反射率诊断卷叶率级别的准确率最差。线性回归模型难以对大田稻纵卷叶螟的危害进行准确监测。对不同卷叶率水稻叶片和冠层在400-1000nm光谱波段的各反射率进行主成分分析,由各主成分负载表明,每个主成分各自代表不同波段组合的信息,室内组合叶片和小区的不同卷叶率基本可由光谱反射率的第一和第二主成分简单地区分开来,但是大田的不同卷叶率难以用冠层光谱反射率的任一两个主成分组合进行区分.利用室内组合叶片的光谱反射率的主成分,建立的孕穗期组合叶片卷叶数的回归诊断模型,模型预测和回检准确率分别为42.9%和95.2%,而在扬花期叶片中由主成分建立的回归模型的效果较好,预测和回检准确率分别为85.7%和90.5%。利用小区冠层光谱反射率的主成分建立的小区卷叶率级别的回归诊断模型,在孕穗期和扬花期的卷叶率级别诊断的回检准确率较高,分别为91.7%和62.1%。但是,大田冠层光谱诊断卷叶率级别的主成分回归模型对各生育期的诊断效果均不好。（2）利用经主成分分析降维后的光谱反射率主成分因子数据,进行水稻受稻纵卷叶螟为害的BP神经网络诊断。结果表明,利用BP网络诊断孕穗期的组合叶片中卷叶数的准确率为50%、扬花期的为100%；诊断小区内孕穗期卷叶率级别的准确率为83.3%、扬花期为60%；诊断大田卷叶率级别的准确率分蘖期为73.3%、孕穗期为60.9%、扬花期为53.6%。仅以光谱反射率的主成分为因子,利用BP神经网络来监测水稻受稻纵卷叶螟为害后的卷叶率还达不到很好的效果。（3）通过将遗传算法引入BP神经网络的方法,对传统的神经网络进行了改进,然后利用各层次光谱反射率的主成分因子进行水稻受稻纵卷叶螟危害的光谱监测,结果表明,该方法大大提高了对水稻卷叶率级别诊断的准确性。对室内组合叶片中卷叶数和小区水稻卷叶率级别的GA-BP神经网络诊断的准确率都接近100%；对大田水稻的卷叶率级别的诊断准确率也超过了80%。由此说明,GA-BP神经网络的方法在诊断水稻受稻纵卷叶螟为害程度上具有明显的优越性。
马丽丽,贺超兴,纪建伟[6]（2012）在《基于环境因子的黄瓜病害预测研究》文中研究说明日光温室中病害的预测预报是病害管理的重要组成部分,也是有效防治和控制病害发生发展的依据,更是农业生产管理和决策的前提。植物生长发育进程明显受到温度的影响,而病害发生又与长时间高温度和高湿度相联系。以往的病害预测多是基于对植物本身的病害特征、种植方法和农药的用量来实现的,多是如何防止。因此,病害早期的预测、预报和防治显得非常重要。为此,根据已有的专家知识库建立以环境数据（即温度和湿度）为输入的神经网络病害预测模型,通过此模型用实际的环境数据再预测未来病害,从而减少病害发生的概率,获得速生高产与优质高效的农产品,实现经济效益最优的目标。
李智[7]（2010）在《梨抗黑星病类似基因Hcrp和启动子克隆与类受体蛋白分析》文中提出梨在我国具有广泛而悠久的栽培历史。梨黑星病（Venturia nashicola Tanak et Yamamota）是世界性梨树的重要病害,在我国南北梨区均有发生,尤其在河北、山西、陕西等地危害严重,主要危害梨叶片和果实,造成早期落叶和幼果畸形等,严重影响了梨果品的产量和品质,阻碍了梨产业的发展。因此抗病育种是控制病害的最根本、最有效的方法之一,随着生物技术的迅速发展,为梨抗病育种提供了新的途径,不仅缩短了育种周期、加快了育种进程、拓宽了育种范围,而且解决了传统育种中梨自交不亲和、童期长等困难,然而在梨抗黑星病基因工程方面的研究尚未见报道。本文旨在分离梨抗黑星病基因Hcrp及其启动子,并运用生物信息学对其进行了全面的功能预测分析。在此基础上,又对18个梨品种的抗病基因进行了遗传变异研究,主要研究结果如下：1.利用同源克隆技术,在翠冠梨上分离出一个抗黑星病基因Hcrp,全长3055bp,包含一个2928bp的开放阅读框（ORF）,不含有内含子,编码975个氨基酸。其编码的蛋白质大小为109.4 kD,等电点为5.75,在核苷酸和蛋白质水平上都与苹果上的抗黑星病基因家族Hcrvfs非常相似。Hcrp蛋白属于R基因编码的LRR-TM（亮氨酸重复序列-跨膜）型细胞外分泌型蛋白。生物信息学分析显示,该蛋白主要有28个由α螺旋和β折叠构成的亮氨酸重复序列（LRR）,有多个蛋白质修饰和活化位点,三级结构为环状螺旋蛋白。2.利用同源克隆得到了四条Hcrp基因上游的候选序列,然后设计引物验证后得到了Hcrp基因的上游启动子序列,长907bp,生物信息学分析发现具有启动子所必需的各种元件,还有多种可能应答胁迫的元件,其中包括BIHD、DOF、GATA BOX、GT1、W BOX、WRKY、MYB、MYC、SIF BOX、IBOX等。转录起始位点（TSS）很可能在翻译起始位点上游-39bp处。3.18个梨系统进化为四组,组Ⅰ（金秋梨、绿宇红、金川雪梨、硕丰、晚三吉）的Ka/Ks最高,为1.275>1,受到的正向选择最大,极显着高于Ⅱ、Ⅲ、Ⅳ组。四组之间的核苷酸多样性没有显着差异,而亮氨酸重复序列区域的变异较两端大。插入删除多态性中性测验显着,Tajima’s D=2.04978（p<0.05）,白梨、砂梨、日本梨群体遗传差异小,三者之间有较强的基因交流。
王淑梅[8]（2010）在《气象条件与农作物病虫害预报和防治》文中研究指明气象因素是影响农作物病虫害发生发展的主要因子之一。近年来,国内外学者对农作物病虫害从气象角度进行预报作了大量的研究。研究内容大致可以划分为病虫害发生发展的气象条件研究、气象预报方法研究以及气象条件对农田施药的影响研究等方面。如何使植保和气象部门通力合作,不断深化病虫害发生发展的气象预报研究,提高综合预报工作的准确性和药物防治的有效性,本文就气象条件和病虫害的关系、预报和防治方法进行了论述和说明,为农业生产可持续发展提供了理论依据。
陈梅香[9]（2010）在《基于SVM和GIS的梨小食心虫预测系统的研究》文中进行了进一步梳理果树病虫害防治尤需精准的预测预报技术,目前生产上主要采取经验式防治,容易造成防治不及时,导致果实产量和品质下降。为了提高果树害虫的预测准确率,本文以梨小食心虫为研究对象,以气象因子为主要影响因子,运用相关分析、专家知识进行关键影响因子的筛选,应用基于统计学习理论的支持向量机（SVM）构建梨小食心虫发生期、发生程度的预测模型,探索梨小食心虫高效的预测方法。集成多种信息技术,设计并实现了基于支持向量机和GIS的梨小食心虫预测系统,为其它果树害虫的预测提供参考方法与技术平台。主要研究结论如下:1.提出了梨小食心虫预测每个环节所应用的相关方法及其流程,为提高预测准确率奠定了基础。针对以往将气象数据分隔成旬、月因子进行分析存在的不足,本文气象数据处理上采用“膨化处理”方法,结果表明因子量显着增多,克服了梨小食心虫由于各代间隔时间短而难以筛选出显着相关因子的困难;同时气象因子连续性与累积性的特点也得以充分体现,有利于筛选出更符合梨小食心虫生物学规律的因子。针对“膨化处理”后显着相关因子多的特点,对筛选出的气象因子明确规定了用生物学规律、相关系数大小、时间段等作为因子的入选标准,改变了以往单独用显着性水平作为因子的入选标准,提高了因子的选择效率。2.将相关分析与专家知识结合进行梨小食心虫发蛾高峰期、发生程度关键影响因子的筛选、确定。结果表明筛选出的因子多数具有时间上的连续性,客观地反映了梨小食心虫发生发展连续性的特点。发蛾高峰期方面,该虫不同代的关键影响因子不同,影响因子超出了以往温度、湿度的范围,其中温度是共性的影响因子,成反比关系;湿度因子影响第二代至第四代的发蛾高峰期,成正比关系;此外,最低温、与降水有关的因子还影响部分代的发蛾高峰期。发生程度方面,筛选出的影响因子多,主要是湿度以及与降水有关的因子,成正比关系,但秋冬季节的湿度、降水等因子与发生程度成反比关系;另外温度、日照等因子也影响部分代的发生程度。影响因子的筛选定量地描述了梨小食心虫不同代的发生发展与对应时段气象因子的相关程度。3.基于支持向量机回归、分类分别建立了梨小食心虫越冬代至第四代发蛾高峰期、发生程度的预测模型;通过参数选择,优化了模型,提高了预测准确率;并与BP神经网络模型进行了分析比较。结果表明基于支持向量机构建的梨小食心虫各代发蛾高峰期模型的预测准确率高,平均预测准确率达93.6%,较BP神经网络的平均预测准确率82.7%高10.9%。基于支持向量机构建的梨小食心虫各代发生程度模型的平均预测准确率为82.0%,显着高于BP神经网络模型的平均预测准确率63.2%。支持向量机模型的发蛾高峰期、发生程度的均方误差值小于BP神经网络。预测结果表明梨小食心虫发蛾高峰期、发生程度的支持向量机模型均比对应的BP神经网络模型的预测准确率高且稳定性强。4.以MapObjects和C#.NET为开发工具,构建了基于支持向量机和GIS的梨小食心虫预测系统。该系统具有数据管理、查询、统计、预测预报、防治决策、专题图制作、信息发布等功能。系统中应用支持向量机进行梨小食心虫预测,提高了预测准确率,克服了以往系统中用BP神经网络进行预测存在的不足。该系统具有良好的扩充性,能直接用于其它果树害虫的预测,可作为果树害虫预测与信息管理的技术平台。
刘婧然,马英杰,杨武建,申祥民[10]（2009）在《预测水稻螟虫发生趋势的径向基函数人工神经网络模型及其与BP网络的比较》文中提出文章采用径向基函数人工神经网络的方法,利用MATLAB工具箱并结合气象资料中的平均气温、最低气温、日照时间和降雨量,建立了预测虫害发生程度的RBF神经网络预测系统。系统通过实例证实了预测的准确性,并且与常用的BP网络进行了比较。RBF网络和BP网络通过对训练样本的仿真,可明显看出RBF网络比BP网络更为精确。通过程序记时显示RBF网络用时1.2030s,比BP网络训练所需的时间要短的多,因此RBF神经网络具有很好的实用价值。
二、运用BP人工神经网络预测长江中下游梨黑星病发病的研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、运用BP人工神经网络预测长江中下游梨黑星病发病的研究（论文提纲范文）
（1）佛山市农作物病虫害的发生与防控对策研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 前言 |
| 1.1 研究背景 |
| 1.1.1 2006-2015年全国农作物病虫害发生情况 |
| 1.1.2 农作物病虫害发生对农业生产的影响 |
| 1.2 国内外研究进展 |
| 1.2.1 国外研究进展 |
| 1.2.2 国内研究进展 |
| 1.3 研究内容与目的及意义 |
| 1.3.1 研究内容 |
| 1.3.2 研究目的和意义 |
| 1.4 研究技术路线 |
| 2 佛山市农作物病虫害发生现状 |
| 2.1 水稻病虫害 |
| 2.1.1 佛山市水稻种植情况 |
| 2.1.2 近3年佛山市水稻病虫害发生情况 |
| 2.2 蔬菜病虫害 |
| 2.2.1 佛山市蔬菜种植情况 |
| 2.2.2 近3年佛山市蔬菜病虫害发生情况 |
| 2.3 其它作物病虫害 |
| 2.3.1 佛山市其它作物种植情况 |
| 2.3.2 近3年佛山市其它作物病虫害发生情况 |
| 3 佛山市农作物病虫害防控技术 |
| 3.1 佛山市农作物病虫害测报体系建设 |
| 3.1.1 佛山市农作物病虫害测报的发展 |
| 3.1.2 佛山市农作物病虫害的测报方法 |
| 3.1.2.1 调查方法 |
| 3.1.2.2 统计方法 |
| 3.2 病虫害防控技术 |
| 3.2.1 物理防控 |
| 3.2.2 生物防控 |
| 3.2.3 农业防控 |
| 3.2.4 化学防控 |
| 3.3 病虫害防控实例 |
| 3.3.1 番茄青枯病的防控 |
| 3.3.2 无菌组培苗防控粉葛茎基腐病 |
| 3.3.3 防虫网防控黄曲条跳甲 |
| 3.3.4 波尔多液防控火龙果蜗牛 |
| 3.3.5 可降解无纺布防控农田杂草 |
| 3.4 佛山市农作物病虫害防控效果 |
| 4 佛山市农作物病虫害防控对策建设的建议 |
| 4.1 加大对佛山市病虫害防控的硬件投入 |
| 4.1.1 更新施药器械,提高农药利用率,减少环境污染 |
| 4.1.2 增加测报点,完善测报网络建设 |
| 4.1.3 增加高、精、尖的现代化测报仪器设备投入 |
| 4.1.4 充分利用数据资源,建立测报模型 |
| 4.2 强化专业化人才队伍建设对策 |
| 4.2.1 引进专业病虫害防控及测报人才 |
| 4.2.2 激发兴趣,全面提高病虫害防控人员的工作热情 |
| 4.2.3 创造条件,适当提高基层病虫害防控人员待遇水平 |
| 4.3 增加教育培训,提升病虫害防控技术知识系统性 |
| 4.3.1 加强专业技术人员技术培训,创新考核激励机制 |
| 4.3.2 提高农民对测报预警及防治意见的解读能力 |
| 5 结论与讨论 |
| 5.1 结论 |
| 5.2 讨论 |
| 致谢 |
| 参考文献 |
（2）基于BP神经网络的梨树腐烂病综合防控专家系统研制（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 研究内容 |
| 1.4 论文组织 |
| 2 文献综述 |
| 2.1 农业专家系统的研究进展 |
| 2.2 植物病害预测预报的研究进展 |
| 2.3 梨树腐烂病的研究进展 |
| 3 基本理论概述 |
| 3.1 专家系统 |
| 3.1.1 专家系统的结构 |
| 3.1.2 专家系统的特点 |
| 3.2 基于Web的专家系统应用技术 |
| 3.2.1 C/S模式 |
| 3.2.2 B/S结构 |
| 3.2.3 基于web的农业专家系统 |
| 3.3 人工神经网络 |
| 3.3.1 人工神经网络简介 |
| 3.3.2 人工神经网络的模型 |
| 3.4 BP神经网络 |
| 3.4.1 BP神经网络的优势 |
| 3.4.2 BP神经网络的学习算法 |
| 3.4.3 BP神经网络算法存在的问题及解决办法 |
| 4 梨树腐烂病主要影响因子的提取 |
| 4.1 梨树腐烂病流行规律 |
| 4.1.1 梨树腐烂病的侵染循环 |
| 4.1.2 影响梨树腐烂病的因素 |
| 4.2 数据来源与数据分析 |
| 4.2.1 数据来源 |
| 4.2.2 数据分析 |
| 4.3 主成分分析法概述 |
| 4.4 主成分分析法步骤 |
| 4.5 基于主成分分析法的主要影响因子提取 |
| 5 基于BP神经网络的预测模型 |
| 5.1 网络结构的确定 |
| 5.2 输入、输出变量的选择 |
| 5.3 隐含层节点数的选取 |
| 5.4 网络训练参数的设置 |
| 5.5 神经网络工作箱及MATLAB软件 |
| 5.6 BP神经网络的MATLAB实现 |
| 5.7 仿真实验及结果分析 |
| 6 梨腐烂病综合防控系统的设计与实现 |
| 6.1 开发环境及开发工具 |
| 6.2 系统采用网络架构 |
| 6.3 系统基本框架 |
| 6.4 系统的运行 |
| 7 结论与讨论 |
| 7.1 结论 |
| 7.2 讨论 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（3）农作物病虫害预报方法研究综述（论文提纲范文）
| 1 病虫害发生发展预报方法研究 |
| 1.1 基于经验或实验的预测 |
| 1.2 基于生物学系统的预测方法 |
| 1.3 基于数理统计方法的预测方法 |
| 1.4 基于灰色系统理论的预测方法 |
| 1.5 基于模糊数学的预测方法 |
| 1.6 基于人工神经网络预报方法 |
| 1.7 基于3S技术的预报方法 |
| 2 研究中存在的问题 |
| 3 结论和展望 |
（4）稻麦主要病虫的CBR预测模型参数优化及知识库构建（论文提纲范文）
| 摘要 |
| Abstract |
| 1 文献综述 |
| 1.1 小麦病虫害的发生情况 |
| 1.2 水稻病虫害的发生情况 |
| 1.3 国内外研究动态 |
| 2 引言 |
| 2.1 研究目的及意义 |
| 2.2 研究内容与方法 |
| 2.2.1 稻麦主要病虫害预测预报方法综述 |
| 3 材料与方法 |
| 3.1 CBR理论与方法 |
| 3.1.1 基于案例推理方法的产生背景 |
| 3.1.2 基于案例推理方法和过程 |
| 3.2 实验设计 |
| 3.3 数据来源及其处理 |
| 3.4 CBR模型中预测参数优化所用系统介绍 |
| 3.5 小麦常见病虫害CBR模型中预测因子筛选、参数优化 |
| 3.5.1 小麦赤霉病预测因子、参数初优化 |
| 3.5.2 CBR模型中小麦赤霉病短期预测预测因子筛选、参数优化 |
| 3.5.3 CBR模型中小麦赤霉病中长期预测预测因子筛选、参数优化 |
| 3.5.4 CBR模型中小麦赤霉病长期预测预测因子筛选、参数优化 |
| 3.5.5 CBR模型中小麦白粉病预测因子筛选、参数优化 |
| 3.5.6 CBR模型中小麦纹枯病预测因子筛选、参数优化 |
| 3.5.7 CBR模型中小麦蚜虫预测因子筛选、参数优化 |
| 3.6 水稻常见病虫害CBR模型中预测因子筛选、参数优化 |
| 3.6.1 CBR模型中稻瘟病预测因子筛选、参数优化 |
| 3.6.2 CBR模型中水稻纹枯病预测因子筛选、参数优化 |
| 4 结果与分析 |
| 4.1 小麦主要病虫害CBR模型中预测参数的确定 |
| 4.1.1 小麦赤霄病预测参数的确定 |
| 4.1.2 CBR模型中小麦赤霉病短期预测预测参数的确定 |
| 4.1.3 小麦赤霉病短期预测符合率 |
| 4.1.4 CBR模型中小麦赤霉病中期预测预测参数的确定 |
| 4.1.5 CBR模型中小麦赤霉病长期预测预测参数的确定 |
| 4.1.6 小麦赤霉病短期、中期、长期预测符合率比较 |
| 4.1.7 CBR模型中小麦白粉病预测参数的确定 |
| 4.1.8 CBR模型中小麦纹枯病预测参数的确定 |
| 4.1.9 CBR模型中小麦$牙虫预测参数的确定 |
| 4.2 水稻常见病虫害CBR模型中预测因子、参数的确定 |
| 4.2.1 CBR模型中稻瘟病预测因子、参数的确定 |
| 4.2.2 CBR模型中水稻纹枯病预测因子、参数的确定 |
| 5 安徽省稻麦常见病虫知识库的构建 |
| 5.1 资料来源和系统介绍 |
| 5.2 检索表诊断 |
| 5.3 图片诊断 |
| 6 结论与讨论 |
| 6.1 结论 |
| 6.2 讨论 |
| 参考文献 |
| 致谢 |
| 个人简介及在读期间发表的学术论文 |
（5）稻纵卷叶螟危害水稻的高光谱监测方法研究（论文提纲范文）
| 目录 |
| 摘要 |
| ABSTRACT |
| 第一章 文献综述 |
| 1 稻纵卷叶螟的传统监测方法 |
| 2 高光谱遥感技术在病虫害监测中的应用 |
| 3 BP网络在病虫害高光谱遥感监测中的应用 |
| 4 遗传算法GA与BP网络方法的结合在病虫害高光谱遥感监测病虫害中的应用 |
| 5 本研究的主要内容及意义 |
| 第二章 水稻受稻纵卷叶螟为害后的光谱特征及受害程度的回归诊断 |
| 1 材料与方法 |
| 1.1 供试水稻生长状况及受稻纵卷叶螟为害情况 |
| 1.2 水稻叶片和冠层光谱的测定 |
| 1.3 基于光谱反射率、一阶微分及主成分的水稻受害级别的回归诊断 |
| 2 结果与分析 |
| 2.1 不同生育期水稻受害后的光谱反射率 |
| 2.2 基于光谱反射率的稻纵卷叶螟为害程度的回归诊断 |
| 2.3 基于光谱反射率一阶微分的稻纵卷叶螟为害程度的回归诊断 |
| 2.4 水稻受害光谱的主成分分析 |
| 3 讨论 |
| 第三章 基于BP网络的稻纵卷叶螟为害程度的光谱诊断 |
| 1 材料与方法 |
| 1.1 数据来源 |
| 1.2 BP网络的组建方法 |
| 2 结果与分析 |
| 2.1 基于主成分因子水稻室内组合叶片中卷叶数的BP诊断 |
| 2.2 基于主成分因子的小区水稻卷叶率级别的BP诊断 |
| 2.3 大田水稻卷叶级别的BP诊断 |
| 3 讨论 |
| 第四章 基于遗传算法GA的BP神经网络对稻纵卷叶螟为害程度的光谱诊断 |
| 1 材料与方法 |
| 1.1 数据来源 |
| 1.2 结合遗传算法的BP网络学习策略 |
| 2 结果与分析 |
| 2.1 GA-BP神经网络对室内组合叶片卷叶数的诊断 |
| 2.2 小区水稻卷叶级别的GA-BP诊断 |
| 2.3 大田水稻卷叶级别的GA-BP诊断 |
| 3 讨论 |
| 全文结论 |
| 参考文献 |
| 攻读硕士学位期间发表的研究论文 |
| 附录Ⅰ |
| 致谢 |
（6）基于环境因子的黄瓜病害预测研究（论文提纲范文）
| 0 引言 |
| 1 黄瓜病害的环境原因 |
| 2 BP神经网络结构及学习算法 |
| 2.1 BP神经网络的结构 |
| 2.2 BP神经网络的算法 |
| 2.2.1 信息的正向传递 |
| 1) 隐含层中, 第i个神经元的输出为 |
| 2) 输出层中, 第k个神经元的输出为 |
| 3) 定义误差函数为 |
| 2.2.2 求权值的变化及误差的反向传播 |
| 1) 输出层的权值变化。 |
| 2) 隐含层权值的变化。 |
| 3 建立B-P神经网络病害预测模型 |
| 4 模型的模拟结果及检验 |
| 5 结论 |
（7）梨抗黑星病类似基因Hcrp和启动子克隆与类受体蛋白分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词表 |
| 第一章 文献综述 |
| 1 梨黑星病研究现状 |
| 1.1 梨黑星菌病原 |
| 1.1.1 类型 |
| 1.1.2 区别 |
| 1.1.3 生理分化 |
| 1.2 梨黑星菌的产孢及传播 |
| 1.2.1 梨黑星菌产孢 |
| 1.2.2 梨黑星菌的传播 |
| 1.3 入侵机制、发病条件和预测预报 |
| 1.3.1 入侵机制和发病条件 |
| 1.3.2 预测预报 |
| 1.4 梨黑星病抗性机理的研究 |
| 1.4.1 龄期与抗性 |
| 1.4.2 品种与抗性 |
| 1.4.3 抗性遗传 |
| 1.4.4 抗性生理机理 |
| 1.4.5 抗性分子机制 |
| 2 植物启动子研究进展 |
| 2.1 植物基因启动子的结构特征 |
| 2.1.1 转录起始位点 |
| 2.1.2 TATA-BOX |
| 2.1.3 CAAT-BOX |
| 2.1.4 GC-BOX |
| 2.1.5 其它顺式作用元件 |
| 2.2 启动子的类型 |
| 2.2.1 组成型启动子 |
| 2.2.2 诱导型启动子 |
| 2.2.3 组织特异型启动子 |
| 2.3 启动子的研究方法 |
| 2.3.1 生物信息学预测分析 |
| 2.3.2 功能分析 |
| 3 类受体蛋白(receptor-like protein,RLP) |
| 3.1 类受体蛋白的结构 |
| 3.2 类受体蛋白的功能 |
| 4 生物信息学在植物抗病研究中的应用 |
| 4.1 核酸结构和功能预测 |
| 4.2 蛋白质结构和功能预测 |
| 5 本研究的目的和意义 |
| 第二章 梨抗黑星病基因Hcrp克隆和生物信息学分析 |
| 1 前言 |
| 2 材料与试剂 |
| 2.1 材料 |
| 2.2 试验试剂 |
| 2.3 主要仪器 |
| 3 试验方法 |
| 3.1 DNA提取及检测 |
| 3.1.1 CTAB大量发提取梨叶片DNA |
| 3.1.2 DNA检测 |
| 3.2 RNA提取(CTAB法) |
| 3.3 cDNA第一条链合成 |
| 3.4 引物设计 |
| 3.5 Hcrp基因同源克隆 |
| 3.6 产物回收、克隆及测序 |
| 3.6.1 目的片段回收 |
| 3.6.2 目的片段与pEASY-T1载体连接 |
| 3.6.3 大肠杆菌感受态细胞制备 |
| 3.6.4 转化及蓝白斑筛选 |
| 3.6.5 菌液PCR检测 |
| 3.6.6 测序 |
| 3.7 生物信息学分析 |
| 3.7.1 核苷酸分析 |
| 3.7.2 蛋白质聚类分析 |
| 3.7.3 蛋白质预测分析 |
| 4 结果分析 |
| 4.1 Hcrp基因PCR扩增 |
| 4.2 ORF预测和系统树分析 |
| 4.3 LRR分析 |
| 4.4 编码区域预测结果 |
| 4.4.1 氨基酸组成分析 |
| 4.4.2 跨膜区分析 |
| 4.4.3 信号肽预测 |
| 4.4.4 糖基化位点预测 |
| 4.4.5 α螺旋和β折叠分析 |
| 4.4.6 模体预测 |
| 4.4.7 亚细胞定位 |
| 4.4.8 三级结构预测 |
| 5 讨论 |
| 5.1 Hcrp基因结构分析 |
| 5.2 Hcrp基因抗病性分析 |
| 5.3 同源序列克隆抗病基因 |
| 第三章 Hcrp启动子克隆和生物信息学分析 |
| 1 前言 |
| 2 材料与试剂 |
| 2.1 材料 |
| 2.2 试验试剂 |
| 3 试验方法 |
| 3.1 DNA提取及检测 |
| 3.2 Hcrp启动子克隆 |
| 3.2.1 引物设计 |
| 3.2.2 同源PCR扩增Hcrp启动子序列 |
| 3.2.3 PCR验证所克隆的启动子 |
| 3.3 产物回收、克隆及测序 |
| 3.3.1 目的片段回收 |
| 3.3.2 目的片段与pEASY-T1载体连接 |
| 3.3.3 大肠杆菌感受态细胞制备 |
| 3.3.4 转化及蓝白斑筛选 |
| 3.3.5 菌液PCR检测 |
| 3.3.6 测序 |
| 3.4 生物信息学分析 |
| 4 结果分析 |
| 4.1 同源PCR扩增Hcrp基因启动子 |
| 4.2 PCR验证所克隆的启动子 |
| 4.3 生物信息学分析所克隆的启动子序列 |
| 4.3.1 比对与转录起始位点预测 |
| 4.3.2 顺式作用元件预测 |
| 5 讨论 |
| 第四章 类受体蛋白分析 |
| 1 前言 |
| 2 材料与试剂 |
| 2.1 材料 |
| 2.2 试验试剂 |
| 3 试验方法 |
| 3.1 DNA提取及检测 |
| 3.2 引物设计 |
| 3.3 RLP序列克隆 |
| 3.4 产物回收、克隆及测序 |
| 3.4.1 目的片段回收 |
| 3.4.2 目的片段与pEASY-T1载体连接 |
| 3.4.3 大肠杆菌感受态细胞制备 |
| 3.4.4 转化及蓝白斑筛选 |
| 3.4.5 菌液PCR检测 |
| 3.4.6 测序 |
| 3.5 生物信息学分析 |
| 3.5.1 系统进化分析 |
| 3.5.2 序列比对分析和Ka/Ks分析 |
| 3.5.3 群体遗传多样性分析 |
| 4 结果分析 |
| 4.1 RLP扩增 |
| 4.2 系统进化分析 |
| 4.3 序列比对 |
| 4.4 组内和组间Ka/Ks(异义替换/同义替换)分析 |
| 4.5 核苷酸多样性和Ka/Ks分析 |
| 4.6 群体遗传多样性分析 |
| 5 讨论 |
| 参考文献 |
| 致谢 |
（9）基于SVM和GIS的梨小食心虫预测系统的研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 国内外研究概况 |
| 1.2.1 害虫预测方法及其在果树害虫预测中的应用概况 |
| 1.2.2 害虫预测新方法研究概况 |
| 1.2.3 梨小食心虫研究现状 |
| 1.3 目的、意义 |
| 1.4 研究内容 |
| 2 数据来源与研究方法 |
| 2.1 数据来源 |
| 2.1.1 气象数据来源 |
| 2.1.2 梨小食心虫数据来源 |
| 2.2 研究方法 |
| 2.2.1 数据预处理方法 |
| 2.2.2 梨小食心虫发生规律分析依据 |
| 2.2.3 气象因子的处理方法与入选规则 |
| 2.2.4 梨小食心虫关键影响因子筛选方法 |
| 2.2.5 梨小食心虫预测方法—支持向量机 |
| 2.2.6 梨小食心虫预测结果空间展示、分析方法—GIS |
| 2.3 技术路线 |
| 3 梨小食心虫发生规律分析及影响因子筛选 |
| 3.1 梨小食心虫发生规律分析 |
| 3.1.1 梨小食心虫发生期 |
| 3.1.2 梨小食心虫成虫发生量 |
| 3.1.3 梨小食心虫成虫发生程度 |
| 3.2 梨小食心虫发蛾高峰期影响因子的分析 |
| 3.2.1 越冬代 |
| 3.2.2 第一代 |
| 3.2.3 第二代 |
| 3.2.4 第三代 |
| 3.2.5 第四代 |
| 3.3 梨小食心虫发生程度影响因子的分析 |
| 3.3.1 越冬代 |
| 3.3.2 第一代 |
| 3.3.3 第二代 |
| 3.3.4 第三代 |
| 3.3.5 第四代 |
| 3.4 小结与讨论 |
| 4 基于支持向量机的梨小食心虫发生期与发生程度模型的构建与预测 |
| 4.1 预测模型建立步骤与评价指标 |
| 4.1.1 预测模型建立步骤 |
| 4.1.2 预测模型评价指标 |
| 4.2 梨小食心虫各代发蛾高峰期模型的构建与预测 |
| 4.2.1 越冬代发蛾高峰期模型的构建与预测 |
| 4.2.2 第一代发蛾高峰期模型的构建与预测 |
| 4.2.3 第二代发蛾高峰期模型的构建与预测 |
| 4.2.4 第三代发蛾高峰期模型的构建与预测 |
| 4.2.5 第四代发蛾高峰期模型的构建与预测 |
| 4.3 梨小食心虫各代发生程度模型的构建与预测 |
| 4.3.1 越冬代发生程度模型的构建与预测 |
| 4.3.2 第一代发生程度模型的构建与预测 |
| 4.3.3 第二代发生程度模型的构建与预测 |
| 4.3.4 第三代发生程度模型的构建与预测 |
| 4.3.5 第四代发生程度模型的构建与预测 |
| 4.4 小结与讨论 |
| 5 基于SVM与GIS的梨小食心虫预测系统的分析与设计 |
| 5.1 系统的总体设计 |
| 5.1.1 需求分析 |
| 5.1.2 系统设计原则 |
| 5.1.3 系统运行环境 |
| 5.1.4 系统概述 |
| 5.2 系统详细设计 |
| 5.2.1 系统功能设计 |
| 5.2.2 数据库设计 |
| 6 基于SVM与GIS的梨小食心虫预测系统的实现 |
| 6.1 开发工具及语言 |
| 6.2 系统实现的关键技术 |
| 6.2.1 支持向量机与GIS的融合技术 |
| 6.2.2 信息采集技术 |
| 6.3 系统总界面 |
| 6.4 系统主要功能介绍 |
| 6.4.1 地图操作 |
| 6.4.2 预测预报与模型维护 |
| 6.4.3 防治决策 |
| 6.4.4 查询 |
| 6.4.5 统计 |
| 6.4.6 空间分析 |
| 6.4.7 信息发布 |
| 7 结论与讨论 |
| 7.1 结论 |
| 7.2 论文的主要创新点 |
| 7.3 讨论 |
| 附录 |
| 1、数据库设计 |
| 2、移动终端与数据管理服务器通讯协议格式示例 |
| 参考文献 |
| 作者简介 |
| 导师简介 |
| 在读期间发表论文目录 |
| 致谢 |
（10）预测水稻螟虫发生趋势的径向基函数人工神经网络模型及其与BP网络的比较（论文提纲范文）
| 1 径向基函数人工神经网络的简介 |
| 2 径向基函数人工神经网络的MATLAB程序设计 |
| 3 径向基函数人工神经网络的应用 |
| 3.1 基本资料 |
| 3.2 各层神经元数的确定 |
| 3.3 样本数据预处理[8] |
| 3.4 RBF网络的设计 |
| 4 结束语 |
| 4.1 径向基函数网络训练所花费的时间短 |
| 4.2 径向基函数网络比BP网络精确度高 |
四、运用BP人工神经网络预测长江中下游梨黑星病发病的研究（论文参考文献）
- [1]佛山市农作物病虫害的发生与防控对策研究[D]. 陈育民. 华南农业大学, 2018(08)
- [2]基于BP神经网络的梨树腐烂病综合防控专家系统研制[D]. 刘薇薇. 安徽农业大学, 2016(04)
- [3]农作物病虫害预报方法研究综述[J]. 马宁,孟志军,王培,梁勇. 黑龙江八一农垦大学学报, 2016(01)
- [4]稻麦主要病虫的CBR预测模型参数优化及知识库构建[D]. 张沙沙. 安徽农业大学, 2013(05)
- [5]稻纵卷叶螟危害水稻的高光谱监测方法研究[D]. 朱宇波. 南京农业大学, 2012(01)
- [6]基于环境因子的黄瓜病害预测研究[J]. 马丽丽,贺超兴,纪建伟. 农机化研究, 2012(04)
- [7]梨抗黑星病类似基因Hcrp和启动子克隆与类受体蛋白分析[D]. 李智. 华中农业大学, 2010(04)
- [8]气象条件与农作物病虫害预报和防治[J]. 王淑梅. 世界农业, 2010(02)
- [9]基于SVM和GIS的梨小食心虫预测系统的研究[D]. 陈梅香. 北京林业大学, 2010(07)
- [10]预测水稻螟虫发生趋势的径向基函数人工神经网络模型及其与BP网络的比较[J]. 刘婧然,马英杰,杨武建,申祥民. 内蒙古农业科技, 2009(01)