本发明涉及小麦赤霉病技术领域，尤其涉及一种基于深度森林算法的小麦赤霉病预测方法。
背景技术：
小麦是我国主要的粮食作物之一，小麦在生长的过程中会受到许多病害的侵染，其中就以赤霉病为主，该病害发病范围广、危害面积大，直接影响小麦的产量和质量，对国家的粮食安全带来巨大的威胁，导致国家的农民的直接经济损失。
科学有效的及时预测赤霉病的发生趋势，就可以有效的提前采取防治措施，避免赤霉病的大规模爆发，目前，大多数小麦赤霉病的预测发明都是经验模型来进行判断和预测，其时效性和范围性又受到一定的限制，无法大范围进行应用，对人的依赖程度较高，效率上存在一定的局限性。
因此，有必要提供一种新的基于深度森林算法的小麦赤霉病预测方法解决上述技术问题。
技术实现要素：
为解决上述技术问题，本发明提供一种使其在时效性、可靠性上得到了巨大的提升，解放了依赖专业人士的预测，将经验与科学的预测模型相结合，在大范围内具有更高的应用价值的基于深度森林算法的小麦赤霉病预测方法。
本发明提供的基于深度森林算法的小麦赤霉病预测方法包括以下步骤：
步骤s1：通过收集、整理、汇总历年的小麦赤霉病发生情况的数据库，利用特征选择算法，筛选出在小麦赤霉病发生过程中，哪些因子具有较大的影响，并结合植保专家的经验，进行理论上的论证分析与修正；
步骤s2：特征选择的过程中，根据小麦生长的不同时期进行分析，最后确定在小麦生长的这个过程中有关键有三个时期，分别是生育后期、开花期(抽穗前期)、抽穗扬花期，对这三个时期分别进行影响因子的选择；
步骤s3：确定好的因子代回到结果中进行验证，是否具有表现性，进一步验证因子的选择是否合理；
步骤s4：模型的训练过程中，也是按照这生育后期、开花期(抽穗前期)、抽穗扬花期三个时期，根据特征因子进行模型的训练，采用深度森林算法，中间包含多个森林，从前一层输入数据，输出的结果作为下层的输入，采用cnn中layer-by-layer的结构，每个森林产生的类向量又有k折交叉验证产生，搭建整个预测模型的架子，最后输出结果；
步骤s5：模型训练完成后，需要对模型进行测试，测试的最佳方案是对历年的数据进行回检，并加以评估。
优选的，所述步骤s1中影响小麦赤霉病因素有三种，第一种是气象因素，第二种是小麦品种的抗性因，第三种是小麦赤霉病(禾谷镰刀菌)菌源因素。
优选的，所述步骤s2中小麦生育后期时长是70-80天，小麦开花期(抽穗前期)时长为6-7天，抽穗扬花期时长为38-42天。
优选的，所述步骤s3中实际选取好因子进行验证合理性，是合理性留下，不是合理性需要重新选择，除此以外，及时将专家的意见添加的修正因子中，实时参与整个特征因子选取的过程中。
优选的，所述步骤s4中在实际的预测中，前期我们需要对模型进行大量的训练，不断地优化和调整训练模。
与相关技术相比较，本发明提供的基于深度森林算法的小麦赤霉病预测方法具有如下有益效果：
1、从可靠性与可实用性的角度上，结合专家的实际理论经验，分析发病的影响因素，通过机器学习的方式加深度学习的理论，来训练小麦赤霉病的预测模型，在植保专业技术人员的指导下，不断加以优化和修正模型，使其在时效性、可靠性上得到了巨大的提升，解放了依赖专业人士的预测，将经验与科学的预测模型相结合，在大范围内具有更高的应用价值；
2、通过对小麦赤霉病不同时期，进行不同的特征因子选择，并且在模型训练的时候根据不同时期的特征因子分别进行预测模型的训练，预测模型采用深度森林算法中机器学习的方式结合深度学习的理论来训练，进一步提高了赤霉病模型的精度；
3、该预测算法的核心是以深度森林算法为基础，加上小麦赤霉病的影响因素，通过特征选择，从不同的角度，结合植保专家给出的建议和分析，筛选出小麦赤霉病发生的影响因子，采用机器学习的方式，结合深度学习的理论来训练模型，并不断优化模型的适应性。通过模型回检预测历年小麦赤霉病的发生程度，与实际情况相比较来确定模型的准确性，再次分析评估模型，最终确定模型的有效性与实用性。
附图说明
图1为本发明提供的基于深度森林算法的小麦赤霉病预测方法的流程示意图。
具体实施方式
下面结合附图和实施方式对本发明作进一步说明。
请结合参阅图1，其中，图1为本发明提供的基于深度森林算法的小麦赤霉病预测方法的流程示意图。包括以下步骤：
步骤s1：通过收集、整理、汇总历年的小麦赤霉病发生情况的数据库，利用特征选择算法，筛选出在小麦赤霉病发生过程中，哪些因子具有较大的影响，并结合植保专家的经验，进行理论上的论证分析与修正；
步骤s2：特征选择的过程中，根据小麦生长的不同时期进行分析，最后确定在小麦生长的这个过程中有关键有三个时期，分别是生育后期、开花期(抽穗前期)、抽穗扬花期，对这三个时期分别进行影响因子的选择；
步骤s3：确定好的因子代回到结果中进行验证，是否具有表现性，进一步验证因子的选择是否合理；
步骤s4：模型的训练过程中，也是按照这生育后期、开花期(抽穗前期)、抽穗扬花期三个时期，根据特征因子进行模型的训练，采用深度森林算法，中间包含多个森林，从前一层输入数据，输出的结果作为下层的输入，采用cnn中layer-by-layer的结构，每个森林产生的类向量又有k折交叉验证产生，搭建整个预测模型的架子，最后输出结果；
步骤s5：模型训练完成后，需要对模型进行测试，测试的最佳方案是对历年的数据进行回检，并加以评估。
所述步骤s1中影响小麦赤霉病因素有三种，第一种是气象因素，第二种是小麦品种的抗性因，第三种是小麦赤霉病(禾谷镰刀菌)菌源因素，记录这三种因素影响小麦发生赤霉病数据，从而确定小麦赤霉病由于那种因素发病概率较高。
所述步骤s2中小麦生育后期时长是70-80天，小麦开花期(抽穗前期)时长为6-7天，抽穗扬花期时长为38-42天，
根据小麦所在三个时期内进行分析，具体在小麦生育后期、小麦开花期(抽穗前期)和抽穗扬花期的各个时长内进行统计记录。
所述步骤s3中实际选取好因子进行验证合理性，是合理性留下，不是合理性需要重新选择，除此以外，及时将专家的意见添加的修正因子中，实时参与整个特征因子选取的过程中。
需要说明的是，及时根据专家的意见找到合适的特征因子。
所述步骤s4中在实际的预测中，前期我们需要对模型进行大量的训练，不断地优化和调整训练模型，解放了依赖专业人士的预测，不断优化和调节模型，与不断优化后预测的模型相结合，使其在时效性、可靠性上得到了巨大的提升。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。
1.一种基于深度森林算法的小麦赤霉病预测方法，其特征在于，包括以下步骤：
步骤s1：通过收集、整理、汇总历年的小麦赤霉病发生情况的数据库，利用特征选择算法，筛选出在小麦赤霉病发生过程中，哪些因子具有较大的影响，并结合植保专家的经验，进行理论上的论证分析与修正；
步骤s2：特征选择的过程中，根据小麦生长的不同时期进行分析，最后确定在小麦生长的这个过程中有关键有三个时期，分别是生育后期、开花期(抽穗前期)、抽穗扬花期，对这三个时期分别进行影响因子的选择；
步骤s3：确定好的因子代回到结果中进行验证，是否具有表现性，进一步验证因子的选择是否合理；
步骤s4：模型的训练过程中，也是按照这生育后期、开花期(抽穗前期)、抽穗扬花期三个时期，根据特征因子进行模型的训练，采用深度森林算法，中间包含多个森林，从前一层输入数据，输出的结果作为下层的输入，采用cnn中layer-by-layer的结构，每个森林产生的类向量又有k折交叉验证产生，搭建整个预测模型的架子，最后输出结果；
步骤s5：模型训练完成后，需要对模型进行测试，测试的最佳方案是对历年的数据进行回检，并加以评估。
2.根据权利要求1所述的基于深度森林算法的小麦赤霉病预测方法，其特征在于，所述步骤s1中影响小麦赤霉病因素有三种，第一种是气象因素，第二种是小麦品种的抗性因，第三种是小麦赤霉病(禾谷镰刀菌)菌源因素。
3.根据权利要求1所述的基于深度森林算法的小麦赤霉病预测方法，其特征在于，所述步骤s2中小麦生育后期时长是70-80天，小麦开花期(抽穗前期)时长为6-7天，抽穗扬花期时长为38-42天。
4.根据权利要求1所述的基于深度森林算法的小麦赤霉病预测方法，其特征在于，所述步骤s3中实际选取好因子进行验证合理性，是合理性留下，不是合理性需要重新选择，除此以外，及时将专家的意见添加的修正因子中，实时参与整个特征因子选取的过程中。
5.根据权利要求1所述的基于深度森林算法的小麦赤霉病预测方法，其特征在于，所述步骤s4中在实际的预测中，前期我们需要对模型进行大量的训练，不断地优化和调整训练模型。
技术总结