智能農業中稻縱卷葉螟災變預測建模

摘要：生物災變中害蟲預測是智能農業中害蟲管理專家系統的重要組成部分，也是有效防止和控制害蟲發生與發展的依據。介紹了現有生物災變中害蟲預測基本原理和方法，通過對稻縱卷葉螟的種群動態、發育、產卵量建模，求解引發害蟲災變的觸發點和臨界值，實現稻縱卷葉螟的災變預測，以便在災變發生前采取相應措施，化解大發生種群的形成。

關鍵詞：生物災變； 災變預測建模； 專家系統； 推理機

中圖分類號：TP311文獻標志碼：A

文章編號：1001-3695(2008)05-1340-05

我國農作物的幾種主要害蟲都具有大區域遷飛性、暴發性和毀滅性的特點。遷飛性害蟲的突發性給預測預報帶來了很大的難度。自“六·五”以來，國家科委組織力量對害蟲測報連續攻關，使預報準確率已達80%。但最需要預警的害蟲種群的暴發性突增（即能夠成災的蟲害）恰恰是用常規預測方法無法報出的那20%。20世紀80年代初和90年代中期草地螟的暴發、1991年冀東稻區稻飛虱的暴發、1992年棉鈴蟲的暴發、1997年長江中下游稻區稻飛虱的暴發等，屢屢使人們猝不及防而被動應急，損失慘重。究其原因，除了基礎研究薄弱使得科學儲備不足與生物災變預測的難度所形成的巨大反差外，在研究方法上也存在不少問題[1]。

生物災變的發展演化是在生物圈這個大背景下一種多尺度的生態過程，是生態系統中物質流、能量流和信息流相互作用的結果。復雜系統（如農田生態系統）內變量眾多，且變量之間并非簡單的線性關系，這就使得用于線性系統的常規預測方法（統計預測）無能為力。災變發生是種群數量不連續的突然變化，因而改變了系統發展的方向和性質，也使得預測的基本原則失效。災變的突發是小概率事件，又具有多因素性、非線性和不確定性的特點，其大尺度的時空變化過程未必呈周期性，有的事例甚至絕無僅有，無法應用基于類推原則和連貫原則的傳統預測理論和方法。因此亟待開展突發事件的預測方法和理論研究，盡快形成一套全新的預測技術。

研究災變預測的目的在于事先應變，即盡力找到引發害蟲災變的觸發點和臨界值，以便在災變發生前采取相應措施，化解大發生種群的形成。通過災變發生特點的分析可知，基于傳統預測理論和方法的病蟲測報技術現已達到了其能夠到達的極限高度。因此，開展宏/微觀結合、多學科交叉的多尺度和多途徑綜合研究應是最好的選擇。

人工智能的自上而下和自下而上的兩種研究方法均受到對人類和動物行為研究的啟發。進行自下而上研究的人傾向于集中對可以通過組織類神經元的計算元素或邏輯門而實現的行為（通常是簡單的行為）進行研究。像動物行為學家一樣，他們借此創造了動物行為的各種計算模型；像心理學家那樣，自下而上的研究者和神經科學家也已經發展了試圖解釋某些人類知覺和行為的神經網絡模型。專家系統是20世紀60年代中期開始出現的新課題，它是人工智能分支中應用于實踐最多的分支之一。專家系統的目的是使計算機在各領域中起著人類專家的作用。例如，在醫學界起著著名醫生的作用，在氣象界起著天氣預報專家的作用，在植物界起著植保專家的作用。由于專家系統具有解決實踐問題的多種優良特性，世界各國都在該領域投入了大量的人力與物力。

1災變預測的發展

預測模型在昆蟲學中的應用是與昆蟲生態學的研究密切相關的。從1838年VerhuLst提出邏輯斯蒂曲線、1925年Lotka和VoLterra分別提出種間競爭模型，到20世紀60年代生態學的定量研究獲得了長久的發展。隨著昆蟲生態學的深入研究，人類對昆蟲種群數量發生發展現律認識日益清晰。20世紀60年代初，我國應用計算機與種群動力學模型、多元統計模型等相結合，進行了東亞飛蝗中長期數量預測。此后，相繼提出了多種種群動力學模型、種群模擬模型、變維矩陣模型以及種群生命表的分析方法，并將灰色系統模型、模糊數學模型、種群突變模型等廣泛應用于害蟲的預測預報中。隨著數學理論及計算機等其他學科的發展，害蟲的預測預報大致經歷了經驗預測、實驗預測、統計預測和信息預測四個發展階段。

1．1經驗預測

經驗預測在國內外害蟲短期預測中被廣泛應用，對指導農業生產起著重要作用。但害蟲發生與外界因子之間并不是簡單的線性關系，而經驗法中所用的簡單相關系數的相關程度不高，作出的預測很難達到較高的準確率。同時由于預測時限短，達不到長期預測的目的，經驗預測法還存在一定的局限性。

我國害蟲工作者在長期治理害蟲的實踐中，總結了眾多的有益于預測害蟲的經驗方法。例如發育進度和有效基數據算法已成為我國群眾性預測預報的常用方法。

1．2實驗預測

實驗預測主要有以生命表為基礎的預測方法和以有效積混為基礎的預測法兩種。實驗預測法是國內外20世紀60~70年代研究的主要熱點，它在昆蟲生態學和害蟲綜合管理的發展中起著至關重要的作用。現在單獨應用實驗預測法對害蟲進行預測已不多用，主要是參與害蟲的綜合治理，同時它也是信息預測法中的重要子模塊。

1．3統計預測

統計預測是基于概率和多因子線性相關原理，利用數學手段進行一定范圍內預測因子篩選和建模。它使用回歸分析、逐步回歸、逐步判別、主成分分析、多因子相關分析、二線判別、平穩隨機序列、多維時間序列法、馬爾可夫鏈、模糊數學、灰色系統分析等統計預測方法。這已成為一類害蟲預測預報的主要方法，在我國現行預測預報中發揮著重要作用。統計學預測法原理和方法簡單、容易掌握，但統計預測法仍存在著一些不可忽視的問題。例如預測效果不穩定，有時預報方程擬合率高，但實際應用時隨條件變化而使預測準確率降低；有些統計預測模型建立在相關普查基礎上，沒有或很少考慮害蟲的生物學和物理學規律，缺乏統計預測模型的生物學理論基礎，并不能完全將害蟲發生規律與統計理論有機地結合起來。

1．4信息預測

信息預測主要包括數據庫管理系統、害蟲發生時間預測系統、信息傳遞系統、管理信息系統、決策支持系統、專家系統和地理信息系統等。隨著各門學科的發展和各種相關信息的完善，信息預測法成為當前國內外研究的熱點，其應用前景非常廣闊，在國內外的應用中已有不少成功的實例。

2稻縱卷葉螟災變預測建模

隨著人類認識的深入，原則上可以越來越逼真地刻畫害蟲發生的規律以及外在環境因子的物理過程。盡管外在隨機因素客觀存在，但由于人們認識的不斷深化，可以從這些隨機因素中分出一部分使其具有可預報性。因此，由外在隨機因素所決定的不可預報的比重越來越小，提高了長期預報的準確率。從本質上講，長期預報的可行性將取決于系統的內在隨機性。害蟲發生過程的連續性、害蟲發生數據的離散化和害蟲發生系統的非動力學演化特性導致了害蟲發生系統的極端復雜性。初始條件或系統參數的稍微不同將導致害蟲發生系統的未來狀態在本質上的不同。然而，正是對初始條件的極端敏感，使得害蟲發生系統的狀態表現出異常的穩定性。原則上講，無論是對耗散非線性系統的混沌行為，還是對哈密頓非線性系統的混沌行為，都可以通過引入定長的分布函數來進行統計描述。從這個意義上講，害蟲的長期預報是可行的。

2．1預測建模理論基礎

大量研究表明，害蟲災害發生的復雜性特征包括不均勻性、差異性、多樣性、突發性、隨機性、可預測性和周期性等[2]。

1）不均勻性和差異性

害蟲災害發生的不均勻性和差異性，也就是害蟲災害發生系統的非線性，表現在空間分布和時間分布上。例如同一種害蟲在不同年份或季節發生程度有差異，即使在同一時間內不同地點的差異也可能很大。此外，生物系統參數的時變性以及物種的適應和進化過程也是導致害蟲發生系統非線性的重要因素。例如褐飛虱種群調節能夠通過密度制約進行，隨著褐飛虱種群密度的上升，產生對空間、食物資源的競爭，種群死亡率上升，后代長翅型個體比例上升，長翅型成蟲產卵量比短翅型低。但長翅型為遷飛型，遷飛到新棲境又有利于種群發展，長翅型對未來種群發展有利。遷飛可以降低在有限空間內當密度增加時產生的壓力。短翅型對未來種群發展不利。田間長短翅型的比例是種群數量發展的重要因素。短翅型數量和比例偏大，種群發展將會加快；但長翅型通過空間轉移而對后代種群發展有著重要的進化意義。褐飛虱遷飛是種群的一種高級適應形式，使分布區和危害得以拓展。遷飛的進化意義在于為后代創造和提供了適合生存的空間和環境。通過遷飛擺脫了許多不利于種群成長和保護旺盛活力的因素，包括密度制約和氣候周期變化等對種群增長的制約因素。通過往返遷飛，在種群內起到自行淘汰的作用[3]。由于空間結構的異質性和多樣性，褐飛虱大發生在大、中、小尺度空間內的表現不一。在每一個空間結構層次（大、中、?。┚鶗霈F種群數量相反的表現形式。

2）多樣性

由于我國不同地區的地理環境及作物栽培方式差異極大，產生害蟲災害的各種自然條件和社會經濟條件不同，造成害蟲災害發生具有多樣性。

3）隨機性和可預測性

害蟲災害發生的隨機性源于害蟲災害的多樣性、差異性和不均勻性。這是由于大氣環流、氣象條件以及自然環境的隨機性導致害蟲災害發生過程和發生量的不確定性。害蟲災害發生的可預測性是指害蟲災害發生、發展的過程中表現出一定的規律性，并且可以預測。隨機性和可預測性是辨證的。人類目前對害蟲災害發生規律不能完全了解，不能徹底掌握一切時刻、所有地點害蟲災害的形成和發展過程，所以害蟲災害發生對于人類而言具有隨機性。如果人類的科學技術能夠達到特定水平，就能夠掌握害蟲災害發生的成因、機理與過程，那么對各次害蟲災害發生事件一定能夠作出及時準確的預報。這就要求人們為了實現對害蟲災害作出準確及時的預報，必須不斷吸收相關學科的研究成果，采用新的方法深入開展害蟲災害發生成因、災變規律與機制的研究。

4）突變性和周期性

害蟲的災害發生是多種因素相互制約、相互作用的結果，它是不依人的意志為轉移的。害蟲種群能在短時間內迅速繁殖，造成災害，表現出一定程度和一定時間尺度內的突變性。另一方面，害蟲的長期運動規律有的具有周期性，如有4、8、9、11、12年等周期的數量變動規律。因此，害蟲災害發生不僅具有突變性，而且具有周期性。

2．2稻縱卷葉螟種群動態建模

稻縱卷葉螟是一種世代更迭的遷飛性害蟲，其種群是各種齡組的集合。由于各蟲態歷期不同，以蟲態劃分年齡組會造成不等距。若考慮以時間為單位，基本上可以克服不等距的問題。但不同的發育溫度又使整個歷期發生變化。因此，本文用有效積溫劃分年齡組（以14日度作為期距）。

3災變預測中預警指標的設計

農業有害生物災變預警指標是指直接、客觀、準確、全面并量化反映某一種或一類農業有害生物災變過程中正在或潛在的影響災變結果，將這些結果不同屬性特征的指標按隸屬關系和層次原則組成有序集合。這些指標集合在災變預警過程中，同時具備災變現狀描述功能、結果評價功能和未來發展的預警導向功能。

農業有害生物災變系統具有變量多而復雜的特點，其災變形成的風險一般通過若干變量特征而表現出來。當把這些變量定為統計指標，那么這些統計指標就成為測定災變風險的指示器，形成災變風險預警指標。在具體實現時，遵循了以下設計原則[3，6，7]：

a)可測性原則。農業有害生物災變風險是一種不確定因素，但這種不確定因素應是可以測定的指標。因此，在災變風險指標設計中，不選擇抽象程度過高或過于寬泛的因素。

b)可靠性原則。在農業有害生物災變風險即將或剛發生時，即能可靠而靈敏地表現這種變動征兆。為了在具體實現時滿足監測預警的需要，必須從中選擇哪些數據可以及時收集的指標。

c)充分性原則。農業有害生物災變風險是一種充分現象，即周而復始存在、影響于整個農業生態系統的特定自然現象，同時又具有復雜的結構。反映這一復雜系統，指標必須完備。災變風險的基本表現特征與后果，在指標體系中都應有一個或一組相應的指標。

d)最小性原則。農業有害生物災變風險具有多種多樣的形成因素與表現方式，反映的指標相應也是多種多樣的。但作為一種指標體系，入選指標必須減到最小限額。按照充分性原則羅列出來的指標相互之間存在一定的可替代性，因而，最后入選原則為那些在體現災變風險方面具有較強代表性或難以替代的指標，從而構建出一個能夠滿足監測與預警需要的最小完備指標集。

本文用主觀經驗法、調查法與文獻法羅列災變風險指標，借助評分方法對眾多指標進行粗選與精選。初選是對眾多相關指標的粗過濾，主要選擇標準在于可靠性與可測性；精選則是在初選的基礎上對初入選指標再一次遴選，主要選擇標準在于充分性與最小性。備選指標在四項選擇原則中的權數如表1所示。

4災變預測推理機的實現

推理機是生物災變預測專家系統的重要組成部分之一，是一組程序，用來控制、協調整個系統。例如根據輸入的數據（當前病蟲害實況），利用知識庫中的規則，按一定的推理策略模擬人類專家的思維、邏輯進行工作，獲得當前所需要解決的答案。

4．1Rete匹配算法[8，9]

產生式系統(PS)已被廣泛運用于人工智能的各個領域中，特別是作為專家系統開發工具，已取得了很大的成果。為了提高PS的運行效率，Forgy提出了Rete匹配算法。該算法是一種對多模式集合和多目標集合進行比較的有效方法，它能找到與每一個模式進行匹配的全部目標。Rete算法可普遍用于PS的解析器中，并被公認為目前用于PS的高速匹配算法之一。

在Rete算法中，PS系統經過編譯而生成Rete網。Rete網由根節點、單輸入節點、雙輸入節點和終止節點構成。Rete網和工作存儲器WM、沖突歸結等一起配合工作。在匹配過程中，數據的流動以點火的方式從網的上端按一定規律向下端的節點流動。因此，數據和控制的流動較易掌握。

典型的OPS5解析器便是采用Rete算法來完成匹配的。在OPS5解析器中，匹配過程的輸出和沖突歸結的輸入是沖突集的集合。沖突集是一個有序對的集合，形如(產生式與產生式左手部匹配的元素表)。該有序對又叫示例集。Rete匹配算法就是一個計算沖突集的算法，即將產生式的左手部集合與WM元素集合進行比較，從中找出全部示例。Rete算法具有如下兩個重要特征：a)用空間換取時間，消除每個運行周期中重復的匹配測試；b)利用產生式內部及產生式之間的結構相似性共享匹配測試結果。

Rete算法中，WME的形式為(class－name↑attribute1 value1↑ attribute2 value2…attributen valuen)。WEM按class－name分為若干類。每一CE是對某類WME的部分描述。WME中內容的變化用標牌表示，toketl=〈+WME〉/〈-VME〉。模式網的功能是接受token激活有關節點，對token中的WME進行元素內特性測試，最終找出所有與該WME成功匹配的CE，將token送至這些CE的相應存儲區內。Rete模式網樹用孩子鏈表表示法表示。其數據結構如下：

type

nodeptr=↑node;

node=RECORD

number:1…maxn;

next:nodepet

end

nodeself=RECORD

feafure:string;

child.eldest:nodeptr

end

tree=array[1…maxn] of nodeself

Rete模式網解釋算法可表示如下：

interpreter(root);

proc interpreter(pn:nodeself); var cn:nodeself;

if pn.child=NIL then [pn.child:=pn.eldest;

return];

cn:=tree[pn.child↑.number];

pn.child:= pn.child↑.next;

cn元素內特性測試；

if cn 測試成功

then if cn 為葉子then取token至cn的存儲區并進入連接網

elseinterpreter(cn);

interpreter(pn);

endp;

4．2Rete匹配算法改進

Rete算法中每當某個節點中有一個新token產生時，就用token棧將其傳遞給后續節點，這樣就要進行一次token棧操作。同時，由于要將控制轉給后續節點，也至少要進行一次狀態棧操作(實際上由于要入棧的狀態信息較多，往往不止進行一次棧操作)。這樣，Rete網中每產生一個token即要進行一次token棧操作和至少一次的狀態棧操作，增加了時間開銷。由于一個產生式程序在運行時往往要產生大量的token，棧操作的開銷相當大。

為了得到更高的匹配效率，對Rete匹配算法作如下改進：

a)為模式網中的節點附加相容兄弟鏈表；

b)將連接網中同一產生式的連接節點按變量約束分為等價類；

c)將符號型知識變換成整數形式。

例如在模式網的節點數據結構中增加一條相容兄弟鏈表，改動部分如下：

nodesef=RECORD

……

compati－sibling:nodeptr

end

相應算法如下：

在模式網變動后，模式網解釋算法只需在原算法基礎上作如下變動：

……

if cn 測試成功

then pn.child:=compati－sibling；

if cn 為葉子then …

else …

……

4．3基于FRete網算法的推理機

在生物災變預測專家系統模型中，推理機采用FRete快速匹配算法，其任務是裝配Rete網和匹配事實進行推理。Rete網由四類節點構成。其中每個網絡節點代表規則模式中的一項。一個或多個網絡節點相連表示一個模式，并在末端生成一個約束節點，用于保存那些與模式匹配的事實。Rate網利用了產生式系統結構相似性，使相同的項或模式共享同一節點。Rete網的下半部是由連接節點組成的連接網絡，它們將對應于一條規則中左部各模式的約束依次連接起來，對模式間的變量連接進行測試，保存滿足測試條件的部分匹配事實集。規則所有模式被連接起來后生成的規則節點，存放規則的名稱和優先級等信息[9]。

推理過程用算法簡要描述如下： 

a)系統讀入規則裝配成Rete網。

b)用戶輸入事實進行匹配，匹配成功后進行連接測試。

c)如果滿足測試條件，保存并繼續向下傳遞。

d)如果傳遞至規則節點時，則該規則可以點火。

Rete網中設有沖突集，記錄所有激活的規則，然后由推理機根據特定的沖突歸結策略選擇其一點火。當產生新的事實，則重復匹配—沖突過程，形成一個個推理步。

本文在裝配階段將符號型知識變換成整數形式（知識碼），使推理時符號的匹配弱化為整數之間的比較，具有高速實時推理速度，每一個推理步平均保持在百分之一秒內，提高了推理的效率。此外還擴充了獲取事實的方法，在推理機中設置中斷功能。當新的事實產生引發中斷后，如果推理機處于空閑狀態，則立即啟動進入識別—動作環的運行。因此新的事實能得到及時響應，外部環境也能影響推理機的工作過程，使它處于開放狀態，從而滿足實時開放系統的要求。

狀態是推理機根據事實庫和規則庫推理后得到的系統總體狀態說明。本文定義了以下狀態：ok（正常）、pre_attack（預災變）、attacking（面臨災變）、attacked（已經災變）。

5規則庫的實現

本文根據近年來我國關于稻縱卷葉螟研究的結果，并以湖南省農科院植保所病蟲測報站的測報資料為依據，將專家知識用規則來表示，以適應上述推理。

規則分發生趨勢預測、發生量預測、發生期預測和損失率預測四大類。發生趨勢預測分為全局發生趨勢、水稻生長中期稻縱卷葉螟發生趨勢預測和后期稻縱卷葉螟發生趨勢預測；發生量預測分為卵密度和3齡幼蟲預測；發生期預測分為化蛹始盛期、化蛹高峰期、成蟲始盛期、成蟲高峰期、卵盛孵期、卵孵高峰期、3齡幼蟲始盛期、3齡幼蟲高峰期預測。本文以規則最少且最簡單的發生期預測（表2）為例來說明規則的具體實現。

6結束語

生物技術與信息技術是現代農業的兩大基本技術。近年來隨著地理信息系統的廣泛應用，農業決策支持系統的研究已向更深層次的多學科交叉方向發展。與國際上比較成熟的農業決策支持系統相比，本系統尚只是一個用于生物災變預測的單一專家系統模型，還有很多不足之處需進一步的研究與開發。例如本專家系統是建立在湖南省水稻種植資料和專家經驗基礎之上的，能否適應其他地區尚需進一步的研究與考證。另外在設計知識庫中的規則時，將規則設計得太粗，會影響系統對實際情況判斷的準確性；若將規則設計得太細，則人機對話咨詢過于繁瑣。因此，需要通過多年大量的實驗從而找到一個最優的實現方法。

參考文獻：

[1]翟保平.當前生物災變預測中的問題與對策[J].南京農業大學學報，2001，24(4):41-45.

[2]汪四水，張孝羲，張夕林.稻縱卷葉螟發生程度的神經網絡預警[J].生物數學學報，2003，18(1):93-97.

[3]祝春強.江淮稻區稻飛虱災變預測與減災對策[J].安徽農業科學，2000，28(2):175-176.

[4]汪四水，張孝羲.稻縱卷葉螟遷入數量時間序列的混沌診斷[J].生物數學學報，2001，16(4):481-483.

[5]黃保宏，夏銘海.鳳陽縣稻縱卷葉螟發生趨勢預測預報[J].安徽農業科學，1997，26(2):151－152.

[6]翟保平.我國北方稻區稻飛虱的成災機制:一個假說[J].災害學，1995，10(3):23-28.

[7]汪四水，張孝羲，張夕林.稻縱卷葉螟發生程度的神經網絡預警[J].模式識別與人工智能，1999，12(增):97－100.

[8]AREF M M， TAYYIB M A. Lana－match algorithm: a parallel version of the Rete－match algorithm[J]. Parallel Computing， 1998，24(7):763-775.

[9]YU Fei， LI Ren－fai， ZHU Miao－liang， et al. An intrusion detection system based on FRete net algorithm[C]//Proc of the 5th World Congress on Intelligent Control and Automation. 2004:4362-4366.

[10]JAGADISH H V，MENDELZON A O，MUMIK I S.Managing conflicts between rules[J].Journal of Computer and System Science，1999，58(1):13-28.

[11]FORGY C， SHEPARD S. Rete: a fast match algorithm[J]. AI Expert， 1987(1):34-40.

[12]汪四水，張孝羲.害蟲預測建模中的因子綜合[J].南京農業大學學報，2000，23(2):35-38.

“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”