基于WOA-BiLSTM-BA算法的林業蟲害預測

摘要：準確預測我國林業蟲害的發生情況，對提高森林資源風險管控水平以及林業蟲害早期預警具有重要意義。研究雄安新區“千年秀林”中美國白蛾的發生和當時的氣象環境因素之間的關系，結合群智能優化算法和深度學習算法，提出一種基于WOA-BiLSTM-BA算法的林業蟲害預測模型。該算法通過WOA迭代優化BiLSTM的最優參數組合，將注意力機制模塊BA引入BiLSTM網絡中，以動態分配權重信息，通過全連接層輸出預測結果。將提出模型與傳統的BP預測模型、LSTM預測模型、BiLSTM預測模型進行對比，結果表明，WOA-BiLSTM-BA模型的效果均優于其他對照預測模型，其決定系數[R2]達到0.989 1，均方根誤差[RMSE]僅為0.073，平均百分比誤差[MAPE]為0.227 5，平均絕對誤差[MAE]為0.056 4。

關鍵詞：林業害蟲；美國白蛾；鯨魚算法；長短時記憶網絡；注意力機制

中圖分類號：S763; TP391 文獻標識碼：A 文章編號：2095?5553 （2024） 11?0221?07

Forest pest prediction based on WOA-BiLSTM-BA algorithm

Shi Cuicui1， 2， Zhou Yi3， Wang Kejian1， 2， Wang Chao1， 2， Li Huiping2

（1. College of Information Science and Technology， Hebei Agricultural University， Baoding， 071001， China;

2. Hebei Provincial Innovation Center of Urban Forest Health Technology， Baoding， 071001， China;

3. School of Financial Technology， Hebei Finance University， Baoding， 071000， China）

Abstract： It is of great significance to accurately predict the occurrence of forest pests in China for improving the level of forest resource risk management and control as well as the early warning of forest pests. The occurrence of forest insect infestation is not only related to temperature and humidity， but also complicated with other meteorological factors. In order to achieve accurate prediction of forest insect infestation， meteorological data and insect infestation data are transformed into a time series prediction problem in this study. In this paper， the relationship between the occurrence of American white moth in the “Millennium Forest” of Xiongan New Area and the meteorological environment at that time was studied， combining swarm intelligent optimization algorithm and deep learning algorithm， a forest pest prediction model based on WOA-BiLSTM-BA algorithm was proposed. Firstly， WOA was used to continuously search for the optimal parameter combination of BiLSTM through iterative optimization to avoid the subjectivity of manual parameter selection and high training cost. Secondly， the Bahdanau Attention module BA was introduced into BiLSTM network to dynamically allocate weight information， and finally the prediction results were output through the fully connected layer. By comparing the proposed model with the traditional BP prediction model， LSTM prediction model and BiLSTM prediction model， the results showed that the effect of WOA-BiLSTM-BA model was better than that of other control prediction models， with R2 reaching 0.989 1， RMSE only 0.073， MAPE 0.227 5 and MAE 0.056 4.

Keywords： forest pest; American white moth; whale algorithm; long?short?term memory network; attention mechanism

0 引言

我國是世界上林業有害生物災害發生程度最為嚴重的國家之一，其中蟲害發生的面積占比最大[1]。研究表明，林業病蟲害致使我國2006—2010年間年均損失高達1 101億元[2]。因此提前掌握林業蟲害的發生情況進行林業蟲害預測具有重要意義，其不僅可以使林業工作者提前制定防范林業災害的計劃，減少不必要的經濟損失，還能夠提高森林資源風險管控水平，實現林業健康的可持續性發展。

據研究森林蟲害的成因記錄發現，森林蟲害的形成原因大致分為七種：適宜的氣象條件、樹種單一和林分結構簡單、防治體系不完善、人類活動促進害蟲傳播、危害意識不足、害蟲自身特性、害蟲的天敵數量少。其中最重要的因素為適宜的氣象條件[3]，蟲害的發生與其生長的環境信息緊密相關。研究林業蟲害的發生規律和與其有關的氣象、土壤等自然環境信息，對林業蟲害的預防有一定的參考價值[4]。

隨著大數據和人工智能的發展，越來越多的研究人員開始采用機器學習[5， 6]和深度學習[7， 8]的方法來解決不同領域的預測問題。同時，基于機器學習的方法在林業中也具有廣闊的應用前景，林業的蟲害預測就是其中一個方面。Zhao等[9]采用線性回歸預測算法，利用蟲害圖像信息預測林業蟲害的傳播范圍。但線性回歸方法對于蟲害預測中的非線性因素的影響難以衡量，精度得不到保證。張文一等[10]采用一般回歸神經網絡和支持向量機來預測超松毛蟲的發生區域。這種方法雖然在處理非線性問題上有一定的優勢，但是還存在特征維度多、數據規模大和處理速度慢的問題。

與傳統的機器學習方法相比，深度學習在數據量極大的情況下預測效果明顯要更好。長短時記憶（Long Short Term Memory， LSTM）神經網絡模型是近年來備受關注的一種深度學習模型。1997年由Hochreiter等[11]通過對循環神經網絡（Recurrent Neural Network， RNN）網絡單元結構進行改進并提出。通過設計控制門結構解決了RNN中出現的梯度消失和梯度爆炸、長期記憶力不足等問題[12]。目前，LSTM神經網絡已經成功應用于語音識別、文本處理等方面。例如，Kakarla等[13]將登革熱病例數作為目標變量，氣象因素作為自變量，應用LSTM對未來一段時間內的登革熱病例數進行預測，與支持向量機模型試驗對比證明了LSTM預測精度更高、收斂速度更快。Kim等[14]結合環境條件和LSTM對水稻稻瘟病進行早期預測，預測效果優于傳統神經網絡和機器學習的方法。Xiao等[15]通過Aprioro算法查找天氣因子與棉花病蟲害之間的規律，并使用LSTM基于關聯因素對棉花蟲害進行預測，預測精度進一步提高，同時證明了氣象要素的重要性。Chen等[16]將病害發生預測問題表述為時間序列預測問題，然后采用雙向長短時記憶網絡（Bi?directional Long Short-Term Memory， BiLSTM）來解決問題，預測效果進一步提升，證明了BiLSTM模型的優越性。

此外，林業蟲害預測存在數據體量大、計算時間長等問題。傳統的BiLSTM模型在訓練過程中依靠人工選取超參數、手動調節，這使得模型在處理高維數據時收斂速度較慢且易陷入局部最優。

為解決上述問題，本文提出一種鯨魚算法（Whale Optimization Algorithm， WOA）[17]、注意力機制與BiLSTM有機結合的WOA-BiLSTM-BA林業蟲害預測方法。采用BiLSTM網絡對林業蟲害的時序性信息進行捕獲，利用WOA對BiLSTM中的關鍵參數進行迭代優化，并在BiLSTM網絡中中引入注意力機制BA（Bahdanau Attention， BA），增強網絡提取信息的能力。

1 試驗數據獲取與處理

1） 數據采集。本文所用林業蟲害數據集來自雄安新區“千年秀林”林業有害生物監測預警系統數據庫。2020年4月—2022年12月在雄安新區“千年秀林”林區內按照樹種、環境等因素設置病蟲害監測點，根據有害生物特點配備蟲情測報燈、孢子捕捉儀，對寄主植物主要分布區進行標準地調查，每塊標準地設置面積0.67 hm2左右，隨機調查30～50株，由智能化自計數監測系統對每塊標準地統計蟲害數據。對不同營林措施情況下的主要氣象因素、重要檢疫性有害生物進行近地面數據長期定位監測，采樣間隔為30 min，獲得“千年秀林”生長過程的動態監測數據，結合物聯網和現代智能信息傳輸技術建立新區生態因子數據庫。本文所用數據為2021年3—10月，2022年3—10月間共2年氣象數據和蟲害數據，包含空氣溫度、空氣濕度、降雨量、土壤溫度、土壤濕度、大氣壓強、風強度以及害蟲數量。其中美國白蛾蟲害采集的部分氣象因子原始數據見表1。

2） 數據預處理。首先，對原始樣本數據中存在缺失數據的數據組進行剔除。其次，由于數據采集存在不規則性，需要在以天為單位的50組數據集中進行隨機抽樣獲取24組數據。林業蟲害形成時間長，氣象數據中同一特征維度的變化范圍和不同特征維度之間的量級相差很大，為避免網絡訓練時間過長以及網絡無法收斂的情況，在進行訓練和測試之前，必須將數據進行標準化處理[18]。林業氣象數據和蟲害數據呈正態分布，選擇Z-score方法進行標準化。標準化后，氣象數據和蟲害數據的特征維度的數值范圍都將被映射到[0，1]之間。第i個樣本的標準化公式如式（1）所示。

[v'=v-μk'] （1）

式中： [v']——標準化值；

[v]——個體觀測值；

[μ]——總體樣本數據均值；

[k']——總體標準差。

2 預測模型構建

林業蟲害是指林木的葉片、枝條、樹干和樹根等單一或多個部位被森林害蟲取食危害，造成生理機能以及外部形態發生變化的現象。蟲害數據具有時間序列的特性，選取處理時序能力較強的BiLSTM模型作為基礎模型，并將蟲害預測問題轉化為時間序列預測問題，根據歷史數據預測蟲害的發生情況。

提出的WOA-BiLSTM-BA混合模型的基礎結構如圖1所示，首先利用WOA迭代優化BiLSTM網絡的學習率、迭代次數、batch_size、BiLSTM節點數和全連接層節點數。此方法在保留BiLSTM優秀的訓練及預測性能的基礎上，減少了模型訓練時長，避免了人工選擇參數的主觀性問題。隨后將BiLSTM隱藏層輸出的信息作為BA注意力機制模塊的輸入，利用BA對隱藏層提取的信息賦予相應的權重比，充分利用蟲害數據的時間序列屬性，挖掘蟲害數據之間的相關性。BA能夠降低歷史信息的丟失數量，突出關鍵歷史時間的蟲害數據信息，從而減少對蟲害預測準確度的影響。最后將BA層的輸出作為全連接層的輸入，通過全連接層輸出最終的蟲害預測結果。

2.1 基于鯨魚算法參數選取

將BiLSTM模型應用到林業蟲害預測時，存在參數選取困難，訓練時間長的問題。為解決人工選取BiLSTM超參數具有主觀性的問題以及提高預測精度，本文引入WOA迭代優化模型的超參數組合。運用WOA迭代優化尋找BiLSTM超參數的具體流程如圖2所示。

Tang等[19]提出了一種基于WOA的非線性反演算法。該方法可以生成相對穩定、準確的初始模型，提供更精確的反演彈性參數。Kong等[20]提出一種新的WOA-SVM模型，用于刀具磨損的精確估計，該文獻驗證了在大多數情況下可將建模耗時減少30%以上。WOA具有機制簡單、參數少、尋優能力強等優點，其線性的收斂機制更契合本文的問題。

1） 對原始數據進行數據清洗，并將清洗后的數據歸一化，按照時間順序將數據集劃分為訓練集和測試集。

2） 初始化BiLSTM網絡超參數，包括超參數的尋優范圍。

3） 初始化WOA參數，包括鯨魚種群規模和最大迭代次數。設置鯨魚種群位置的上下界。

4） 包圍式搜索。每個個體以當前適應度最優鯨魚的個體位置設定為最優位置向其靠近，位置更新為

[D=CX*（t）-X（t）] （2）

[X（t+1）=X*（t）-AD] （3）

式中： D——搜索粒子和優化目標的距離；

t——當前迭代次數；

[A]——系數向量；

[C]——系數向量；

[X*（t）]——局部最優解向量；

[X（t）]——當前鯨魚的位置向量。

[A]和[C]可由式（4）、式（5）計算得到。

[A=2ar-a] （4）

[C=2r] （5）

式中： [a]——跟隨迭代次數從2線性減少到0；

[r]——[0，1]中的隨機向量。

5） 螺旋式搜索。在螺旋式搜索階段，種群根據目前獲得的最優位置通過螺旋的方式對目標值進行搜索，該行為的數學模型可表示為

[X（t+1）=D'?ebl?cos（2πl）+X*（t）] （6）

式中： [D']——鯨魚和目前最好的位置向量之間的距離，[D']=[X*（t）-X（t）]；

[b]——對數螺旋形狀的常數；

[l]——[-1，1]中的一個隨機數。

為了模擬鯨魚螺旋包圍并同時縮小包圍圈的行為，假設鯨魚有50%的概率來選擇螺旋包圍或縮小距離優化鯨魚的位置。數學模型如式（7）所示。

[X（t+1）=X*（t）-ADif p<0.5D'?ebl?cos（2πl）+X*（t）if p>0.5] （7）

式中： [p]——[0，1]的隨機值。

6） 隨機搜索。與開發階段不同的是，此時的粒子不是以當前最優位置來更新位置，而是根據種群間彼此的位置隨機搜索。位置更新是基于[A]的變化來進行全局搜索找到最優解。當[A<1]時，跳到步驟4根據式（2）更新種群當前位置，當[A≥1]時，隨機進行搜索，數學模型如式（8）和式（9）所示。

[D=C?Xrand-X] （8）

[X（t+1）=Xrand-A?D] （9）

式中： [Xrand]——隨機選擇的鯨魚位置向量。

7） 迭代終止。在以上步驟迭代尋優，當迭代次數達到設定閾值時，終止循環，算法結束，得到并輸出最優解，即超參數，包括BiLSTM的2個節點數、迭代次數、學習率、批次大小和全連接層節點數。

2.2 改進的BiLSTM害蟲預測網絡構建

2.2.1 BiLSTM

LSTM在非線性的時間序列預測中展現出其優越性，相對于同樣適用于時間序列預測的RNN，解決了RNN在反向傳播時存在的梯度消失和梯度爆炸問題。LSTM體系結構如圖3所示。

各部分的計算如式（10）～式（15）所示。

[ft=σ（Wf?ht-1，xt+bf）] （10）

[it=σ（Wi?ht-1，xt+bi）] （11）

[Ct=tanh（Wc?ht-1，xt+bc）] （12）

[Ct=ftCt-1+itCt] （13）

[ot=σ（Woht-1，xt+bo）] （14）

[ht=ottanh（Ct）] （15）

式中： [σ]——Sigmoid函數；

[ft]、[it]、[ot]——t時刻的遺忘門、輸入門以及輸出門的輸出；

[ht]、[ht-1]——LSTM神經網絡t時刻的網絡輸入、t-1時刻的網絡輸入；

[xt]——t時刻隱藏層的輸入；

[Wf]、[Wi]、[Wo]、[Wc]——遺忘門、輸入門、輸出門和當前細胞狀態的權重矩陣；

[bf]、[bi]、[bc]、[bo]——遺忘門、輸入門、輸出門和當前細胞狀態的偏置向量。

盡管LSTM在處理時序數據存在一定的優勢，但是其并不能考慮未來的信息。而在復雜的林業害蟲預測中需要考慮到林業蟲害的發生不是即時的，往往是由于較長時間各種因素的堆疊，而BiLSTM在LSTM的基礎上，結合了輸入序列在前、后兩個方向的信息，進一步優化了LSTM，因此本文選用BiLSTM作為基礎模型。BiLSTM的體系結構如圖4所示。

BiLSTM網絡各部分計算如式（16）～式（18）所示。

[ht=F（wt，ht-1）] （16）

[ht=B（wt，ht-1）] （17）

[ht=ht，htT] （18）

式中： [F]、[B]——信號序列按前向、后向輸入LSTM網絡；

[ht]、[ht]——前向和后向LSTM網絡在t時刻的蟲害預測值輸出；

[wt]——輸入數據；

[ht]——最終的輸出的蟲害預測結果。

2.2.2 注意力機制

所采用的帶有Bahdanau注意力的循環神經網絡編碼器—解碼器模型如圖5所示。

關于林業蟲害龐大的數據集，注意力機制可以動態分布蟲害信息的權重，加強對重要信息的關注，盡量忽略一些不重要的因素。Bahdanau等[21]在神經網絡中引入了一種注意力機制，通過對數據時間片段分配不同的權重，使信息更有效地編碼。因此，本文對BiLSTM網絡進行改進，引入Bahdanau注意力機制自動對不同時刻歷史數據片段分配權重。

3 試驗結果與分析

3.1 數據集設置

采用的數據為雄安新區“千年秀林”9號地2021年3月15日—2022年10月1日的氣象和蟲害數據（圖6）。

將空氣溫度、空氣濕度、土壤溫度、土壤濕度、降雨量、壓強、風力（風速）7種環境參數作為輸入，用于預測未來蟲害的發生。如圖6所示，將前80%（2021年7月31日之前）的數據作為訓練集，后20%（2021年8月1日之后）數據作為測試集。

3.2 評價指標

為量化評價模型的性能指標，本文選取了均方根誤差（RMSE）、平均百分比誤差（MAPE）、平均絕對誤差（MAE）和決定系數R2作為評價指標。其中RMSE、MAPE、MAE數值越小，模型預測結果與真實偏差越小，結果越準確；決定系數[R2]越接近1，代表擬合優度越大，模型預測效果越好。具體計算如式（19）～式（22）所示。

[RMSE=1ni=1n（yi-yi）2] （19）

[MAPE=1ni=1nyi-yiyi×100%] （20）

[MAE=1ni=1n（yi-yi）] （21）

[R2=1-in（yi-yi）2in（yi-yi）2] （22）

式中： [n]——數據樣本數量；

[yi]——美國白蛾蟲害發生的預測值；

[yi]——美國白蛾蟲害發生的真實值。

3.3 試驗環境與參數選擇

試驗采用Tensorflow2.2框架，使用Python語言編寫。處理器為Intel（R） Core（TM） i5-7300 HQ CPU @ 2.50 GHz，內存8 GB，操作系統Windows10。

訓練過程中使用了十折交叉驗證。首先將數據集分成10份，其中9份用于訓練模型，另1份用于驗證模型。在第一輪中，將其中一份作為驗證集，其余9份作為訓練集，在訓練集上訓練模型，并在驗證集上測試模型，得到其評價指標結果，重復此步驟10次，得到10個驗證集上的結果，并取其平均值。

基于WOA對BiLSTM網絡的迭代尋優，將確定網絡的超參數輸出，最終獲得的最優參數組合如表2所示。

3.4 結果分析

3.4.1 不同模型性能比較

為了驗證本文所提出模型的預測效果，本文與其他經典的機器學習方法進行了比較，分別利用BP神經網絡、LSTM預測、BiLSTM建立蟲害預測模型，實驗采用相同的數據源，訓練集進行訓練，測試集預測模型性能。采用MAPE、RMSE、MAE和[R2]四種方法，對不同模型的預測性能進行評價。根據評價指標對不同預測模型的結果對比分析，如表3所示。

由表3可以看出，本文提出預測模型的平均絕對百分比誤差、均方根誤差、平均絕對誤差和R2分別為0.227 5、0.073 0、0.056 4和0.989 1，各項指標均優于其他預測模型。與傳統的BP神經網絡、LSTM和BiLSTM相比，WOA-BiLSTM-BA的MAPE值分別降低了73.9%、50.6%、46.8%，說明WOA-BiLSTM-BA的蟲害預測誤差最小；WOA-BiLSTM-BA的RMSE值相比這三種模型分別降低了81.2%、49.9%、42%，說明本文采用的模型預測值的離散程度小，預測值更加穩定；WOA-BiLSTM-BA的MAE值比其他三種模型分別降低了81.4%、47.2%、42.9%，說明本文所使用的模型預測的誤差最小，精度更高。WOA-BiLSTM-BA的R2的值比其他三種模型分別提高了30%、3.4%、2.2%，說明本文所使用模型擬合數據的準確程度更高。通過這四種評價指標綜合分析可知，本文提出的WOA-BiLSTM-BA模型較傳統的模型效果有了極大的提升，其主要原因是WOA的迭代尋優既避免了人工選擇參數的主觀性，又降低了訓練成本，且注意力機制能夠提取和利用數據中的時序信息。

3.4.2 消融試驗

為了驗證WOA-BiLSTM-BA各部分的作用，將BiLSTM作為基準模型，分別加入WOA、BA，構建消融模型WOA-BiLSTM、BiLSTM-BA。通過消融試驗，得到本文模型與消融試驗結果對比，如表4所示。

由表4可以看出，同BiLSTM相比，WOA-BiLSTM的MAPE、RMSE、MAE分別降低33.89%、11.36%、16.82%，R2提高0.71%，證明經過WOA對超參數的迭代尋優，與人工選擇參數的原始BiLSTM相比，有效提高了模型的預測性能。同BiLSTM相比，BiLSTM-BA的MAPE、RMSE、MAE分別降低19.27%、25.26%、27.65%，[R2]提高1.47%，采用注意力機制進行動態分配權重，給重要的信息賦予高權重聚焦，對于不相關的信息賦予低權重進行忽略，驗證了注意力機制對模型預測性能的提升效果。同時，與WOA-BiLSTM和BiLSTM-BA相比，本文所提出的模型各項評價指標都達到了更好，對比結果表明WOA和BA的結合更加有效發揮了優勢，進一步提升了模型的預測性能。WOA-BiLSTM-BA能夠更好地挖掘氣象數據與蟲害發生之間的關系，從而進一步使預測值更加貼近實際值，提升了預測效果，能夠更好地為美國白蛾甚至更多的林業蟲害預測起到技術支持作用。

為了更直觀地對比各模型性能，各組的試驗預測模型結果對比如圖7所示。

4 結論

雄安新區“千年秀林”工程是國家重點項目，造林量大，苗木來源復雜，極易產生病蟲害且一旦產生會造成不可估量的后果，因此對蟲害的預測刻不容緩。本文將林業蟲害的預測問題轉變為時間序列預測問題。考慮到蟲害預測的緊迫性，在蟲害預測方面要求的精度較高，提出WOA-BiLSTM-BA網絡模型，該模型通過WOA對BiLSTM網絡的超參數進行迭代尋優，利用BiLSTM層對時間序列數據進行建模，并在BiLSTM層和全連接層之間添加注意力機制，最后采用全連接層對BiLSTM層映射輸出，得到最終的預測結果。以美國白蛾的預測為例進行開展，得出如下結論。

1） 采用WOA對BiLSTM模型的超參數進行迭代尋優，得到網絡的最佳組合，避免模型參數選擇的盲目性，節省模型的訓練時間，提高蟲害的預測精度。

2） 將WOA-BiLSTM-BA與LSTM、BiLSTM及BiLSTM-BA模型進行對比，結果表明，WOA-BiLSTM-BA的RMSE、R2、MAPE、MAE值分別為0.073、0.989 1、0.227 5、0.056 4，證明WOA和BA模塊進一步優化模型，提高預測精度。

參 考 文 獻

[ 1 ] 孟貴， 劉葉菲， 張旭峰， 等. 1998—2018年我國林業有害生物災情的時序分析[J]. 林業科學， 2022， 58（7）： 134-143.

[ 2 ] 宋玉雙， 蘇宏鈞， 于海英， 等. 2006—2010年我國林業有害生物災害損失評估[J]. 中國森林病蟲， 2011， 30（6）： 1-4， 24.

[ 3 ] 張學珍， 賀清雯， 黃季夏. 基于Meta分析的1985—2018年中國森林蟲害的時空特征及其影響因素[J]. 地理科學進展， 2023， 42（5）： 960-970.

[ 4 ] 張善文， 張傳雷， 丁軍. 基于改進深度置信網絡的大棚冬棗病蟲害預測模型[J]. 農業工程學報， 2017， 33（19）： 202-208.

Zhang Shanwen， Zhang Chuanlei， Ding Jun. Disease and insect pest forecasting model of greenhouse winter jujube based on modified deep belief network [J]. Transactions of the Chinese Society of Agricultural Engineering， 2017， 33（19）： 202-208.

[ 5 ] Strom J B， Sengupta P P. Predicting preclinical heart failure progression： The rise of machine?learning for population health [J]. JACC Cardiovasc Imaging， 2022， 15（2）： 209-211.

[ 6 ] Mavaie P， Holder L， Beck D， et al. Predicting environmentally responsive transgenerational differential DNA methylated regions （epimutations） in the genome using a hybrid deep?machine learning approach [J]. BMC Bioinformatics， 2021， 22（1）： 575.

[ 7 ] Van Der Burgh H K， Schmidt R， Westeneng H J， et al. Deep learning predictions of survival based on MRI in amyotrophic lateral sclerosis [J]. Neuroimage Clin， 2017， 13： 361-369.

[ 8 ] Bibi M， Hanif M K， Sarwar M U， et al. Monitoring population phenology of Asian citrus psyllid using deep learning [J]. Complexity， 2021： 4644213.

[ 9 ] Zhao Z， Yang M， Yang L， et al. Predicting the spread of forest diseases and pests [J]. IEEE Access， 2020， 8： 199803-199812.

[10] 張文一， 景天忠， 嚴善春. 基于機器學習的落葉松毛蟲發生面積預測模型[J]. 北京林業大學學報， 2017， 39（1）： 85-93.

Zhang Wenyi， Jing Tianzhong， Yan Shanchun. Studies on prediction models of Dendrolimus superans occurrence area based on machine learning [J]. Journal of Beijing Forestry University， 2017， 39（1）： 85-93.

[11] Hochreiter S， Schmidhuber J. Long short?term memory [J]. Neural Computation， 1997， 9（8）： 1735-1780.

[12] Deihimi A， Orang O， Showkati H. Short?term electric load and temperature forecasting using wavelet echo state networks with neural reconstruction [J]. Energy， 2013， 57： 382-401.

[13] Kakarla S G， Kondeti P K， Vavilala H P， et al. Weather integrated multiple machine learning models for prediction of dengue prevalence in India [J]. Int J Biometeorol， 2023， 67（2）： 285-297.

[14] Kim K?H， Cho J. Predicting potential epidemics of rice diseases in Korea using multi?model ensembles for assessment of climate change impacts with uncertainty information [J]. Climatic Change， 2016， 134（1-2）： 327-339.

[15] Xiao Q， Li W， Kai Y， et al. Occurrence prediction of pests and diseases in cotton on the basis of weather factors by long short term memory network [J]. BMC Bioinformatics， 2019， 20（S25）： 688.

[16] Chen P， Xiao Q， Zhang J， et al. Occurrence prediction of cotton pests and diseases by bidirectional long short?term memory networks with climate and atmosphere circulation [J]. Computers and Electronics in Agriculture， 2020， 176.

[17] Mirjalili S， Lewis A. The whale optimization algorithm [J]. Advances in Engineering Software， 2016， 95： 51-67.

[18] 李冬輝， 劉功尚， 高龍. 基于Inception-LSTM-Attention的冷水機組傳感器偏差故障診斷方法[J]. 中南大學學報（自然科學版）， 2023， 54（1）： 102-112.

Li Donghui， Liu Gongshang， Gao Long. Fault diagnosis method of chiller sensor deviation based on Inception-LSTM-Attention [J]. Journal of Central South University（Science and Technology）， 2023， 54（1）： 102-112.

[19] Tang J， Li P， Huang X， et al. An exact zoeppritz based prestack inversion using whale optimization particle filter algorithm under bayesian framework [J]. Ieee Transactions on Geoscience and Remote Sensing， 2023， 61.

[20] Kong D， Chen Y， Li N， et al. Tool wear estimation in end milling of titanium alloy using NPE and a novel WOA-SVM model [J]. Ieee Transactions on Instrumentation and Measurement， 2020， 69（7）： 5219-5232.

[21] Bahdanau D. Neural machine translation by jointly learning to align and translate [J]. arxiv preprint arxiv： 1409. 0473， 2014.