SP 科学的规划 1875 - 919 x 1058 - 9244 Hindawi 10.1155 / 2021/8824601 8824601 研究文章 使用深度学习IOT-Based棉粉虱的预测 https://orcid.org/0000 - 0003 - 0762 - 9795 萨利姆 Rana默罕默德 1 https://orcid.org/0000 - 0002 - 8111 - 1911 伤势严重 Rafaqat 2 https://orcid.org/0000 - 0002 - 5161 - 6441 Bajwa 伊姆兰萨瓦尔 2 https://orcid.org/0000 - 0001 - 6563 - 9241 阿什拉夫 Amna 2 https://orcid.org/0000 - 0001 - 9418 - 6667 拉姆赞• Shabana 3 https://orcid.org/0000 - 0002 - 2374 - 6951 安瓦尔 他 2 塔 Javid 1 计算机科学部门 农业大学 费萨尔巴德子校园 Burewala 巴基斯坦 uaf.edu.pk 2 软件工程系 巴哈瓦尔布尔Islamia大学 巴哈瓦尔布尔 巴基斯坦 iub.edu.pk 3 计算机科学部门 政府Sadiq女大学生大学 巴哈瓦尔布尔 巴基斯坦 gscwu.edu.pk 2021年 12 7 2021年 2021年 20. 7 2020年 29日 4 2021年 29日 6 2021年 12 7 2021年 2021年 版权©2021 Rana Muhammad Saleem et al。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

农业遭受低生育率的问题和气候灾害,如增加害虫和疾病的攻击。早期预测害虫袭击可能非常有助于提高农业生产力。害虫(粉虱)攻击对棉花作物产量有很大影响。物联网解决方案,提出了预测粉虱攻击采取预防措施。害虫预测系统(绿皮书)的帮助下开发物联网和RBFN算法根据环境参数如温度、湿度、降水、风速。病虫害预警和农药的质量控制提出了一个经济阈值水平的预测粉虱攻击。经济阈值水平和RBFN算法用于预测粉虱攻击使用温度、湿度、降水、风速。七个评价指标的准确性, f精度的措施,召回,科恩kappa,民国AUC,混淆矩阵是用来确定RBFN算法的性能。拟议中的害虫预测系统部署高影响地区的害虫,为农民提供害虫预测信息采取控制措施。

 1。介绍

联合国粮食及农业组织(粮农组织)预测,到2025年世界人口将达到80亿人,到2050年有96亿人( 1]。由于人口的增加,需要的食物越来越多。人类的基本需求(食物等)通过使用旧的传统耕作方式无法满足。旧的耕作方式消耗更多的人力,效率较低。低效率的风险还在使用旧的传统耕作方式。作物产量可以增加使用新的耕作方法和物联网技术的使用。“物联网”(物联网)是一个创意集成的任何对象都可以通过网络传输数据( 2, 3]。“物联网”(物联网)是一个非常令人鼓舞的创新能够提供众多的解决方案对农业的现代化 4]。农业的行业之一,预计将深受物联网领域的进步。

棉花是最知名的纤维作物之一。棉花是一种重要的业务作物在世界各地。是耶和华的纤维和指定的“白金”假设世界众多社会经济地区的关键工作。棉花种植在世界77个国家包括巴基斯坦[ 5]。棉花作物雇用了数以百万计的农民和工人。它支持巴基斯坦的棉花纺织工业。它不仅提供纤维的纺织行业也棉花种子是一个食用油供人类消费的主要来源。其蛋白质的石油蛋糕作为膳食补充剂用于乳制品的动物。

棉花作物产量受到多种害虫。粉虱( 烟)就是其中之一,严重影响棉花作物产量( 6]。粉虱的攻击是一个全球性问题与极端危险的全球棉花作物可持续农业发展( 7]。可持续农业是一种新的农业概念,是基于科学的创新来满足社会的需要的食品和纺织需要。气候条件对粉虱(有潜在影响 8]。物联网应用程序适用于增加棉花作物产量与环境条件的监控 3, 9]。物联网可以执行一个重要的角色在粉虱的预测基于环境因素。

的关于气候变化的农业正面临着许多挑战,当前的挑战更有利的气候条件发展棉花作物的更为严重的危害。气候条件影响作物生产导致农民的经济损失 10]。因此,连续监测气候条件建议对棉花作物减少粉虱的攻击。不同的环境参数如温度、湿度、降水、风速可以通过物联网监控技术。因此,粉虱预测将于通过环境参数的数据和深度学习算法。

图 1显示了害虫攻击预测过程的流动在任何作物。在第一步中,它显示了类型的作物,如棉花、小麦、水稻、甘蔗,是巴基斯坦的主要作物。在图 1,第二步是作物生长的各个阶段如种子种植,发芽,发芽,植物,花,和水果。在图 1第三步说明了环境参数如温度、湿度、降水、风速影响作物生长的不同阶段。4th一步显示害虫的生长在气候影响作物生长的不同阶段。

粉虱的攻击时间/月是一个重要的因素,因为在一个特定的时间/月,粉虱的增长可能是更多

等环境因素(温度、湿度、降水、风速)对粉虱害虫的生长主要因素( 11]

粉虱害虫生长在干燥的环境中

高风速可以转移幼虫和卵从一个地方/区域到另一个地方

在粉虱害虫生长气候的作用。

研究的目的是寻求防止害虫袭击与早期预测使用环境因素产生较高的作物产量和警报的农民采取预防措施。剩下的纸结构为“相关工作”,“方法”,“实现”和“结果与讨论”。

 2。相关工作

在文学中,我们将讨论智能农业系统尤其关注不同的害虫预测及其解决方案。

Raghavendra et al。 12)关注气候预测棉花害虫的通过使用不同的预测模型多元线性回归等机器学习算法(REG)和广义线性模型(GLM)。作者还应用统计相关气象参数。天气参数组成的最高温度、最低温度、湿度,早上晚上湿度和降雨量。实验进行了训练和测试数据集。天气使用参数的数据从2006年到2010年。

商等。 13)提出了一个预测模型来预测害虫的发生通过结合两个机器学习算法:人工神经网络和遗传算法。预测模型包括三个部分。,我nput layer, hidden layer, and output layer. The author used metrological data (precipitation, sunshine hours, mean temperature, relative humidity, and so on) as an input to predict the occurrence of insect pests. The author claimed 91.67% accuracy of prediction of insect pests due to an intelligent model and by applying a hybrid algorithm.

金等。 14)提出了法斯(农场作为服务)模型由EMS(设备管理服务),DMS(数据管理服务),MMS(模型管理服务),FMS(智能农业监控服务),FCS(智能农场控制服务),安全系数(智能农场操作服务)。这个模型被用来预测在草莓作物害虫和疾病,其中图像捕获设备和传感器用于预测作物的病虫害。作者分析了环境因素、病原体和宿主植物和模拟捕获的数据。捕获的数据处理和分析通过法模型。该模型预测病虫害发生和警报发送到农民通过手机服务。

萨贾德et al。 15]关注气候变化的影响(温度、湿度、雨量和阳光)在主要农作物(如甘蔗,玉米,大米和小麦)在巴基斯坦。作者指出,高温有严重的负面影响和低温有积极影响主要作物生产。标准错误(异方差性和自相关)和备受技术工厂(可行的广义最小二乘法)被用来找到回归的结果。

Tripathy et al。 16]预测害虫/疾病,感官数据收集包括温度、湿度、叶片湿度,土壤水分,不断监测这些参数。作者开发了一种决策支持系统通过使用DM(数据挖掘技术)和多元回归花生作物的挖掘算法。作者开发了一种预测模型和上述技术被用于这个模型。作者声称,实现高精度的预测害虫攻击。

Rubanga et al。 17)专注于小型温室农业。由于劳动力短缺,在日本,有一个可怕的需要开发一个智能农业系统。智能系统收集实时气候数据通过无线传感器网络(WSN)和存储在一个基于网络的数据库中。存储的数据被用来计算、分析,制定整个数据在屏幕上显示结果。结果显示在图易于理解的形式来帮助农民在决策过程中增加番茄的生产。不断增长的程度的一天(GDD)算法用于计算和分析温室小气候环境。

王等人。 18)开发了一种动态仿真模型的预测水稻布朗的植食性昆虫通过使用历史计量数据。模型包括动态的复杂特性,持久的、非线性、多变量。有五个输入(温度、湿度、降雨量、光强和阳光小时)仿真模型,和一个输出结果是布朗的植食性昆虫的生长速率。作者声称,实现高精度的预测大米布朗的植食性昆虫。

Mekala et al。 19)提出了不同的技术来提高农业市场利用CLAY-MIST测量技术是基于感知温度和湿度的舒适度评估作物。它介绍了物联网云模型显示五架构。收集的结果是通过使用不同的硬件如单片机、传感器、通信协议,和物联网云服务器,作者开发了一种CLAY-MIST指数的CMM测量算法。该算法找到了问题,计算准确的决策问题,报告发送到农民。结果低94%的执行时间与当前相比温暖舒适的策略。

Trogo et al。 20.)提出了农业在每个国家的主要产业。利用技术来增加产量有很大的影响。他们使用智能农业解决方案,称为DSSAT。DSSAT使用自动气象站(AWS)传感器和SMS技术,以及专业知识的农民。使用的技术,如短信提醒的农民发挥了至关重要的作用。随着技术的使用、气候警报、干燥的土壤和肥料警报可以访问的农民。

Mathurkar et al。 21]提出了农业部门执行一个重要的角色在每一个国家的经济。这些天一切自动运行。有自动传感器经营农场。作物产量的提高可以通过FPGA的使用。通过使用传感器设备,数据如湿度,温度,湿度和应用FPGA监控所需的环境和土壤条件知道供水的计时植物的领域更好的发展。

表 1给出了详细的先前的研究显示的技术/传感器和目的对害虫监测和预测系统研究。

先前的研究更侧重于害虫检测不预测

先前的研究更侧重于提供基于图像处理的害虫预测

先前的研究更关注害虫疾病鉴定或检测

之前的研究没有关注预测的准确性

之前的研究没有传感器用于害虫预测

智能决策并不是用于预测

相关预测方法在前面的研究。

研究 一年 传感器/方法 客观的
李等人。 22] 2008年 没有传感器/ ISODATA算法迭代自组织数据分析技术 预测疾病/广东省蔬菜害虫
魏和林 23] 2009年 没有传感器/模糊径向基函数神经网络 害虫预测
李等人。 24] 2010年 没有传感器/最大似然算法 预测模型对蔬菜害虫
Raghavendra [ 12] 2014年 没有传感器/多元线性回归和广义线性模型 预测棉花的害虫
李等人。 25] 2017年 没有传感器/害虫和天气之间的相关性 预测多种作物
李等人。 26] 2020年 图像处理 农作物病虫害识别在自然场景使用卷积神经网络
刘和王 27] 2020年 图像处理 番茄病虫害检测基于改进Yolo V3卷积神经网络的意思
肖et al。 28] 2019年 没有真正的时间/使用天气数据集 害虫和疾病的发生预测棉花气象因素的基础上,通过长时间的短期记忆网络
Turkoğlu和Hanbay 29日] 2019年 没有传感器/图像处理 植物病害和害虫检测使用深层神经网络
他等。 30.] 2019年 相机和光源/成像系统 基于深度学习检测油菜的害虫
3所示。方法

这部分解释了关于建议的解决方案的模型和设计粉虱害虫预测方法和算法。

3.1。提出了预测方法的体系结构

建议害虫预测方法设计智能分类的能力的环境因素如温度、湿度、降水、风速。我们的方法着重于有效的能源消耗是不打开所有的传感器。该方法精确地监视粉虱害虫生长环境分类继续RBFN的环境因素。该架构包括多个层,如图 2。它描述了预测系统的五层输入层,网关层、存储层,预测层和应用程序层。每一层的实现如下所示。

提出的模型的分层架构。

 3.1.1。输入层

在图 2层次结构,第一层由传感器不同的环境参数如温度、湿度、降雨和风速。收集到的数据是通过使用传感器的上述参数。这些传感器部署在一个实验性的阴谋。

 3.1.2。网关层

在图 2层次结构,第二个网关层由不同的硬件设备,如单片机(Arduino)。单片机负责收集数据来衡量传感器。无线模块负责数据的转移到物联网服务器。

 3.1.3。存储层

在图 2层次结构,第三个存储层包含一个物联网服务器。前面的网关层将数据转移到物联网在MySQL服务器和存储数据。MySQL数据可以导出CSV形式。

 3.1.4。预测层

在图 2层次结构,第四层预测由物联网服务器上的机器学习算法的预测粉虱害虫通过使用从MySQL在CSV导出的数据形式。在这一层,RBFN深预测学习算法部署。

 3.1.5。应用程序层

在图 2层次结构,第五应用层由预测输出的显示或转移到Android应用程序对农民采取必要的行动。

在图 2,所有层有很强的关系。第一个输入层基本上是与感知层在物联网体系结构,它由传感器。这个输入层可以通过网关层使用无线模块发送数据到服务器和存储数据存储层。未来预测层基本上是一个处理层的RBFN算法开发,使预测使用测试和训练数据得到的存储层,最后一层是应用程序层预测害虫可以被发送到农民。

的力量点问题是传感器感知的实时数据字段和解决独特的理念来预测害虫攻击。农民可以根据环境采取预防措施。

物联网的关键技术有很多,但主要用于体系结构关键技术RFID在网关层,在输入层传感器技术、通信技术的无线模块在网关层、存储层和云计算。

 3.2。径向基函数网络的预测粉虱害虫

RBFN作为深度学习算法提出了预测。选择RBFN由于二进制类预测其性能与独立数据集的条件。深度学习太超出了机器学习。机器学习算法已经解决二元分类,但建议模型使用RBFN由于五个原因。

RBFN有至高无上的训练与大量的数据的准确性。保持视图随着时间的推移,数据环境参数如温度、湿度、降水、风速已经增加了。

更可靠的处理大量的数据时通过RBFN。

精度将会增加,当增加的数据量大小。

RBFN技术有一个高效的预测决策支持系统。

RBFN高精度和复杂的问题。

RBFN由许多层组成。给出细节如下:

第一层是输入层环境参数

第二层是一个隐藏层,由一个层在处理或学习已经完成

最后一层是输出层输出/预测显示

回归或分类问题可以解决使用RBFN算法。深度学习的最重要的好处是,特征提取一直是自动执行的。深度学习有很大的影响在工业和农业部门。

任何神经元在神经网络两部分,如图 3。一个是计算线性函数,另一个是计算激活函数。

在RBFN神经元。

权重的线性函数的非线性函数被称为激活函数。

图 4描述了RBFN的结构有一个输入层、一个隐藏层和一个输出层。

RBFN。

计算线性和非线性/隐藏层的激活函数: (1) f x = ∑ j = 1 米 w j h j x , (2) h x = 经验值 − x − c 2 r 2 。

在( 1)和( 2), f( x)是由输出 x作为输入, w 我 作为隐层的重量乘以高斯激活函数 h( x), h( x)是一个高斯激活函数的参数 r神经元的半径 c在每个RBF单位单独定义的中心。

RBFN由三层。,one input layer, one hidden layer, and one output layer.

输入层被称为 X,包括输入数据从传感器被害虫环境监测系统(到聚合物)。输入数据包括温度、湿度、降水、风速。

输出层的形式显示输出Yes或No。

4所示。实现

本小节展示实验设置,试验区域的布局,原型模型部署在一个实验区,RBFN的实现。

4.1。实验区

硬件部署在巴基斯坦的费萨尔巴德市。巴基斯坦在世界上的位置呈现在图 5。

巴基斯坦在世界上的位置的地图。

 4.2。作物、季节和害虫

棉花的学名 陆地棉。巴基斯坦是一个棉花种植土地。由于粉虱病虫害的袭击,棉花增长是随时间的流逝。建议的解决方案部署粉虱害虫的预测( 31日]。建议的解决方案是可扩展到任何其他害虫。选中的区域有两个种植季节。进行实验,选择第二季盛行从5月到11月。

 4.3。实验情节布局

选定实验区域是一英亩(43560英尺2)有208×208英尺的长度和宽度。观察粉虱攻击,数据集有416行和62 coloumns。每一列有416株。一只脚空间有2个棉植物。全棉植物粉虱预测的人口是12896。实验区域的布局细节图所示 6。

采样点害虫粉虱在地里观察。

 4.4。设备使用

温度、湿度、降水、风速传感器用于模型执行建议的解决方案。传感器设备的属性描述的预测功能。

4.1.1。温度和湿度传感器

图 7提出了一种温度传感器设备被称为DHT-22产生高度准确的数据(温度和湿度)从大气中。DHT-22设备是低成本和低驱动。DHT-22提供数字的结果。技术细节表中提到的DHT-22特征 2。

DHT22温度和湿度传感器设备。

DHT-22传感器设备的特性。

DHT-22温度和湿度传感器设备
长度和宽度 1.5厘米×2.5厘米
电压 3 V 5 V
最大电流 2.5马
Temp.测量范围 −40∼80°C
湿度 0∼100%
温度测量精度 ±0.5°C
湿度测量精度 ±2% RH
10/24/11。雨检测传感器设备

在我们建议的模型,使用雨水检测传感器设备显示在图 8这是一种低成本、低动力和轻量级设备测量的强度在露天雨水。雨水探测器传感器提供了数字和模拟输出。雨雨检测传感器模块是一个简单的工具。雨水探测器的技术细节特征表中提到 3。

雨水探测器传感器。

雨水探测器传感器的特性。

雨水探测器传感器设备
司机维度 32毫米×15毫米×9毫米( l× W× H)
收集器板尺寸 54毫米×40毫米×1.5毫米( l× W× H)
权力 3.3 - 5 V
4.4.3。风速计/风速传感器设备

在我们建议的模型中,风速传感器设备的使用显示在图中 9,这是一个可靠和稳定的传感器用于测量风速在露天的强度。风速计/风速传感器提供了一个模拟输出。风速传感器是一个简单的风速测量的工具。风速传感器的技术细节特征表中提到 4。

风速测量传感器。

风速传感器的特性。

风速传感器
最大电流 4 - 20毫安/ 0 - 5 V
电力供应 DC12-24 V
启动风速 0.2米/秒
有效的风速测量范围 0到30 m / s
传感器类型 三杯
信号输出方式:脉冲电流 4 - 20毫安/ 0 - 5 V
工作温度 −40 C∼80 C
传输距离 超过1公里
4.4.4。单片机

在我们建议的模型中,单片机有名字WeMos D1 wi - fi UNO-based ESP8266 Arduino盾牌,如图 10特性表 5使用。

单片机(Arduino)。

单片机的特点(Arduino)。

单片机(Arduino)
单片机 esp - 8266例
工作电压 3.3 V
时钟速度 80 MHz / 160 MHz
维 68.6毫米×53.4毫米
重量 25克
数字I / O管脚 11
模拟输入插脚 1
4.5。原型模型和部署

预测模型如图 11wi - fi Arduino和传感器。开发模型是用来观察粉虱攻击与温度等环境因素的影响,湿度、降水和风速值。硬件模型开发和部署在作物领域,如图 11。

硬件模型。

web应用程序是用PHP开发语言;MySQL是实现物联网网络服务器。web应用程序捕获环境数据,处理它,并将其存储。一天四次,通过传感器捕获数据的传感器。ESP8266WiFi库”。h”和“二氢睾酮。h” are used in a web application to send data from the sensors to the server (May to November) and store data in the database, as shown in Figure 12。

传感器数据存储在服务器上的数据库。

 4.6。RBFN实现

棉花作物最优值的环境因素如温度、湿度、降水、风速对害虫粉虱在表 6。

环境因素的最佳值。

非生物因素 最优值
温度( 11, 32] 35-51°C
湿度( 11, 32] 低于65%
降雨( 11] 1 - 2毫米
风速( 11] 5.50 - -5.75 km / h

粉虱已积极与温度和风速的关系,而与湿度和降水呈负相关。粉虱种群随温度和风速的增加,而粉虱种群随相对湿度和降雨量的增加( 11]。

 4.7。显示结果

预测的输出被陈列在Android应用农民进一步采取必要的行动来控制粉虱害虫在初始水平。在图所示的示例输出消息 13。

Android应用程序显示预测消息给农民。

 5。结果与讨论

我们建议的模型(RBFN)有能力决策预测粉虱的攻击。部署分层设计和原型描述了前面的部分。四个传感器(温度、湿度、降水、风速)和单片机已经部署在选定的区域来评估结果。棉花是发达在5月和11月完成所选区域。硬件部署时间是从5月到2018年11月,从2019年11月。该模型捕获温度数据,显示在图 14和 152018年和2019年,每日最高温度,每天每一天最低温度、平均温度。

最大、最小和平均温度从5月到2018年11月。

最大、最小和平均温度从5月到2019年11月。

数据 14和 15情节的最大、最小和平均气温从1圣5月1圣2018年和2019年12月。最高温度是47°C和48°C月最低温度是6月5°C和4°C 2018年和2019年11月,分别。绘制图代表了最高温度在蓝线,红线的最低温度,和绿线的平均温度。的 X设在代表的时间间隔 Y设在代表在摄氏温度。

图 16显示每日数据平均温度、湿度、降雨量、和风速从传感器捕获的2018年5月到11月,存储在数据库中,然后下载的CSV形式。

日平均温度、湿度、降水和风速从5月到2018年11月。

图 17显示每日数据平均温度、湿度、降雨量、和风速从传感器捕获的2019年5月到11月,存储在数据库中,然后下载的CSV形式。

日平均温度、湿度、降水和风速从5月到2019年11月。

 5.1。RBFN的性能模型

RBFN的性能检测的精度,精度,回忆,和 f测量。精密的分数是正确预测出总数的预测,和回忆的比例准确预测的预测在二进制类。执行RBFN的执行Python语言通过使用“Keras”库。实现通过使用“sklearn RBFN算法测量。指标“图书馆在Python RBFN的准确性为82.88%,高 F1、精密、召回、支持,科恩kappa,民国AUC,日志损失,和混淆矩阵不同的预测功能,如表所示 7和 8,分别。

结果精度的评价指标,记得, F1,和支持。

类 F1 回忆 精度 支持
0.0 0.51 0.37 0.83 27
1。0 0.90 0.98 0.83 84年
宏avg。 0.70 0.67 0.83 111年
加权平均。 0.80 0.83 0.83 111年

科恩kappa,民国AUC,日志丢失和混淆矩阵测量预测功能。

类 科恩kappa 中华民国AUC 日志丢失 混淆矩阵
二进制类 0.427058 0.862434 0.38 17 [[10][82]]

2018年和2019年的实际值和预测值绘制,如图 18。

实际值和预测值的测试数据集2018 - 2019。

图 18情节如预期和预测结果的输出。绘制图代表了预期中的蓝线(实际)结果和预测结果橙线。可以看出有一个变动的结果,这就是为什么我们没有100%精度的结果。的 X设在代表了测试数据的记录, Y设在代表预测输出从0到1。

 5.2。提出模型的现场评价

通过观察执行现场评价的经济阈值水平(ETL)粉虱每叶5成人或仙女或两者的 32在不同的时间)领域。一亩地种植区域的采样点绘制从5月到11月的2018年和2019年在实验中情节和观察开始的开始。耕地评价低于ETL意味着不存在以上ETL意味着存在。最大的粉虱已观察到在7月15日,2018年8月15日,2018年,5月15日,2019年8月30日,2019年。在选定的实验区域,最多24烟粉虱每叶已被观察到。这些24烟粉虱由不同形式的粉虱如鸡蛋、蛹和成年人。观察到的粉虱强度提出了表 9。

粉虱的人口百分比。

害虫(白色飞)强度
害虫的数量 人口(%)
26-40每片叶子 76 - 100%
16-25每片叶子 51 - 75%
每片叶子11 - 15号 26 - 50%
5 - 10每片叶子 1 - 25%
0 - 4 /叶 0%

粉虱的强度可能已观察到2018年11月在现场评价,如图 19。

粉虱人口2018年5月到11月。

在现场评价,粉虱的人口已经被观察到,观测数据绘制在图 19。在图 19粉虱的最大强度,观察到在2018年7月和8月。绘制图代表了 X作为一个时间间隔和设在 Y设在粉虱种群的强度。

粉虱的强度可能已观察到2019年11月在现场评价,如图 20.。

粉虱从5月到11月2019人口。

粉虱的2019年,人口已经观察到在现场评价,以及观测数据绘制在图 20.。在图 20.粉虱的最大强度,观察在7月底和8月开始在2019年。绘制图代表了 X作为一个时间间隔和设在 Y设在粉虱种群的强度。

粉虱以上热点ETL曾被观察到在2018年5月到11月现场评价实验区域,如图 21。

2018年热点粉虱的实验区。

图 21显示不同的粉虱热点点在实验区域。它显示了不同的实验分不同的粉虱强度水平。三维表示的图块长度、宽度的情节,粉虱的数量和强度。上述72.5%的热点粉虱ETL曾被观察到在2018年在实验区域现场评价。

粉虱以上热点ETL曾被观察到在2019年5月到11月现场评价实验区域,如图 22。

2019年热点粉虱的实验区。

图 22也显示不同的粉虱热点点为2019年在实验区域。它显示了不同的实验分不同的粉虱强度水平。上面的图块在三维代表长度,宽度的情节,和强度的粉虱人口。上述74.5%的热点粉虱ETL曾被观察到在2019年在实验区域现场评价。

上面的平均73.5%热点粉虱ETL曾被观察到在现场评价实验地区在2018年和2019年,而另一方面,粉虱的深层神经网络预测精度82.88%已被观察到。有效的环境参数的监测是重要的有效预测过程来获得期望的结果。

 5.3。这项研究的限制

预测是基于非生物因素。许多其他因素如宿主植物的数量、面积寄主植物栽培,捕食者,和农药的使用影响害虫的数量。因素是重要,但研究的范围。

 6。结论和未来的工作

IoT-assisted作物田间环境的温度、湿度、降水、风速用于监测环境日常预测粉虱攻击采取必要行动采取控制措施。生活必需品是升级的主要条件字段有效预测的目标服务。这些预测是用来训练和测试深度学习的RBFN算法模型来优化这些预测,防止粉虱在棉花作物领域的袭击。预测的建议被证明是非常有效的杀虫剂。即实时传感器环境的预测数据。,temperature, humidity, rainfall, and wind speed helps to increase the yield of the crop with high accuracy. The implementation of the suggested model shows major developments in controlling the whitefly attack on the cotton crop area.

害虫预测需要评估其他类型的不同的其他作物的害虫。包含其他因素等害虫预测作物的面积用于害虫可以显著提高害虫的准确性预测模式。不同的其他生物和非生物因素可以提高害虫预测模型的准确性。

 数据可用性

使用的数据来支持这个研究的发现可以从相应的作者。

 的利益冲突

作者宣称他们没有利益冲突有关的出版。

 兰尼 T。 粮食和农业的状态:牲畜的平衡 2009年 罗马,意大利 联合国粮食及农业组织 以利亚 O。 阿卜杜勒 R。 Orikumhi 我。 出乎利奥 c . Y。 努尔Hindia m·h·D。 物联网的概述(物联网)和数据分析在农业:好处和挑战 IEEE物联网 2018年 5 5 3758年 3773年 10.1109 / jiot.2018.2844296 2 - s2.0 - 85048154313 史 X。 一个 x。 赵 Q。 最先进的物联网在农业保护 传感器 2019年 19 8 1833年 10.3390 / s19081833 2 - s2.0 - 85065086090 Tzounis 一个。 Katsoulas N。 Bartzanas T。 Kittas C。 物联网在农业、最新进展和未来的挑战 生物系统工程 2017年 164年 31日 48 10.1016 / j.biosystemseng.2017.09.007 2 - s2.0 - 85031943069 指数的描摹,2019年, https://www.indexmundi.com/agriculture/?commodity=cotton&graph=production 阿里 m·A。 在巴基斯坦的棉花生产 2019年 美国新泽西州霍博肯 约翰威利& Sons 张 X.-M。 Lovel g . L。 费 M。 杨 N.-W。 王ydF4y2Ba f . H。 潜在的陷阱和障碍种植密度减少的粉虱地中海烟在中国棉花 害虫管理科学 2019年 76年 1 10.1002 / ps.5524 2 - s2.0 - 85069898933 Aregbesola o . Z。 莱格 j . P。 Sigsgaard l 隆德 o年代。 卡梅隆 R。 气候变化对烟粉虱的潜在影响和影响定向传播的病毒 害虫科学杂志》 2019年 92年 2 381年 392年 10.1007 / s10340 - 018 - 1059 - 9 2 - s2.0 - 85055993179 艾哈迈德 N。 德 D。 侯赛因 我。 物联网(物联网)智能精准农业和农业在农村地区 IEEE物联网 2018年 5 6 4890年 4899年 10.1109 / jiot.2018.2879579 2 - s2.0 - 85056186063 Materne N。 井上 M。 物联网监控系统对农业害虫和疾病的早期检测 第12届东南亚技术大学学报财团Sysmposium, SEATUC 2018 2018年3月 日惹,印尼 电气和电子工程师协会有限公司 赛义德 H。 Ehetisham UI哈克 M。 Atiq M。 预测的棉花卷叶病毒病及其管理通过抗性种质和生物制品 植物病理学、植物保护档案 2018年 51 3 - 4 170年 186年 10.1080 / 03235408.2018.1443602 2 - s2.0 - 85042925934 Raghavendra K。 基于天气的预测棉花的害虫 国际会议进行计算情报和通信网络 2014年11月 博帕尔印度 10.1109 / cicn.2014.129 2 - s2.0 - 84946693113 商 Y。 朱 Y。 研究智能害虫的预测基于改进人工神经网络 中国自动化学报》大会(CAC) 2018年12月 西安,中国 10.1109 / cac.2018.8623592 2 - s2.0 - 85062774322 金 年代。 李 M。 胫骨 C。 IoT-based草莓疾病预测系统在智能农业 传感器 2018年 18 11 10.3390 / s18114051 2 - s2.0 - 85056979019 阿里 年代。 刘 Y。 Ishaq M。 气候变化及其对主要粮食作物的产量的影响:证据来自巴基斯坦 食物 2017年 6 6 10.3390 / foods6060039 Tripathy 一个。 Jagarlapudi 一个。 Dhanachandran 年代。 数据挖掘和无线传感器网络对农业害虫/疾病预测 世界大会的程序信息和通信技术 2011年12月 印度孟买 10.1109 / wict.2011.6141424 2 - s2.0 - 84863158659 Rubanga d . P。 Hatanaka K。 什 年代。 发展一个简化的智能农业系统为小型温室农业 传感器和材料 2019年 31日 3 831年 843年 10.18494 / sam.2019.2154 2 - s2.0 - 85063230630 王 Q。 张 Y。 谢 F。 吴 X。 基于系统动力学预测水稻褐飞虱 学报》第12届国际会议上模糊系统和知识发现(FSKD) 2015年8月 张家界,中国 10.1109 / fskd.2015.7382359 2 - s2.0 - 84966614867 Mekala m . S。 Viswanathan P。 CLAY-MIST: IoT-cloud启用CMM指数智能农业监控系统 测量 2019年 134年 236年 244年 10.1016 / j.measurement.2018.10.072 2 - s2.0 - 85055689364 Trogo R。 Ebardaloza j·B。 Sabido d . J。 Bagtasa G。 Tongson E。 Balderama O。 基于短信的智能农业决策支持系统对黄玉米的农民伊莎贝拉 加拿大2015年IEEE国际人道主义技术研讨会论文集(IHTC2015) 2015年6月 加拿大渥太华 10.1109 / ihtc.2015.7238049 2 - s2.0 - 84960466898 Mathurkar 美国年代。 帕特尔 n R。 Laanjewar r B。 Somkuwar r S。 基于智能传感器的监测系统对农业使用现场可编程门阵列 《国际会议电路、电力和计算技术(iccpct - 2014) 2014年3月 Nagercoil、印度 10.1109 / iccpct.2014.7054914 2 - s2.0 - 84943378894 李 T。 杨 J。 彭 X。 陈 Z。 罗 C。 预测和预警方法,跳蚤甲虫基于semi-supervised学习算法 学报》2008年第四届国际会议上自然计算 2008年11月 济南,中国 217年 221年 魏 杨绍明。关铭 林 F.-y。 预测害虫的研究基于模糊RBF神经网络 《2009年国际会议上计算智能和软件工程 2009年12月 武汉,中国 10.1109 / cise.2009.5363540 2 - s2.0 - 77949699983 李 T。 杨 J。 陈 Z。 跳蚤甲虫的预警和预测方法基于最大似然算法的集合体 学报自然计算国际会议 2010年8月 烟台,中国 10.1109 / icnc.2010.5584642 2 - s2.0 - 78149337038 李 H。 月亮 一个。 月亮 K。 李 Y。 疾病和害虫的预测物联网系统在果园:一项初步研究 学报》第九届国际会议上无处不在的和未来的网络(ICUFN) 2017年7月 米兰,意大利 10.1109 / icufn.2017.7993840 2 - s2.0 - 85028070786 李 Y。 王 H。 见鬼 l . M。 Sadeghi-Niaraki 一个。 月亮 H。 农作物病虫害识别在自然场景使用卷积神经网络 计算机和电子产品在农业 2020年 169年 105174年 10.1016 / j.compag.2019.105174 刘 J。 王 X。 番茄病虫害检测基于改进Yolo V3卷积神经网络的意思 植物科学的前沿领域 2020年 11 898年 10.3389 / fpls.2020.00898 肖 Q。 李 W。 凯 Y。 陈 P。 郑 J。 王 B。 害虫和疾病的发生预测棉花气象因素的基础上,通过长时间的短期记忆网络 BMC生物信息学 2019年 20. 25 1 15 10.1186 / s12859 - 019 - 3262 - y Turkoğlu M。 Hanbay D。 植物病害和害虫检测使用基于深度学习特性 土耳其的电气工程和计算机科学杂志》上 2019年 27 3 1636年 1651年 10.3906 /麋鹿- 1809 - 181 2 - s2.0 - 85065833813 他 Y。 曾 H。 风扇 Y。 霁 年代。 吴 J。 深度学习在害虫综合治理中的应用:一个实时系统的检测和诊断油菜的害虫 移动信息系统 2019年 2019年 13 4570808 10.1155 / 2019/4570808 2 - s2.0 - 85069794392 锅 l l。 崔 X.-Y。 陈 Q.-F。 王 X.-W。 刘 s。 棉花叶片卷曲疾病:粉虱是向量? 植物病理学 2018年 108年 10 1172年 1183年 10.1094 /发朵- 01 - 18 - 0015 r 2 - s2.0 - 85053630049 巴基斯坦 经济阈值水平的害虫 2018年 拉合尔,巴基斯坦 害虫警告&质量控制农药、旁遮普的政府