基于物联网的棉花白蝇预测使用深度学习

摘要

农业正遭受低生育率和虫害和疾病增加等气候灾害的问题。对虫害的早期预测对提高农业生产率非常有帮助。棉花害虫(白蝇)的侵害对棉花产量影响很大。提出物联网解决方案，预测粉虱的攻击，采取预防措施。利用物联网技术和基于温度、湿度、降雨量、风速等环境参数的RBFN算法，开发了害虫预测系统(IPPS)。《害虫预警与农药质量控制》提出了预测粉虱攻击的经济阈值水平。利用经济阈值水平和RBFN算法，利用温度、湿度、降雨量和风速预测白蝇的攻击。七个评价指标的准确性，f-measures, precision, recall, Cohen 's kappa, ROC AUC, and confusion matrix被用来确定RBFN算法的性能。该系统应用于病虫害高发地区，为农民提供病虫害预测信息，以便采取防治措施。

1.介绍

粮食及农业组织(FAO)预测，到2025年世界人口将达到80亿，到2050年将达到96亿。[1]．由于人口的增加，对食物的需求日益增加。人类的基本需求(食物等)不能通过使用旧的传统农业方法来满足。旧的耕作方法消耗更多的人力，效率较低。使用传统的耕作方法仍然存在生产率降低的风险。通过使用物联网技术的新耕作方法，可以提高作物产量。“物联网”(IoT)是一种创造性的思想集成，通过它任何对象都可以通过网络传输数据[2，3.]．“物联网”(IoT)是一组非常令人鼓舞的创新，能够为农业现代化提供多种解决方案[4]．农业是预计将受到物联网领域进展高度影响的部门之一。

棉花是最著名的纤维作物之一。棉花是世界上重要的商业作物。它被称为纤维之王，被称为“白金”，在世界上许多社会经济地区担任着重要的工作。世界上有77个国家种植棉花，包括巴基斯坦[5]．棉花作物雇用了数百万农民和工人。它支持巴基斯坦的棉纺织工业。它不仅为纺织工业提供纤维，而且还提供棉籽，棉籽是人类消费食用油的主要来源。它的蛋白质油饼被用作乳制品动物的食物补充。

棉花作物的产量受多种害虫的影响。粉虱(烟)是其中之一，对棉花产量有严重影响[6]．粉虱的侵害是棉花作物面临的全球性问题，对全球农业可持续发展构成极大威胁[7]．可持续农业是一种以科学创新为基础，满足社会对粮食和纺织需求的新型农业理念。气候条件对粉虱有潜在影响[8]．物联网应用适合在监测环境条件的同时提高棉花产量[3.，9]．物联网可以在基于环境因素的粉虱预测中发挥重要作用。

农业部门正面临着气候变化方面的诸多挑战，当前不利气候条件的挑战加剧了棉花作物面临的更严重的危害。气候条件影响作物生产，给农民造成经济损失[10]．因此，建议对气候条件进行持续监测，以减少白蝇对棉花作物的侵害。通过物联网技术，可以监测不同的环境参数，如温度、湿度、降雨量和风速。因此，利用环境参数数据和深度学习算法进行粉虱预测。

数字1显示在任何作物上害虫攻击预测过程的流程。在第一步，它显示了作物的类型，如棉花，小麦，水稻和甘蔗，这些是巴基斯坦的主要作物。在图1第2步代表作物生长的各个阶段，如种子种植、发芽、发芽、植物、花朵和果实。在图1，第三步说明了环境参数，如温度、湿度、降雨量和风速，这些参数对作物生长的不同阶段有影响。4^th步骤显示了气候对作物生长不同阶段的影响后害虫的生长情况。(我)粉虱的攻击时间/月是一个重要的因素，因为在特定的时间/月，粉虱的生长可能更多(2)环境因素(如温度、湿度、降雨量和风速)是白蝇害虫生长的主要因素[11］(3)粉虱害虫多在干燥的环境中生长(iv)高风速可以将幼虫和卵从一个地方/地区转移到另一个地方/地区

本研究的目的是利用环境因子进行作物高产的早期预测，以达到预防虫害的目的，并提醒农民采取预防措施。剩下的论文分为“相关工作”、“方法”、“实施”和“结果与讨论”。

2.相关工作

在文献中，我们将讨论智能农业系统，特别是关注不同的害虫预测及其解决方案。

Raghavendra等人[12[关键词]棉花病虫害，天气预报，机器学习，多元线性回归，广义线性模型作者还将统计相关性应用于天气参数。气象参数包括最高气温、最低气温、早晚湿度和降雨量。实验分别在训练数据集和测试数据集上进行。使用的天气参数数据是从2006年到2010年。

尚等人[13]提出了一个预测模型，结合人工神经网络和遗传算法这两种机器学习算法来预测害虫的发生。该预测模型包括输入层、隐含层和输出层三部分。作者使用气象数据(降水、日照时数、平均气温、相对湿度等)作为输入，预测害虫的发生。作者声称，通过智能模型和混合算法，害虫预测的准确率为91.67%。

Kim等人[14]提出了一个FaaS (Farm as a Service)模型，该模型由EMS (Equipment Management Service)、DMS (Data Management Service)、MMS (model Management Service)、FMS (Smart Farm Monitoring Service)、FCS (Smart Farm Control Service)和FOS (Smart Farm Operation Service)组成。该模型已被用于草莓作物病虫害的预测，其中图像捕捉设备和传感器被用于作物病虫害的预测。作者分析了环境因素、病原体和寄主植物，并模拟了捕获的数据。通过FaaS模型对采集到的数据进行处理和分析。该模型通过移动服务预测病虫害的发生，并向农民发送警报。

Sajjad等人[15的研究重点是气候变化(温度、湿度、降雨和日照)对巴基斯坦主要作物(如甘蔗、玉米、水稻和小麦)的影响。作者指出，高温对主要作物生产有严重的负面影响，低温对主要作物生产有积极影响。采用标准误差技术HAC(异方差和自相关)和FGLS(可行广义最小二乘)来寻找回归结果。

Tripathy等人[16]预测害虫/病害，收集温度、湿度、叶片湿度和土壤湿度等感官数据，并持续监测这些参数。利用数据挖掘技术和多元回归挖掘算法，开发了花生作物决策支持系统。作者开发了一个预测模型，并将上述技术应用于该模型中。作者声称在害虫攻击预测中达到了很高的准确性。

Rubanga等人[17以小型温室农业为重点。由于劳动力不足，日本急需开发智能农业系统。该智能系统通过无线传感器网络(WSN)收集实时气候数据，并将其存储在基于网络的数据库中。存储的数据用于计算、分析和制定整个数据，并在屏幕上显示结果。结果以图表的形式显示出来，便于理解，以帮助农民决策，以增加番茄产量。采用生长度日(GDD)算法对温室小气候环境进行了计算和分析。

Wang等[18]利用历史计量资料建立了水稻褐飞虱预测的动态模拟模型。该模型由动态、持久、非线性和多变量的复杂特征组成。模拟模型有5个输入(温度、湿度、降雨、光照强度和日照时数)，其中一个输出结果是褐飞虱的生长速率。作者声称实现了水稻褐飞虱的高精度预测。

Mekala等人[19]提出了不同的技术来提高农业市场，利用CLAY-MIST测量技术，这是基于感知的温度和湿度来评估作物的舒适度。介绍了物联网云模型，该模型显示了5层架构。通过使用微控制器、传感器、通信协议和物联网云服务器等不同硬件收集结果，并开发了测量CLAY-MIST指数的CMM算法。该算法发现问题，计算出有关问题的准确决策，并向农民发送报告。与目前的温暖舒适策略相比，结果准确率为94%，执行时间更短。

Trogo等[20.把农业作为每个国家的主要产业。技术的运用对提高产量有很大的影响。他们使用了一种叫做DSSAT的智能农业解决方案。DSSAT使用了自动气象站(AWS)传感器和短信技术，以及农民的专业知识。短信等技术的使用在向农民发出警报方面发挥了至关重要的作用。随着技术的应用，气候警报、干旱土壤和肥料警报可以向农民提供。

马图卡尔等人[21指出农业部门在每个国家的经济中都起着至关重要的作用。现在一切都是自动操作的。这些传感器可以自动操作农场。利用FPGA可以提高作物产量。通过传感器设备感知湿度、温度、湿度等数据，并利用FPGA监控所需的环境和土壤条件，了解农田供水的时间，以便植物更好地生长。

表格1介绍了害虫监测预报系统的研究进展，阐述了害虫监测预报系统的技术/传感器和研究目的。(我)以往的研究更多地侧重于害虫的检测而不是预测(2)以往的研究主要集中在基于图像处理的害虫预测(3)以往的研究多集中在害虫病害的鉴定或检测上(iv)以往的研究并没有关注预测的准确性(v)以前的研究没有使用传感器来预测害虫(vi)智能决策没有被用于预测

3.方法

本部分介绍了白蝇害虫预测的模型设计、方法和算法。

3．1.建议预测方法的结构

提出的害虫预测方法具有对温度、湿度、降雨量和风速等环境因素进行智能分类的能力。我们的方法专注于高效的能源消耗，因为它不会一直打开所有的传感器。该方法通过继续RBFN对环境因子进行分类，对粉虱生长环境进行精确监测。所提议的体系结构由几个层组成，如图所示2．介绍了预测系统的五层结构:输入层、网关层、存储层、预测层和应用层。每一层的实现如下所示。

3.1.1。输入层

在图2分层结构，第一层由温度、湿度、雨、风速等不同环境参数的传感器组成。利用上述参数的传感器采集数据。这些传感器部署在一个试验田。

3.1.2。网关层

在图2层次结构，第二层网关由不同的硬件设备如微控制器(Arduino)组成。单片机负责采集传感器测量到的数据。Wi-Fi模块负责将数据传输到物联网服务器。

3.1.3。存储层

在图2分层结构，第三存储层由物联网服务器组成。上一层网关将数据传输到物联网服务器，并存储在MySQL中。MySQL数据可以导出为CSV格式。

3.1.4。预测层

在图2第四层预测层由物联网服务器上的机器学习算法组成，利用MySQL导出的数据以CSV形式进行白蝇虫害预测。在这一层，采用深度学习算法RBFN进行预测。

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组成，将预测输出显示或转移到Android应用程序中，供农民采取必要的行动。

在图2在美国，所有层面都有牢固的关系。在物联网架构中，第一输入层与感知层基本相关，感知层由传感器组成。该输入层可以通过网关层使用Wi-Fi模块将数据发送到服务器，并将数据存储在存储层。下一层基本上是处理层，RBFN算法利用从存储层获得的测试和训练数据进行开发和预测，最后一层是应用层，可以将害虫预测发送给农户。

该问题的优点在于，传感器感知了现场的实时数据，并提出了在现场预测害虫攻击的独特想法。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，但架构中使用的主要关键技术是网关层的RFID、输入层的传感器技术、网关层的通信技术Wi-Fi模块、存储层的云计算。

3．2．基于径向基函数网络的白蝇害虫预测

采用RBFN作为深度学习算法来获得所提出的预测。选择RBFN是因为它在具有数据集独立条件的二进制类预测方面具有良好的性能。深度学习超出了机器学习的范围。机器学习算法已经有了二进制分类的解决方案，但由于五个原因，建议的模型使用RBFN。(我)当使用大量数据进行训练时，RBFN在准确性方面具有优势。随着时间的推移，温度、湿度、降雨量、风速等环境参数的数据都有所增加。(2)当使用RBFN处理大量数据时，更可靠。(3)当数据量增加时，准确性也会增加。(iv)RBFN技术具有高效的预测决策支持系统。(v)RBFN对复杂问题具有较高的精度。

RBFN由许多层组成。详情如下:(我)第一层是输入层，其中给出了环境参数(2)第二层是一个隐藏层，它由一个进行处理或学习的层组成(3)最后一层是输出层，其中显示输出/预测

使用RBFN算法可以解决回归或分类问题。深度学习最大的好处是特征提取是自动进行的。深度学习在工业和农业领域有很大的影响。

神经网络中的任何一个神经元都有两个部分，如图所示3.．一个是计算线性函数，另一个是计算激活函数。

权值非线性函数中的线性函数称为激活函数。

数字4描述了RBFN的结构，它有一个输入层、一个隐藏层和一个输出层。

计算隐层的线性和非线性/激活函数:

在(1)和(2），f（x)是输出，其中包括x作为输入,为隐含层的权值乘以高斯激活函数h（x），h（x)为带有参数的高斯激活函数r神经元的半径c为每个RBF单位单独定义的中心。

RBFN由三层组成，即一个输入层、一个隐藏层和一个输出层。(我)输入层被称为X，由虫鼠环境监测系统(PEMS)采集的传感器输入数据组成。输入的数据包括温度、湿度、降雨量和风速。(2)输出层是以Yes或No的形式显示输出。

4.实现

本节介绍实验设置、实验区域布局、实验区域原型模型部署和RBFN实现。

4．1.实验区

这些硬件部署在巴基斯坦的费萨拉巴德市。巴基斯坦在世界上的位置如图所示5．

4．2．作物，季节和害虫

棉花的学名是陆地棉．巴基斯坦是棉花种植地。由于白蝇的侵害，棉花的生长发育随着时间的推移呈下降趋势。所建议的解决方案被应用于预测粉虱[31]．建议的解决办法可推广到任何其他害虫。选定的地区有两个种植季节。为了进行实验，我们选择了第2个季节，从5月到11月。

4．3．实验情节布局

实验选定的区域是一英亩(43560英尺)²)的长度和宽度为208 × 208英尺。为了观察白蝇攻击，使用了一个有416行和62列的数据集。每个柱上有416株植物。一英尺的空间里有两株棉花。棉花总株数为12,896株，用于预测白蝇种群。实验区布局详图如图所示6．

4．4.设备使用

模型使用温度、湿度、降雨量和风速传感器来执行建议的解决方案。传感器设备的属性描述了预测特征。

4.1.1。温湿度传感器

数字7介绍了一种称为DHT-22的温度传感器设备，可以从大气中产生高度精确的数据(感知温度和湿度)。DHT-22设备成本低，功耗低。DHT-22提供数字结果。DHT-22及其特性的技术细节见表2．

10/24/11。雨侦测传感器装置

在我们建议的模型中，雨水检测传感器装置的使用情况如图所示8这是一种低成本、低功率、轻量级的测量户外雨水强度的设备。雨水检测传感器提供数字和模拟输出。雨传感器模块是一个简单的雨检测工具。各特性雨水检测仪的技术细节见表3.．

4.4.3。风速计/风速传感器装置

在我们建议的模型中，风速传感器设备的使用情况如图所示9，是一种可靠、稳定的测量户外风速强度的传感器。风速计/风速传感器提供模拟输出。风速传感器是一种简单的风速测量工具。特性风速传感器的技术细节见表4．

4.4.4。单片机

在我们建议的模型中，一个名为WeMos D1 Wi-Fi unobased ESP8266 shield for Arduino的微控制器，如图所示10，其特征见表5使用。

4．5.原型模型和部署

预测模型如图所示11，配有Wi-Fi Arduino和传感器。利用所建立的模型，对温度、湿度、降雨量、风速等环境因子影响下的白蝇攻击进行了观测。硬件模型开发并部署在农田中，如图所示11．

web应用程序使用PHP语言开发;MySQL是在物联网服务器上实现的。web应用程序捕获环境数据，处理并存储它。一天四次，通过传感器采集传感器数据。在web应用程序中使用“ESP8266WiFi.h”和“DHT.h”库将传感器数据发送到服务器(5月至11月)，并将数据存储在数据库中，如图所示12．

4.6。RBFN实现

温度、湿度、降雨量、风速等环境因子相对于白蝇的最优值见表6．

白蝇与气温、风速呈正相关，与湿度、降雨量呈负相关。随着温度和风速的增加，白蝇种群增加，而随着相对湿度和降雨量的增加，白蝇种群减少[11]．

4.7。显示结果

预测的产量已经显示在Android应用程序上，以便农民采取进一步的必要行动，在初始水平上控制粉虱。示例输出消息如图所示13．

5.结果与讨论

我们提出的模型(RBFN)具有预测白蝇攻击的决策能力。前面几节描述了分层设计和原型的部署。4个传感器(温度、湿度、降雨量和风速)和一个微控制器已经部署在选定的区域，以评估结果。在选定的地区，棉花在5月开发，11月结束。硬件部署时间为2018年5月至11月，2019年5月至11月。所提议的模型捕获了如图所示的温度数据14和15针对日最高气温、日最低气温、日平均气温的2018年和2019年。

数据14和15从1开始绘制最高、最低和平均温度^圣5月1^圣2018年和2019年的12月。2018年和2019年6月的最高气温分别为47℃和48℃，11月的最低气温分别为5℃和4℃。图中蓝色线表示最高温度，红色线表示最低温度，绿色线表示平均温度。的X-轴表示时间间隔和Y-轴表示温度，单位为摄氏度。

数字16显示2018年5 - 11月从传感器采集的平均温度、湿度、降雨量、风速等每日数据，存储在数据库中，然后以CSV格式下载。

数字17从传感器获取2019年5月至11月的平均温度、湿度、降雨量和风速的每日数据，存储在数据库中，然后以CSV格式下载。

5．1.RBFN模型的性能

RBFN的性能检测在准确性、精度、召回率和f测量。精确度是正确预测在所有预测中所占的比例，召回率是准确预测与二进制类中所有预测的比例。RBFN的执行是在Python语言中使用“Keras”库执行的。RBFN算法的实现是通过使用“sklearn”来衡量的。metrics”库在Python中的准确率为RBFN的82.88%，较高F₁不同预测特征的精度、召回率、支持度、Cohen’s kappa、ROC AUC、log loss、混淆矩阵，如表所示7和8,分别。

绘制2018年和2019年的实际值和预测值，如图所示18．

数字18按照预期和预测结果绘制输出图。图中蓝色的线表示预期(实际)结果，橙色的线表示预测结果。我们观察到，结果中有一个波动，这就是为什么我们的结果没有得到100%的准确性。的X-轴表示测试数据记录，其中Y-axis表示从0到1的预测输出。

5.2。建议模型的实地评估

田间评价是通过观察每叶5只成虫或若虫或两者的经济阈值水平(ETL)来进行的[32在不同的时间在田野里。2018年5月至2019年11月在试验区规划种植面积1亩采样点，5月初开始观测。ETL均值以下的内场评价不存在，ETL均值以上的内场评价存在。在2018年7月15日至2018年8月15日和2019年5月15日至2019年8月30日观测到的白蝇数量最大。在选定的试验区，每片叶片最多观察到24只白蝇。这24只白蝇由不同形式的白蝇组成，如卵、蛹和成虫。观测到的粉蝇强度见表9．

2018年5 - 11月田间评价期间观察到粉虱强度，如图所示19．

在野外评价过程中，对粉虱种群进行了观测，观测数据绘制在图中19．在图19在2018年7月和8月观测到的白蝇密度最高。这个曲线图表示X-轴作为时间间隔和Y-轴表示白蝇种群密度。

2019年5月至11月实地评估，观察到粉虱的强度，如图所示20.．

同样在2019年，在实地评估期间观察到粉蝇种群，观测数据绘制在图中20.．在图20.在美国，在2019年7月底和8月初观测到的白蝇最大强度。这个曲线图表示X-轴作为时间间隔和Y-轴表示白蝇种群密度。

2018年5月- 11月试验区野外评估期间，观测到ETL上方的粉虱热点，如图所示21．

数字21展示实验区不同的粉虱热点。不同实验点的粉虱强度不同。三维图形表示样地的长度、宽度和粉虱种群的强度。在2018年实验区野外评价中，观测到ETL以上72.5%的粉虱热点。

在2019年5月- 11月实验区野外评估期间，观测到ETL上方的白蝇热点，如图所示22．

数字22展示了2019年实验区不同的粉虱热点。不同实验点的粉虱强度不同。上图的三维图代表了样地的长度、宽度和密度。在2019年实验区野外评价期间，观测到ETL以上74.5%的白蝇热点。

2018年和2019年实验区野外评价中，ETL以上的粉虱热点平均观测值为73.5%，深度神经网络预测粉虱的准确率为82.88%。环境参数的有效监测对于有效的预测过程达到预期的结果是非常重要的。

5.3。本研究的局限性

这种预测仅仅是基于非生物因素。许多其他因素，如宿主植物的数量、宿主植物的种植面积、捕食者的存在和杀虫剂的使用，影响害虫的数量。这些因素很重要，但不在研究范围之内。

6.结论与未来工作

利用物联网辅助的农田环境温度、湿度、降雨量和风速，每天监测环境，预测粉虱的攻击，为采取控制措施采取必要的行动。该领域的优势条件提高了预测的必要性，从而有效地服务于预测目标。这些预测被用来训练和测试深度学习模型的RBFN算法，以优化这些预测，以防止粉蝇在棉花田的攻击。结果表明，该预测结果对农药推荐是非常有效的。基于传感器的实时环境数据，如温度、湿度、降雨量和风速的预测，有助于提高作物的高精度产量。该模型的实施显示了防治棉区粉虱侵害的重大进展。

害虫预测需要对不同作物上的其他类型害虫进行评估。包括其他害虫预测因素，如害虫可利用的寄主作物面积，可以显著提高害虫预测模式的准确性。不同的生物和非生物因子可以提高害虫预测模型的准确性。

数据可用性

用于支持研究结果的数据可根据要求从通讯作者处获得。

的利益冲突

作者声明他们在这篇论文的发表上没有利益冲突。

参考文献

1. t·兰尼粮食和农业状况:平衡中的牲畜，联合国粮食及农业组织，罗马，意大利，2009。
2. O. Elijah, R. Abdul, I. Orikumhi, C. Y. Leow，和M. H. D. Nour Hindia，“物联网(IoT)和农业数据分析概述:利益和挑战，”IEEE物联网期刊，第5卷，第5期。5、pp. 3758-3773, 2018。视图:出版商的网站|谷歌学术搜索
3. “设施农业中最先进的物联网技术”，传感器第19卷第2期8，页1833,2019。视图:出版商的网站|谷歌学术搜索
4. A. Tzounis, N. Katsoulas, T. Bartzanas, C. Kittas，《农业物联网、近期进展和未来挑战》，生物系统工程， 2017, vol. 164, pp. 31-48。视图:出版商的网站|谷歌学术搜索
5. 指数的描摹,2019年,https://www.indexmundi.com/agriculture/?commodity=cotton&graph=production．
6. m·a·阿里巴基斯坦的棉花生产， John Wiley & Sons，霍博肯，新泽西州，美国，2019。
7. X.-M。张国良，罗伟华，费兰特。杨，万方华，“诱捕和屏障种植降低我国棉花上烟粉虱密度的潜力”，害虫管理科学，第76卷，第76期1, 2019。视图:出版商的网站|谷歌学术搜索
8. O. Z. Aregbesola, J. P. Legg, L. Sigsgaard, O. S. Lund, R. Carmelo，“气候变化对白蝇的潜在影响以及对带病病毒传播的影响，”有害生物科学杂志，第92卷，第2期2，页381-392,2019。视图:出版商的网站|谷歌学术搜索
9. N. Ahmed, D. De和I. Hussain，“物联网(IoT)用于智能精准农业和农村地区农业”，IEEE物联网期刊，第5卷，第5期。第6页，第4890-4899页，2018。视图:出版商的网站|谷歌学术搜索
10. N. Materne和M. Inoue，“农业病虫害早期检测的物联网监测系统”第12届东南亚技术大学联盟研讨会论文集，SEATUC 2018， Institute of Electrical and Electronics Engineers Inc，日惹，印度尼西亚，2018年3月。视图:谷歌学术搜索
11. 《棉花卷叶病毒病的预测及其通过抗性种质和生物产品的管理》，《棉花卷叶病毒病的预测及其通过抗性种质和生物产品的管理》，《棉花卷叶病毒病的预测及其通过抗性种质和生物产品的管理》，《棉花卷叶病毒病的预测》，《棉花卷叶病毒病的预测》，植物病理学与植物保护档案第51卷第1期3-4，第170-186页，2018。视图:出版商的网站|谷歌学术搜索
12. 基于天气的棉花害虫预测>，刊于计算智能和通信网络国际会议论文集2014年11月，印度博帕尔。视图:出版商的网站|谷歌学术搜索
13. “基于改进的人工神经网络的害虫智能预测研究”，《农业科学与技术》中国自动化大会论文集(CAC)2018年12月，中国西安。视图:出版商的网站|谷歌学术搜索
14. S. Kim, M. Lee和C. Shin，“基于物联网的智能农业草莓疾病预测系统”，传感器第18卷第2期11日,2018年。视图:出版商的网站|谷歌学术搜索
15. S. Ali, Y. Liu, M. Ishaq et al，“气候变化及其对主要粮食作物产量的影响:来自巴基斯坦的证据，”食物，第6卷，第2期6、2017。视图:出版商的网站|谷歌学术搜索
16. A. Tripathy, A. Jagarlapudi, S. Dhanachandran et al.，“用于农业病虫害预测的数据挖掘和无线传感器网络”，刊于世界信息和通信技术大会论文集2011年12月，印度孟买。视图:出版商的网站|谷歌学术搜索
17. D. P. Rubanga, K. Hatanaka和S. Shimada，“小型温室农业的简化智能农业系统的开发”，传感器和材料第31卷第1期3，第831-843页，2019。视图:出版商的网站|谷歌学术搜索
18. 王强，张颖，谢芳，吴旭东，“基于系统动力学的水稻褐飞虱的预测”第十二届模糊系统与知识发现国际会议论文集2015年8月，中国张家界。视图:出版商的网站|谷歌学术搜索
19. M. S. Mekala和P. Viswanathan，“CLAY-MIST:物联网云支持的智能农业监测系统CMM指数”，测量，第134卷，第236-244页，2019。视图:出版商的网站|谷歌学术搜索
20. R. Trogo, J. B. Ebardaloza, D. J. Sabido, G. Bagtasa, E. Tongson，和O. Balderama，“伊莎贝拉黄玉米农民基于短信的智能农业决策支持系统”2015 IEEE加拿大国际人道主义技术会议论文集(IHTC2015)，加拿大渥太华，2015年6月。视图:出版商的网站|谷歌学术搜索
21. S. S. Mathurkar, N. R. Patel, R. B. Laanjewar，和R. S. Somkuwar，“基于智能传感器的农业监测系统使用现场可编程门阵列”国际电路、电源和计算技术会议论文集(ICCPCT-2014)，印度Nagercoil, 2014年3月。视图:出版商的网站|谷歌学术搜索
22. “基于半监督学习算法的甲虫类预测预警方法”，《计算机科学与技术》，2014年第4期2008第四届国际自然计算会议论文集，页217-221，中国济南，2008年11月。视图:谷歌学术搜索
23. 杨绍明。关铭魏和F.-y。林，“基于模糊RBF神经网络的害虫预测研究”2009国际计算智能和软件工程会议论文集2009年12月，中国武汉。视图:出版商的网站|谷歌学术搜索
24. 李涛，杨军，陈志强，“基于最大似然算法集成的蚤甲虫早期预警与预测方法”，出版国际自然计算会议论文集2010年8月，中国烟台。视图:出版商的网站|谷歌学术搜索
25. H. Lee, a . Moon, K. Moon, and Y. Lee，“果园病虫害预测物联网系统:初步研究”，刊于第九届泛在与未来网络国际会议论文集2017年7月，意大利米兰。视图:出版商的网站|谷歌学术搜索
26. Li y, H. Wang, L. M. Dang, A. Sadeghi-Niaraki，和H. Moon，“卷积神经网络在自然场景中的作物害虫识别”，农业中的计算机与电子学，第169卷，第105174条，2020年。视图:出版商的网站|谷歌学术搜索
27. 刘军，“基于改进Yolo V3卷积神经网络的番茄病虫害检测”，植物科学前沿，第11卷，第898页，2020。视图:出版商的网站|谷歌学术搜索
28. 肖强，李伟，凯元，陈鹏，郑军，王博，“基于气候因素的棉花病虫害发生预测的长短时记忆网络，”BMC生物信息学，第20卷，第2期。25，第1-15页，2019。视图:出版商的网站|谷歌学术搜索
29. M. Türkoğlu和D. Hanbay，“利用基于深度学习的特征进行植物病害和害虫检测”，土耳其电气工程与计算机科学杂志第27卷第2期3, pp. 1636-1651, 2019。视图:出版商的网站|谷歌学术搜索
30. 何颖，曾辉，范勇，纪淑珍，“基于深度学习的油菜病虫害综合治理系统——基于实时检测与诊断系统的研究”，移动信息系统文章编号4570808，第13页，2019年。视图:出版商的网站|谷歌学术搜索
31. l l。锅,X.-Y。崔,Q.-F。陈,X.-W。王,s。刘，“棉花卷叶病:哪种白蝇是病媒?”植物病理学，第108卷，第108号10, pp. 1172-1183, 2018。视图:出版商的网站|谷歌学术搜索
32. 巴基斯坦,害虫经济阈值水平《害虫预警与农药质量控制》，旁遮普邦政府，巴基斯坦拉合尔，2018年。

版权

版权所有©2021 Rana Muhammad Saleem等人。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。