专利名称：林业有害生物灾害预测系统和方法
技术领域：
本发明涉及林业有害生物灾害预测领域，具体涉及一种林业有害生物灾害预测系统和方法。
背景技术：
生物灾害，包括害虫、病害、鼠(兔)害、有害植物等灾害，对林业资源的可持续经营和可持续发展造成了巨大的影响和损失。因此，国内外对林业有害生物灾害的预测进行了大量的研究，并提出了很多预测方法和预测模型，包括判别分析模型、主成分分析测报法、时间序列模型、统计模型、灰色预测、马尔柯夫链、时空回归预测方法等等。目前林业有害生物预测模型及方法存在如下主要问题目前大多数预测只是停留在数值预测基础上，结合以往的发生量、发生年份等数据进行简单的数值预测。然而针对林业有害生物灾害的预测，不仅仅需要发生量、发生等级、发生时间等方面的预测，更需要在空间上针对灾害发生分布的预测，这样才能更加全面、立体地掌握林业有害生物灾害发生、蔓延趋势，进而做出准确、经济、实效的防治、控制决策。元胞自动机(CA)、人工神经网络(ANN)、多智能体(MAS)等动力学模型可以实现非线性空间预测。但是，单纯运用CA模型也存在着局限性。元胞的邻域规则只考虑了元胞周围的邻域元胞对它的影响，却忽视了其他宏观因素的影响；元胞的状态转换规则在元胞空间内是非常确定的，但是在真实世界中，事物发生的规律存在区域的差异性；元胞的位置和状态过于静态，没有考虑到动态的、可变的、无序的影响因子对元胞的影响；元胞的时间定义是等间隔的，是非弹性的，对客观条件所引起的时间尺度的影响反应不够。ANN模型同样存在局限性。在研究中发现，ANN模型的精度受样本的影响非常大，其训练样本必须概括现实中的各种情况。如果样本的涵盖面不广，那么将不能模拟或预测出样本中没有出现的状态。ANN模型的训练很难掌握，参数设定没有一个既定的准则，需要不断的调试和验证，才能确定下来，而且其规则训练因其选用的算法的不同，训练时间和训练效果也所差别。这需要在网络的训练过程中，从各方面加强对网络的监视，并认真分析其原因所在。而且，学习速率对网络训练的误差收敛非常重要。学习速率太小，则收敛太慢，学习速率太大，则可能导致网络的瘫痪和不稳定。适当的学习速率既能保证训练效率，又能保证网络的稳定。需要设计一个自适应的学习速率，是解决这个问题的良好办法。MAS模型的关键是如何定义复杂系统中的智能体类型及其行为规则。模型中智能体类型过多，整个系统非常复杂，导致计算速度很慢，过少则又体现不了系统的复杂性。然而，影响森林病虫害发生和扩散的因素错综复杂，除了自然因素影响外，还受难以估测的社会因素的影响。例如，寄主的各种天敌、人类的活动(砍伐病木和感染木、运输等)、道路网络和村庄分布等，如果考虑生境、以及人类活动、天敌等不确定性因素，MAS系统将非常复杂，导致预测过程过长，甚至陷入瘫痪
发明内容
根据本发明的一个方面，提供了一种用于预测林业有害生物灾害的系统，包括林业有害生物灾害预测模型模块，其包括地理元胞自动机模型、人工神经网络模型和多智能体模型，其中，地理元胞自动机模型中的元胞表示地理区域，且具有用于表示灾害程度的元胞状态以及用于表示灾害影响因子的一个或多个元胞属性，地理元胞自动机的状态转换规则用以根据元胞及其邻域的当前元胞状态及元胞属性获得元胞下一时刻的元胞状态，且状态转换规则是通过训练人工神经网络模型获取的，其中，人工神经网络模型的输入为灾害影响因子，输出为灾害程度，且其中，多智能体模型包括人为活动影响智能体，用于表示人类活动对元胞状态的影响，以及有害生物种群变化智能体，用于表示有害生物种群的动态演变过程，其中，人为活动影响智能体和有害生物种群变化智能体的分析结果将与当前元胞状态融合，从而获得更新后的当前元胞状态；参数设置模块，用于设置地理元胞自动机模型、人工神经网络模型和多智能体模型的参数；训练模块，用于对人工神经网络模型进行训练，从而获得状态转换规则；数据输入模块，用于向地理元胞自动机提供当前元胞状态和一个或多个元胞属性的值，并用于向训练模块提供用于训练人工神经网络的元胞状态和元胞属性值；数据输出模块，用于提供地理元胞自动机模型的输出数据，作为预测结果。根据本发明的另一个方面，提供了一种用于预测林业有害生物灾害的方法，包括 建立林业有害生物灾害预测模型，其包括地理元胞自动机模型、人工神经网络模型和多智能体模型，其中，地理元胞自动机模型中的元胞表示地理区域，且具有用于表示灾害程度的元胞状态以及用于表示灾害影响因子的一个或多个元胞属性，地理元胞自动机的状态转换规则用以根据元胞及其邻域的当前元胞状态及元胞属性获得元胞下一时刻的元胞状态，且状态转换规则是通过训练人工神经网络模型获取的，其中，人工神经网络模型的输入为灾害影响因子，输出为灾害程度，且其中，多智能体模型包括人为活动影响智能体，用于表示人类活动对元胞状态的影响，以及有害生物种群变化智能体，用于表示有害生物种群的动态演变过程，其中，人为活动影响智能体和有害生物种群变化智能体的分析结果将与当前元胞状态融合，从而获得更新后的当前元胞状态；用于设置地理元胞自动机模型、人工神经网络模型和多智能体模型的参数；对人工神经网络模型进行训练，从而获得状态转换规则； 向地理元胞自动机提供当前元胞状态和一个或多个元胞属性的值，并提供用于训练人工神经网络的元胞状态和元胞属性值；提供地理元胞自动机模型的输出数据，作为预测结果。
图1示意性地示出了本发明的技术路线图；图2示出了元胞自动机的组成示意图；图3示出了二维元胞自动机的三种网格划分；图4示出了神经元的结构示意图；图5示出了 BP神经网络的基本结构；图6示出了地理元胞自动机的UML类结构图；图7示出了 BP人工神经网络的UML类结构图；图8示出了根据本发明的实施例的用于预测林业有害生物灾害的系统。
具体实施方式
本发明对林业有害生物灾害发生的影响因子，从生物学特性、林业有害生物生存环境和灾害发生机理等方面进行综合提取，并将元胞自动机模型、人工神经网络模型、多智能体模型相结合，在空间角度上有效地实现了林业有害生物灾害发生的模拟。实现林业有害生物灾害的空间预测，可以使预测结果落实到山头地块，提高预测结果的实用性和可操作性，具有重要的实用价值。本发明拓展和深化了元胞自动机模型在林业有害生物灾害预测上的应用研究。这主要体现在将灾害模拟预测的方法和模型上，扩张到空间的角度；扩展元胞自动机的元胞涵义，更加准确地模拟林业有害生物灾害发生的状况；扩展元胞自动机的邻域类型，针对不同林业有害生物灾害定义不同的邻域类型，更加准确地获取周边元胞的状态信息；将人工神经网络作为元胞自动机转换规则获取的方式，避免了转换规则定义过程中的主观因素和不确定因素。本发明将遥感技术(RS)、地理信息系统(GIS)、元胞自动机(Cellular Automata, CA)、人工神经元网络(Artificial Neural network, ANN)和多智能体(Multiagent system,MAS)技术相结合，研究体现灾害发生扩散规律的非线性空间预测模型，具有重要的科学意义。GIS与遥感技术，能对灾害发生的定点、定时及动态综合信息进行集成分析，提供灾害的时空变化范围及危害程度等信息，这为林业有害生物灾害发生机理研究、预测模型的建立提供了不可或缺的技术支持；林业有害生物灾害的研究，从昆虫种群生态学的角度上分析，可以和地学模型相互结合，以解决空间上的发生和蔓延问题。其中CA模型非常适合模拟地理复杂系统，它允许将地物自身状态及周围的信息充分考虑，且以开放扩展状态演化规则的形式与其他模型结合，可以将空间信息作为灾害发生因子的一部分。将CA模型用于林业有害生物灾害空间预测，需要定义最核心的部分——状态转换规则，以描述灾害发生影响因子如何作用于灾害的发生和危害程度。然而，林业有害生物种类繁多，且生物学特性各异，其灾害发生规律影响因子各不相同。需要选择一种分布式并行计算模型，用以解决转换规则定义过程中的非线性问题。ANN模型与其他模型相比，最大的优势在于能根据样本数据自行训练、演化生成规则规律，且易与其他模型相结合。这一点对于林业有害生物灾害发生预测，既能完善、改进被广泛认可的发生规律，又可以探讨、发现新的发生规律。MAS 模型是建立在多智能体技术上的一种新兴模型，可以跨尺度、自下而上地模拟森林生态系统的演变过程，非常适合用于灾害蔓延的分析与动态模拟。此外，林业有害生物的生物学特性以及发生规律不同，选取的模型因子也不同。因此，需要在研究其共性的基础上，选用通用性强的模型作为基础，对林业有害生物灾害预测模型进行构建。传统的预测方法不能准确、快速预测灾害发生的区域，这对林业有害生物灾害防治，不论是在政策性的指导，还是在操作性的实施，都造成了一定的困难。本发明的方案借助空间模拟预测模型，与多种技术手段相互结合，能尽快的掌握林业有害生物灾害发生的趋势，更加详细有效地制定防治措施，进行有效的控制。本发明综合CA、MAS、ANN和遥感、空间分析技术建立的非线性、智能化空间预测模型，可以从生物学特性、林业有害生物生存环境、人为活动及其它不确定性因素的影响、灾害发生机理等方面进行综合，快速准确提取林业有害生物灾害发生的影响因子，解决在灾害发生和蔓延机理不明确情况下的预测问题，在空间角度上有效地实现林业有害生物灾害发生与扩散的预测与动态模拟，建立新的智能化空间预测与模拟技术体系，支持和辅助林业有害生物灾害防治决策，拓展和深化CA、ANN、MAS在林业有害生物灾害预测模拟中的应用研究。研究成果将具有重要的科学价值和推广应用意义。本发明将元胞自动机(CA)、人工神经网络(ANN)、多智能体(MAS)、GIS空间分析方法与灾害发生机理相结合，构建基于林业有害生物灾害发生规律的ANN-CA-MAS非线性空间预测模型，分析模型各组分在林业有害生物灾害预测中的涵义、模型的时空尺度，开发原型系统，应用遥感影像、统计资料和地面调查数据，实现林业有害生物灾害发生区域、空间分布、受害程度的空间预测和扩散过程的动态模拟。具体内容如下(1)模型建立。通过提取林业有害生物灾害发生的影响因子，结合元胞自动机、 人工神经网络和多智能体的原理，对元胞自动机模型和多智能体模型的涵义和规则进行扩展，建立基于元胞自动机、人工神经网络和多智能体的林业有害生物灾害预测模型(以下简称为ANN-CA_MAS Forest Pest)。(2)开发实现。遵循面向对象编程的原理，封装ANN-CA-MAS ForestPest模型，并在此基础上开发实现原型系统。(3)灾害预测。利用构建的ANN-CA-MAS Forest Pest对灾害发生进行预测。作为示例，分别选择马尾松毛虫和美国白蛾为灾害发生研究对象，建立相应的预测解决方案，利用ANN-CA-MAS Forest Pest对其灾害发生进行预测。本发明所采用的技术手段包括以下几种(I)GIS与遥感。GIS作为数据获取、处理、空间分析及管理的有效手段和工具，将研究中数据，包括空间数据和属性数据，有效地管理起来，并为模型的实现提供了数据输入、数据输出、数据展现和数据分析等功能。遥感技术时间和空间上为模型的实现提供了栅格数据支持，运用遥感图像处理技术的多种方法，能充分提取遥感数据所包含的地物信息， 从而丰富模型的数据源。(2)元胞自动机(Cellular Automata, CA)结合林业有害生物灾害发生的特点， 对元胞自动机模型在灾害预测上进行涵义和规则扩展，包括定义元胞状态、元胞邻域规则、 元胞状态转换规则。(3)多智能体(MAS)结合林业有害生物灾害发生的特点，对智能体行为特征进行定义和描述，确定智能体类型以及行为规则。(4)人工神经网络(Artificial Neural Network, ANN)。利用人工神经网络处理高度复杂非线性系统的能力，通过样本训练，获取林业有害生物灾害发生规律以预测其发生。人工神经网络获取的规律，尤其针对一些发生规律不明确的林业有害生物灾害，能够代替复杂的元胞自动机定义状态转换规则。(5)面向对象设计(Object Oriented Design,00D)o遵循面向对象设计方法的基本思想封装和可扩展性，将模型的各部分或者其操作封装成对象，增强模型的移植性和可扩展性。图1示意性地示出了本发明的技术路线图。一、地理元胞自动机(Geo-CA)模型1元胞自动机1)基本概念
元胞自动机(Cellular Automata，CA)是定义在一个具有离散、有限状态的元胞组成的元胞空间上的，按照一定局部规则，在离散的时间维上演化的动力学系统。但它不同于一般的动力学模型。元胞自动机在概念上没有明确的方程形式，而是描述了一系列模型构造的基本规则。从这个角度上说，元胞自动机只是一类满足共同规则的模型的总体，或者说是一个模型构建的方法框架。(周成虎，1999)元胞自动机可以用多种形式来描述，用形式语言来描述可以表示为一个四元祖CA = (Ld, S, N, f)(2-1)其中，L代表一个规则划分的网格空间，其基本单元则是元胞；d为L的维数，网格空间可以是一个任意正整数维的规则空间；S代表一个离散的有限集合，用来表示各个元胞的状态s ;N代表元胞数目为η的邻域集合，其任何邻域集合都是网格空间的子集。这样， N可以表示为所有邻域内元胞的集合，即包含η个不同元胞状态的一个空间矢量，记为N = (Sl，s2, S3, ... sn), Si e Ζ, i e (1，· · ·，n)(2-2)f表示一个映射函数·β: — Sm，即根据t时刻某个元胞的所有邻居的状态组合来确定t+Ι时刻该元胞的状态值，f通常又被称作转换函数或演化规则。2)基本构成元胞自动机最基本的构成有四部分元胞、元胞空间、邻域规则、转换规则和时间。 图2示出了元胞自动机的组成示意图。(1)元胞(Cell)。按照一定规则，排列在规则划分的网格空间中的基本单元，则是元胞。元胞的状态值取值于一个有限状态集合中，每个元胞某个时期的状态只能是这个有限状态集合中的一个。(2)元胞空间(Lattice)。元胞所分布的空间网点集合，被称为元胞空间。在元胞空间内，元胞是按照一定规律规则排列的，彼此相邻的。因排列方式的而产生的维数不同， 可以称为N维元胞自动机。在地理空间中，一般采用二维元胞自动机。图3示出了二维元胞自动机的三种网格划分。(3)邻域规则(Neighbor)。在元胞空间动态变化过程中，元胞的下一个状态由它原先的状态和它的邻域元胞状态决定。邻域规则明确地指明了哪些元胞属于中心元胞，哪些元胞属于邻域元胞。邻域规则制定比较复杂，一般地，在地理空间中，以最常见的二维规则四方网格划分的元胞空间为例，邻域规则可以有以下几类A冯.诺依曼(Von. Nuemann)型一个元胞的上、下、左、右相邻四个元胞为该元胞的邻居。这里，邻居半径r为1，相当于图象处理中的四邻域、四方向。B摩尔(Moore)型一个元胞的上、下、左、右、左上、右上、右下、左下相邻八个元胞为该元胞的邻居。邻居半径r同样为1，相当于图象处理中的八邻域、八方向。C扩展的摩尔(Moore)型将以上的邻居半径r扩展为2或者更大，即得到所谓扩展的摩尔型邻居。邻域规则的制定，在各种元胞自动机模型中各有所长，但都首先要依照元胞空间内元胞的排列方式，然后再根据具体的研究内容和目的来制定合适的邻域规则。从邻域的制定来看，一个元胞在某时刻的状态取决于且只取决于该元胞周围邻域元胞的状态，而且元胞空间内的元胞其状态更新是同步的，且整个元胞空间表现为在离散的时间维上变化。
(4)转换规则(Rule)转换规则是一个动力学函数，它描述了如何根据元胞的当前状态及其邻域状态确定下一时刻该元胞的状态，是一个状态转移函数。这是元胞自动机的核心所在，也是和其他动态演变模型结合的切入点。(5)时间(Time)元胞自动机作为一个动态系统，它在时间维上的变化是离散的，即时间t是一个整数值，而且连续等间距。假如时间间距dt = 1，若t = 0为初试时刻，那么t = 1为其下一时刻。在转换函数中，一个元胞在t+ι时刻的状态直接决定于t时刻的该元胞及其邻域属性，虽然在t-ι时刻的元胞及其邻域元胞的状态间接影响了元胞在t+ι时刻的状态。参与动态演变的各个元胞的状态随着时间而变化，其状态根据一个局部的规则来改变。也就是说，邻域应元胞自动机的具体定义而不同，但都定义在空间局部范围内。比如， 一般的基于栅格的二维元胞自动机的邻域规则可以制定为四邻域或者八邻域。3)基本特征元胞自动机模型具有如下5个基本特征(1)元胞分布在按照一定规则划分的离散的元胞空间上；(2)系统的演变按照等时间间隔分步进行，时间变量取等步长的时刻点；(3)每个元胞都有明确的状态，并且元胞的状态只能取有限个离散值；(4)元胞下一时刻演化的状态值是由确定的转换规则所决定。(5)每个元胞的转换规则只由局部邻域内的元胞状态所决定。从这里可以看出，元胞自动机的约束条件是非常宽松的，这使得元胞自动机可以非常容易地根据不同领域灵活地制定自己的具体规则和内容，并且与其他模型相结合。2地理元胞自动机地理元胞自动机(Geo Cellular Automata,简称GeoCA)是元胞自动机在地理复杂现象研究应用的专题模型，它在实质上是一个扩展的元胞自动机模型。地理元胞自动机是在元胞自动机的框架下，对其在地理涵义上的全方位扩展，并集成多种理论和方法，构建模拟和分析地理空间复杂系统的一个概念性和方法性的模型框架。这个模型框架为元胞自动机今后在具体地理学领域的应用提供理论和方法意义上的支持。在GeoCA中，地理元胞状态通常是一个多元变量，包含相应的地理涵义。采用面向对象的方法对元胞及其状态进行封装，可以进一步扩展成为具有某种“智能性”的地理实体。一般的，元胞空间对应于笛卡尔坐标体系下的地理空间，邻域空间对应于空间近邻关系。转换规则是元胞自动机的核心所在，其集中体现了元胞空间内自身实体、邻域实体以及各种环境因子的相互作用。这种相互作用根据不同应用而被赋予了不同的涵义，从而使地理元胞自动机扩展为各种特定的地理元胞自动机。二、BP人工神经网络1基本概念BP (Back Propagation)算法在于利用输出层的误差来估计输出层的直接前导层的误差，再利用这个误差估计更前一层的误差。这样就能获得所有其他各层的误差估计，于是便形成了将输出端表现出的误差沿着与输入信号传送相反的方向逐级向网络的输入端传递的过程，因而得名向后传播算法。使用BP算法进行学习的多级非循环网络也就称为BP网络。2基本构成(1)神经元(Neuron)神经元是神经网络的最基本单元，它通过模拟生物神经元，接受一组来自网络中其他神经元的输入信号，对所有的信号进行加权后决定自身的激活(Activation)状态，并给出适当的输出。图4示出了神经元的结构示意图。其中，Xl ^为输入向量的各个分量， Co1 ωη为神经元各个突触的权值，f为传递函数，通常为非线性函数，t为神经元输出。 用表示该神经元所获得的输入信号的累积效果，有
权利要求
1.一种用于预测林业有害生物灾害的系统，包括林业有害生物灾害预测模型模块，其包括地理元胞自动机模型、人工神经网络模型和多智能体模型，其中，地理元胞自动机模型中的元胞表示地理区域，且具有用于表示灾害程度的元胞状态以及用于表示灾害影响因子的一个或多个元胞属性，地理元胞自动机的状态转换规则用以根据元胞及其邻域的当前元胞状态及元胞属性获得元胞下一时刻的元胞状态，且状态转换规则是通过训练人工神经网络模型获取的，其中，人工神经网络模型的输入为灾害影响因子，输出为灾害程度， 且其中，多智能体模型包括人为活动影响智能体，用于表示人类活动对元胞状态的影响，以及有害生物种群变化智能体，用于表示有害生物种群的动态演变过程，其中，人为活动影响智能体和有害生物种群变化智能体的分析结果将与当前元胞状态融合，从而获得更新后的当前元胞状态；参数设置模块，用于设置地理元胞自动机模型、人工神经网络模型和多智能体模型的参数；训练模块，用于对人工神经网络模型进行训练，从而获得状态转换规则； 数据输入模块，用于向地理元胞自动机提供当前元胞状态和元胞属性数据，并用于向训练模块提供用于人工神经网络训练的元胞状态和元胞属性数据；数据输出模块，用于提供地理元胞自动机模型的输出数据，作为预测结果。
2.根据权利要求1的系统，其中所述元胞属性选自以下类别中的一个或多个 生物学特性；立地条件； 林分结构； 气象因素。
3.根据权利要求2的系统，其中，所述生物学特性包括有害生物的形态、分布、生长繁殖和栖息特性中的一个或多个； 所述立地条件包括海拔、坡度、坡向和坡位中的一个或多个； 所述林分结构包括林分组成、林分层次、林龄、郁闭度、林中林缘中的一个或多个； 所述气象因素包括温度、温度、降水量和日照数中的一个或多个。
4.根据权利要求1的系统，其中，所述元胞状态包括以下各项中的至少两个不发生， 发生，健康，轻度危害，中度危害；重度危害。
5.根据权利要求1的系统，其中，所述地理元胞自动机模型中的元胞空间为正方形网络，且元胞对应于一个或多个遥感栅格数据。
6.根据权利要求1的系统，其中，所述人工神经网络模型为反向传播神经网络模型。
7.根据权利要求1的系统，其中，所述人为活动影响智能体的影响因素包括经营方现有的技术水平以及经营方在病虫害防治方面的投入。
8.根据权利要求1的系统，其中，所述有害生物种群变化智能体使用逻辑斯蒂模型表示有害生物种群的动态演变过程。
9.根据权利要求1的系统，其中，所述参数设置模块用于设置以下各项参数中的至少一个地理元胞自动机模型中的时间步长、元胞大小、邻域、元胞属性； 人工神经网络模型的训练参数；人为活动影响智能体的经营方技术水平参数和病虫害防治投入参数，以及有害生物种群变化智能体的种群增长参数。
10.根据权利要求1的系统，其中所述数据输入模块所提供的数据为遥感数据。
11.一种用于预测林业有害生物灾害的方法，包括建立林业有害生物灾害预测模型，其包括地理元胞自动机模型、人工神经网络模型和多智能体模型，其中，地理元胞自动机模型中的元胞表示地理区域，且具有用于表示灾害程度的元胞状态以及用于表示灾害影响因子的一个或多个元胞属性，地理元胞自动机的状态转换规则用以根据元胞及其邻域的当前元胞状态及元胞属性获得元胞下一时刻的元胞状态，且状态转换规则是通过训练人工神经网络模型获取的，其中，人工神经网络模型的输入为灾害影响因子，输出为灾害程度， 且其中，多智能体模型包括人为活动影响智能体，用于表示人类活动对元胞状态的影响，以及有害生物种群变化智能体，用于表示有害生物种群的动态演变过程，其中，人为活动影响智能体和有害生物种群变化智能体的分析结果将与当前元胞状态融合，从而获得更新后的当前元胞状态；设置地理元胞自动机模型、人工神经网络模型和多智能体模型的参数； 对人工神经网络模型进行训练，从而获得状态转换规则；向地理元胞自动机提供当前元胞状态和元胞属性，并提供用于训练人工神经网络的元胞状态和元胞属性值；提供地理元胞自动机模型的输出数据，作为预测结果。
12.根据权利要求11的方法，其中所述元胞属性选自以下类别中的一个或多个 生物学特性；立地条件； 林分结构； 气象因素。
13.根据权利要求12的方法，其中，所述生物学特性包括有害生物的形态、分布、生长繁殖和栖息特性中的一个或多个； 所述立地条件包括海拔、坡度、坡向和坡位中的一个或多个； 所述林分结构包括林分组成、林分层次、林龄、郁闭度、林中林缘中的一个或多个； 所述气象因素包括温度、温度、降水量和日照数中的一个或多个。
14.根据权利要求11的方法，其中，所述元胞状态包括以下各项中的至少两个不发生，发生，健康，轻度危害，中度危害；重度危害。
15.根据权利要求11的方法，其中，所述地理元胞自动机模型中的元胞空间为正方形网络，且元胞对应于一个或多个遥感栅格。
16.根据权利要求11的方法，其中，所述人工神经网络模型为反向传播神经网络模型。
17.根据权利要求11的方法，其中，所述人为活动影响智能体的影响因素包括经营方现有的技术水平以及经营方在病虫害防治方面的投入。
18.根据权利要求11的方法，其中，所述有害生物种群变化智能体使用逻辑斯蒂模型表示有害生物种群的动态演变过程。
19.根据权利要求11的方法，其中，所述设置参数包括设置以下各项参数中的至少一个地理元胞自动机模型中的时间步长、元胞大小、邻域、元胞属性； 人工神经网络模型的训练参数；人为活动影响智能体的经营方技术水平参数和病虫害防治投入参数，以及有害生物种群变化智能体的种群增长参数。
20.根据权利要求11的方法，其中所述提供的元胞状态和元胞属性值来源于遥感数据。
全文摘要
一种用于预测林业有害生物灾害的系统及方法，主要包括林业有害生物灾害预测模型模块，其包括地理元胞自动机模型、人工神经网络模型和多智能体模型，其中，地理元胞自动机模型中的元胞表示地理区域，且具有用于表示灾害程度的元胞状态以及用于表示灾害影响因子的一个或多个元胞属性，其状态转换规则是通过训练人工神经网络模型获取的，人工神经网络模型的输入为灾害影响因子，输出为灾害程度，多智能体模型包括人为活动影响智能体，用于表示人类活动对元胞状态的影响，以及有害生物种群变化智能体，用于表示有害生物种群的动态演变过程，智能体的分析结果将与当前元胞状态融合，从而获得更新后的当前元胞状态。
文档编号G06Q50/02GK102496077SQ201110400419
公开日2012年6月13日 申请日期2011年12月6日 优先权日2011年12月6日
发明者张凝, 张晓丽, 王昆, 谢芳毅 申请人:北京林业大学