| 中文摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 1 前言 | 第10-23页 |
| 1.1 大数据开启时代转型 | 第10-13页 |
| 1.1.1 大数据的起源及概念 | 第10页 |
| 1.1.2 大数据的主要价值及在“互联网+”时代的发展 | 第10-12页 |
| 1.1.3 大数据面临的挑战 | 第12-13页 |
| 1.2 农业大数据 | 第13-14页 |
| 1.3 常用的数据挖掘手段 | 第14-16页 |
| 1.3.1 决策树算法原理及优势 | 第14-15页 |
| 1.3.2 支持向量机算法原理及优势 | 第15-16页 |
| 1.4 病虫害监测预警 | 第16-22页 |
| 1.4.1 麦蚜预测预报的重要性 | 第16-18页 |
| 1.4.2 气象等非生物因子对麦蚜发生程度的影响 | 第18-19页 |
| 1.4.3 天敌对麦蚜发生程度的影响 | 第19-20页 |
| 1.4.4 国内外麦蚜预测预报模型 | 第20-22页 |
| 1.5 立题依据与意义 | 第22-23页 |
| 2 材料与方法 | 第23-28页 |
| 2.1 麦蚜及天敌的调查方法 | 第23-24页 |
| 2.1.1 调查时间 | 第23页 |
| 2.1.2 调查田块 | 第23页 |
| 2.1.3 调查方法 | 第23-24页 |
| 2.2 数据特征与变量选取 | 第24-25页 |
| 2.3 数据预处理 | 第25-26页 |
| 2.3.1 目标变量离散化变量删除 | 第25页 |
| 2.3.2 SVR中原始数据归一化 | 第25-26页 |
| 2.4 模型构建 | 第26-28页 |
| 2.4.1 决策树模型构建过程 | 第26页 |
| 2.4.2 支持向量机模型构建过程 | 第26-28页 |
| 3 结果分析 | 第28-38页 |
| 3.1 数据预处理结果 | 第28-29页 |
| 3.2 决策树模型结果分析 | 第29-35页 |
| 3.2.1 决策树信息增益率 | 第30-32页 |
| 3.2.2 决策树树形图 | 第32-34页 |
| 3.2.3 决策树模型检验 | 第34-35页 |
| 3.3 支持向量机模型结果分析 | 第35-38页 |
| 3.3.1 SVR真实值与预测值输出比较 | 第35-36页 |
| 3.3.2 SVR模型检验 | 第36-38页 |
| 4 讨论 | 第38-41页 |
| 4.1 光照时数的关联分析 | 第38页 |
| 4.2 决策树与SVR两种模型分析结果比较 | 第38页 |
| 4.3 决策树及SVR两种模型对现代农业的影响 | 第38-39页 |
| 4.4 农业大数据的展望 | 第39-41页 |
| 5 结论 | 第41-42页 |
| 创新点 | 第42-43页 |
| 参考文献 | 第43-51页 |
| 致谢 | 第51-52页 |
| 攻读硕士期间发表论文情况 | 第52-53页 |
| 附录 | 第53页 |