[0050] 以下结合附图对本发明作进一步说明。
[0051] 本发明的具体步骤如下:
[0052] 步骤一:获取数据,构建模型数据集
[0053] 在被预测区域内选取z块水稻田。分别获取z块水稻田的近m年的水稻纹枯病数据集和温湿度数据集,m≥5。温湿度数据集包括近m年内各水稻田的日平均气温和日平均相对湿度。一块水稻田一年的水稻纹枯病数据包括该水稻田在n个时间采集的水稻纹枯病发生病株率。时间间隔为g1;g1≤10天。
[0054] 水稻纹枯病数据集S如下:
[0055]
[0056] 其中,sijk为第i块水稻田在第j年第k个时间采集到的水稻纹枯病发生病株率。i=1,2,…,z,j=1,2,…,m,k=1,2,…,n。水稻纹枯病发生病株率等于调查所得的病株总数除以调查总数。病株表示处于水稻纹枯病潜伏期、感染期及移除感染状态的水稻。
[0057] 步骤二、建立病株率预测模型
[0058] 通过给出一组寄主作物‑病害互作系统中健康,潜伏,感染和移除感染状态之间的动态关系(病害流行学耦合微分方程)对病害发生发展过程进行描述病害。病株率预测模型的预测起点是保证模型精度的关键。水稻移栽期是水稻野外自然生长的起点,预测曲线的时间轴为t(DACE),将模型的起点设定为t=0的时刻。
[0059] 病株率预测模型如式(1)所示。
[0060]
[0061] 式(1)中,H、L、I、R分别表示处于健康、潜伏、感染、移除感染状态的水稻植株密度,t为时间;1/ω是病害平均潜伏期,3≤1/ω≤7;1/μ是病害平均感染期,60≤1/μ≤90;β是病害基本感染率,其表达式如式(2)所示。在1/ω=7,1/μ=10,β=0.25的情况下,任意时相总病害强度Y=L+I+R。H,L,I,R及Y随时间t变化的曲线图如图1所示。
[0062] 基于病害预测模型结构对水稻纹枯病进行预测的关键是结合纹枯病的影响因素和特点构造相关模块并融合至模型的结构中。温度是影响许多植物病害流行学过程的重要因素,尤其会影响病害的感染率以及潜伏期和感染期的持续时间。在此为了模型的简单性,在给定流行病条件下,如对水稻纹枯病的预测,认为潜伏期1/ω(kw)和感染期1/μ(ku)是固定的。温度和湿度是影响病害基本感染率β的一个十分重要的因素。同时,水稻的年龄(生育期)也对纹枯病的流行学过程产生非常大的影响。因此构建模型时,在病害预测模型框架的重要参数β上引入温度、湿度、生育期影响模块,确定模型预测起点,对构建后的耦合微分方程的输出Y根据病害历史发生极值信息进行调节,以此体现菌源信息的影响。
[0063] 基本感染率β往往可能不是理想中的定值,在不同的时相会受移栽期及外界因素的影响而发生变化,进而影响发病速度的变化。对于这一思考,我们设计β为瞬时值,即受不同时相的温度、湿度、生育期综合影响。病害基本感染率β的表达式如下:
[0064] β=ka×β0×T×W×A+kb 式(2)
[0065] 式(2)中,T为温度影响因子,表达式如式(3)所示;W为湿度影响因子,表达式如式(4)所示;A为生育期影响因子,表达式如式(5)所示。T,W,A的取值限制在0~1之间;β0为纹枯病潜在感染率,本实施例中,β0=0.46,该值来源于文献中的数据。ka、kb分别为第一缓冲系数、第二缓冲系数,为模型中需要确定的系数。
[0066] 温度对水稻纹枯病的影响不成正比关系,且是在一定温度范围内,温度的升高有利于纹枯病的发展,当超出这个范围(高于纹枯病生长的最适温度TEMOpt),温度的升高对纹枯病发生的促进作用反而会降低。基于此,设计温度因子T来反映这一特性。温度影响因子T为以TEMOpt为均值,以δ为方差的正态分布函数T~U(TEMOpt,δ),表达式如式3所示。
[0067]
[0068] 式(3)中,TEM表示被预测当天的日平均气温。TEMOpt为纹枯病生长的最适温度,其值为28℃;5≤δ≤40。δ的具体数值为模型中需要确定的系数。
[0069] 湿度对纹枯病的影响可以认为有一种阈值效应,当湿度低于这个阈值(kr),认为对纹枯病的发生发展几乎没有影响,当湿度高于这个阈值,认为湿度对纹枯病的发生发展起促进作用,并且随着湿度的增大,促进作用增大。基于此,设计湿度因子W来反映这一特性。这一概念可用Logistic函数来表征,Logistic函数的中心即为湿度的阈值。湿度影响因子W的表达式如式(4)所示。
[0070]
[0071] 式(4)中,RHU表示被预测当天的日平均相对湿度;τ为Logistic函数的调节参数,1≤τ≤20;kr为纹枯病生长的最适湿度,60≤kr≤80。τ和kr的具体数值为模型中需要确定的系数。
[0072] 移栽期影响因子A如式(5)所示;
[0073] A=t/t总 式(5)
[0074] 式(5)中,t为DACE,即水稻移栽当天到被预测当天所经过的天数;t总为预测区间的长度,即水稻在移栽后到纹枯病发病率最高时的时长。
[0075] 步骤三、确定模型中各调节系数
[0076] 步骤二建立的病株率预测模型中,待定的调节系数有ω,μ,ka,kb,kr,δ和τ,共7个。将各个待定的调节系数分别在自身的取值范围内等间隔取n个值(5数R和均方根误差RMSE。
[0077] 决定系数R2用来度量各时相实际观测值和模型预测值拟合优度的一个统计量,计2
算方法如式(6)所示,R为回归平方和与总离差平方和的比值,反应因变量的全部变异能通
2
过回归关系被自变量解释的比例。如R 为0.8,则表示回归关系可以解释因变量80%的变异。在模型预测中,这一比例越大表示模型越精确,回归效果越显著。R2取值介于0~1之间,越接近1,表示模型的回归拟合效果越好。在本研究中即模型对纹枯病发病等级预测的回归拟合效果,表示发病等级的全部变异能通过回归关系被时相解释的比例。
[0078]
[0079] 式(6)中,observedt为时刻t的病株率观测值;predictedt为时刻t的病株率模型预测值,其值取水稻纹枯病数据集S的数据;ave_observedt为预测区间的长度内病株率观测值的均值。
[0080] 均方根误差RMSE(root‑mean‑quare error)是指各时相实际观测值和模型预测值之差平方的期望值的算术平方根,用来衡量观测值同预测值之间的偏差,RMSE越小,说明预测模型描述观测值具有更好的精确度,RMSE的表达式如式(7)所示。在本研究中RMSE表示模型预测的发病等级同实际发病等级之间的偏差,RMSE越小,表明预测发病等级越接近于实际发病等级。
[0081]
[0082] 在计算出的7n个均方根误差RMSE中取最小值,取最小的均方根误差RMSE对应的那组调节系数,作为kw,ku,ka,kb,kr,δ和τ的最终取值。
[0083] 步骤四、将实际需要预测水稻纹枯病病害发生病株率的时间作为被预测时间,将步骤三中的参数取值、移栽期和气象数据导入模型,计算被预测时间的潜伏期水稻植株密度L、感染期水稻植株密度I、移除感染状态的水稻植株密度R。
[0084] 计算水稻纹枯病病株率的初步预测值Y=L+I+R。计算水稻纹枯病病株率的最终预测值Y'=Y·D。其中,D为特征修正系数,是当前被预测的水稻田前s年水稻纹枯病病株率最大值的均值,s=5。
[0085] 设置特征修正系数D的原因在于:水稻纹枯病是一种土传性病害,发病状况还受历史菌源影响较大。仅考虑气象因素的预测模型可能无法对受历史菌源影响较大的地方给出准确地预测,例如某地不论气象因素是否适宜,常年发病较重或者发病较轻。因此,本发明将历史菌源数据融入模型,作为调节模型预测结果的一个关键因素,来调节水稻纹枯病病株率的最终预测值Y'。
[0086] 为验证本发明的准确性,进行下述实验。
[0087] 步骤一、获取数据,构建模型数据集
[0088] 从湖南省晚稻中选取z块水稻田。分别获取z块水稻田的近m年(2010‑2016(除2012))的水稻纹枯病数据集和温湿度数据集,m=6(水稻纹枯病参照国家农业行业标准(NY/T613‑2002)“水稻纹枯病测报调查规范”进行调查)。温度数据集包括近m年内各水稻田的日平均气温和日平均相对湿度。一块水稻田一年的水稻纹枯病数据包括植保站在n个时间采集的水稻纹枯病病株率。时间间隔为g1;g1=5天。湖南晚稻水稻纹枯病病株率采集时间区间为每年的6月‑9月。
[0089] 步骤二、SEIR‑RICEBLA模型结构及参数确定
[0090] ①温度影响因子T
[0091] 基于模型精度RMSE调节正态分布函数T~U(OptinumTEM,δ)中的参数δ确定温度因子T的最终表示。在参数δ不同取值下温度影响因子T随温度TEM的变化曲线如图2所示。
[0092] ②湿度影响因子W
[0093] 基于模型精度RMSE调节湿度因子W中的参数τ,从而确定W的最终表示。在参数τ不同取值下湿度影响因子W随湿度RHU的变化曲线如图3所示。
[0094] ③模型预测起点确定
[0095] 研究区水稻移栽期的确定来源于植保数据记录。根据植保数据的记录统计各植保站的平均移栽期作为后续预测模型的时间起点。本研究中,移栽期采用植保数据多年份移栽期均值。在实际应用中,水稻移栽期还可以通过用户自行输入或基于时间序列遥感影像提取。
[0096] ④历史菌源影响
[0097] 将历史菌源数据融入模型,具体做法为,统计各地历年发病严重度极值,将其均值(系数D)作为改善前模型预测结果的权重,那么此时模型的输出即为考虑了历史菌源数据的结果,与纹枯病的土传性病害这一特点相吻,也妥善处理了对历年发病均较重或者较轻的地方的预测。
[0098] 步骤三、确定模型中各调节系数
[0099] 经过试验,kw、ku、ka、kb、kr、δ、τ的取值分别为4、70、3、0.05、70、30、6。对应的决定2
系数R 、均方根误差RMSE分别为0.61、8.12%。可见,本发明在湖南省晚稻各个试验田所得的水稻纹枯病病株率的预测精度达到了8.12%,相较于现有技术有很大提升。
[0100] 本发明多次预测所得的预测病株率与实际病株率的散点图如图4所示;本发明多次预测所得的预测病株率演变曲线下面积与实际病株率的演变曲线下面积的散点图如图5所示;图6a‑6e分别为利用2013年湖南省道县、攸县、湘乡市、桂阳县、邵东县的病株率数据对本发明进行验证所得的预测曲线与实际曲线的对比图。综合可以看出本发明的预测病株率与实际病株率基本呈线性关系,这印证了本发明的准确性。