CN108764643B - 大范围作物病害风险评估方法 - Google Patents
大范围作物病害风险评估方法 Download PDFInfo
- Publication number
- CN108764643B CN108764643B CN201810391602.2A CN201810391602A CN108764643B CN 108764643 B CN108764643 B CN 108764643B CN 201810391602 A CN201810391602 A CN 201810391602A CN 108764643 B CN108764643 B CN 108764643B
- Authority
- CN
- China
- Prior art keywords
- meteorological
- disease
- occurrence
- risk
- crop
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 126
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012502 risk assessment Methods 0.000 title abstract description 5
- 230000012010 growth Effects 0.000 claims abstract description 44
- 238000012544 monitoring process Methods 0.000 claims abstract description 38
- 230000001186 cumulative effect Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 abstract description 3
- 241000209140 Triticum Species 0.000 description 29
- 235000021307 Triticum Nutrition 0.000 description 29
- 241000221785 Erysiphales Species 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 11
- 238000011161 development Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 241000196324 Embryophyta Species 0.000 description 8
- 238000009826 distribution Methods 0.000 description 6
- 241000209094 Oryza Species 0.000 description 5
- 235000007164 Oryza sativa Nutrition 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000011835 investigation Methods 0.000 description 5
- 235000009566 rice Nutrition 0.000 description 5
- 241000607479 Yersinia pestis Species 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 241000238631 Hexapoda Species 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 241000415582 Puccinia striiformis f. sp. tritici Species 0.000 description 1
- 241001617088 Thanatephorus sasakii Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000003102 growth factor Substances 0.000 description 1
- 230000007773 growth pattern Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Animal Husbandry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Educational Administration (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种大范围作物病害风险评估方法,包括选择监测区域的n个气象参数,发病前期气象预警,气象加密监测,计算每个气象参数得到病害发生的后验概率,气象多因素病害概率预测,采用反距离权重法进行空间插值,生成累积气象风险图,生成遥感长势图,生成病害发生适宜性图。本发明具有能够综合考虑气象、作物生境、作物受胁迫后表征等综合信息进行病害预警,可被多种主要作物病害复用的特点。
Description
技术领域
本发明涉及气象及空4数据分析处理技术领域,尤其是涉及一种基于气象时序动态分析和作物生长监测的大范围作物病害发生风险评估方法。
背景技术
农作物病虫害是农业生产中重要的生物灾害,一直以来都是制约农业高产、优质、高效、生态、安全的主要因素之一。近年来全球气候变化加剧,各类作物病害呈多发趋势,为全球粮食生产和安全带来巨大的挑战。
据联合国粮农组织统计,世界粮食产量常年因虫害损失10%,因病害损失14%。因此,大范围作物病害预警对病害防治有重要意义。已有研究表明,病害大范围预警由于受到气象条件、作物生长、菌源等多个因素影响,呈现复杂的规律。
而目前作物病害预警往往不考虑其它致病因素,仅靠气象数据在大范围进行预测,导致预测精度较低,无法指导实际田间操作。虽也有基于气象数据和遥感数据进行作物病害发生预测的方法,但这些方法仅仅是将气象数据和遥感数据作为病害预测模型中的两个类型的因子进行建模,未充分考虑连续气象数据在病害发生历程中对病害发生发展的影响。
已知作物病害发生流行因素概括起来主要包括气候因素(如温度、湿度等因素的影响)和作物生长因素(如氮素含量、密度等影响)两个方面。
在气候因素方面,湿度是导致作物病害发生发展和蔓延最重要的气象因子,其次还包括温度和风等气象要素;在发病中期,作物长势是影响病害发展的重要因素。
发明内容
本发明的发明目的是为了克服现有技术中的作物病害发生预测方法未充分考虑连续气象数据在病害发生历程中对病害发生发展的影响的不足,提供了一种基于气象时序动态分析和作物生长监测的大范围作物病害发生风险评估方法。
为了实现上述目的,本发明采用以下技术方案:
一种大范围作物病害风险评估方法,包括如下步骤:
(1-1)选择监测区域的n个气象参数,设定n个气象参数的适宜病害发生的参数值范围,监测区域中包括若干个监测站;
(1-2)发病前期气象预警
每隔M天对n个气象参数的数据进行分析,当监测区域有A%的气象站点的n个气象参数的值均位于对应的适宜病害发生的参数值范围时,判定区域气象条件开始适宜病害发生,其中,M为偶数;
(1-3)气象加密监测
每隔M/2天对n个气象参数的数据进行取样,将n个气象参数的适宜病害发生的参数值范围均按照监测的病害种类划分成E个子范围,给出各个子范围的先验概率和病害发生的条件概率;
(1-4)计算每个气象参数得到病害发生的后验概率;
(1-5)气象多因素病害概率预测;
(1-6)采用反距离权重法IWD进行空间插值,每M/2天得到一张监测区病害发生的气象风险图;
(1-7)利用当前时刻之前的最多4个连续气象风险图加权求和,得到累积气象风险图;
(1-8)根据监测区域内的遥感影像计算作物的NDVI指数,基于NDVI均值和标准差组合的方法生成遥感长势图;
(1-9)利用累积气象风险图和遥感长势图生成一幅病害发生适宜性图。
本发明在充分考虑病害发生发展机制和过程的基础上,针对病害发生早期特点,为体现气象参数在一定时间中对病害发生的累积效应影响,选择反映气候因素的平均气温和平均相对湿度等气象参数,提出气象数据滑动窗口模型,分阶段(即发病前期预警阶段和气象加密监测阶段)对气象数据进行连续监测,发展了基于气象信息的气象适宜性概率预测模型;在此基础上,利用遥感数据监测作物生育前期(如小麦、水稻的拔节期)生长状况,选择能够间接反映水肥因素的经遥感参数反演的植被指数NDVI,提出基于遥感数据的作物生长状况监测方法;最终,结合气象时序动态分析和基于遥感分析的作物生长监测方法,对大范围病害发生进行预警。相比传统病害预测模型,本方明能够有效考虑气象数据的时序动态信息和遥感作物长势空间信息对病害发生概率的影响。
本发明将可能对农业管理部门开展全国大范围的作物病虫害宏观测报和防控决策产生重要支持作用,随着技术的完善、成熟和精度提高,有望能够在很大程度上减少病害调查的人力、物力,并减小用于支撑测报的调查数据的主观误差。另一方面,病害大范围监测特别是早期预警对于植保防控工作的指导有重要意义。目前全国作物病害植保作业是一个百亿至千亿级规模的市场,该技术成果有望促进植保产业朝向绿色、科学、高效的方向发展。
本发明能够综合考虑气象、作物生境、作物受胁迫后表征等综合信息进行病害预警,其整体思路框架和策略能够作为共性技术被多种主要作物病害复用。
作为优选,n≥2,M为8、10、12或14。
作为优选,(1-4)包括如下步骤:
各个子范围的先验概率分别为P(ω1),P(ω2),…,P(ωE),各个子范围的条件概率分别为P(D|ω1),P(D|ω2),…P(D|ωE);
利用下述公式计算每个气象参数得到病害发生的后验概率Pi(ω|D):
作为优选,(1-5)包括如下步骤:
利用如下公式计算多因素预测的病害发生概率Poverall(ω|D):
作为优选,(1-8)包括如下内容:
对长势偏弱区域赋值1,长势正常区域赋值2,长势过旺区域赋值3,长势严重过旺区域赋值4,得到作物遥感长势分级图。
作为优选,(1-9)包括如下步骤:
根据累积气象风险图和遥感长势图的取值进行逻辑判断,确定各种病害的适宜性程度,适宜性程度包括:不适宜,较不适宜,适宜和非常适宜。
因此,本发明具有如下有益效果:能对农业管理部门开展全国大范围的作物病虫害宏观测报和防控决策产生重要支持作用,随着技术的完善、成熟和精度提高,有望能够在很大程度上减少病害调查的人力、物力,并减小用于支撑测报的调查数据的主观误差;
能够综合考虑气象、作物生境、作物受胁迫后表征等综合信息进行病害预警,其整体思路框架和策略能够作为共性技术被多种主要作物病害复用。
附图说明
图1是本发明的一种流程图;
图2是本发明的陕西关中地区气象站点与植保调查点的一种分布图;
图3是本发明的平均温度和平均相对湿度气象参数的一种变化趋势示意图;
图4是本发明的基于平均气温的小麦白粉病发生概率的一种评判示意图;
图5是本发明的平均相对湿度的小麦白粉病发生概率的一种评判示意图;
图6是本发明的基于平均气温和平均相对湿度的小麦白粉病发生概率的一种评判示意图;
图7是本发明的基于气象因子多时相加权的小麦白粉病发生概率的一种评判示意图;
图8是本发明的概率预测时间与调查发现时间的一种对比示意图;
图9是本发明的2014年陕西关中地区病害发生预测概率的一种分布图(M-map);
图10是本发明的2014年陕西关中地区高分卫星遥感影像及小麦的一种分类图;
图11是本发明的2014年陕西关中地区白粉病发生的一种适宜性图(S-map)。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步的描述。
如图1所示,一种大范围作物病害风险评估方法,包括如下步骤:
步骤100,选择监测区域的平均气温和平均相对湿度2个气象参数,设定2个气象参数的适宜病害发生的参数值范围,监测区域中包括17个监测站;
步骤200,发病前期气象预警
每隔10天对2个气象参数的数据进行分析,当监测区域有10%的气象站点的2个气象参数的值均位于对应的适宜病害发生的参数值范围时,判定区域气象条件开始适宜病害发生;
表1小麦条锈病的适宜病害发生的参数值范围
病害类型 | 平均气温 | 平均相对湿度 |
小麦条锈病 | 8-24℃ | 40%-100% |
小麦白粉病 | 12-25℃ | 60%-100% |
水稻纹枯病 | 22-32℃ | 70%-90% |
设病害监测的起始时间为t0,从该日起,以10天为周期统计各气象因子(即平均气温和平均相对湿度),根据上述气象参数判断条件,对各个气象站点的病害发生与否进行预警。小麦条锈病、白粉病预警的起始时间(t0)为每年3月1日,水稻纹枯病预警的起始时间(t0)为每年7月1日。当监测区域有10%气象站点两个参数同时满足上述适宜病害发生的参数值范围时,判定区域气象条件开始适宜病害发生,此时启动第二阶段的气象监测(即气象加密监测阶段),设为t1时间点。当不满足判定条件时继续以10天的滑动窗口统计气象因子,直至满足判断条件为止。
步骤300,气象加密监测
每隔5天对2个气象参数的数据进行取样,将2个气象参数的适宜病害发生的参数值范围均按照监测的病害种类划分成4个子范围,给出各个子范围的先验概率和病害发生的条件概率;
表2小麦条锈病气象指标及先验概率值
表3小麦白粉病气象指标及先验概率值
平均气温 | P(ω) | P(D|ω) | 平均相对湿度 | P(ω) | P(D|ω) | |
范围1 | 12-15℃ | 0.13 | 0.13 | 40%-55% | 0.27 | 0.18 |
范围2 | 15-18℃ | 0.15 | 0.35 | 55%-70% | 0.32 | 0.30 |
范围3 | 18-21℃ | 0.15 | 0.62 | 70%-85% | 0.26 | 0.35 |
范围4 | 21-24℃ | 0.16 | 0.57 | 85%-100% | 0.09 | 0.33 |
表4水稻纹枯病气象指标及先验概率值
平均气温 | P(ω) | P(D|ω) | 平均相对湿度 | P(ω) | P(D|ω) | |
范围1 | 22-25℃ | 0.20 | 0.42 | 60%-70% | 0.15 | 0.49 |
范围2 | 25-28℃ | 0.33 | 0.52 | 70%-80% | 0.30 | 0.53 |
范围3 | 28-31℃ | 0.26 | 0.49 | 80%-90% | 0.36 | 0.60 |
范围4 | 31-34℃ | 0.09 | 0.59 | 90%-100% | 0.13 | 0.51 |
该阶段由于病害从初发进入发展阶段,病害对气象因素的响应时间缩短,故从t1时间点开始将气象窗口缩短,以5天为滑动窗口进行气象加密监测。
步骤400,计算每个气象参数得到病害发生的后验概率;
各个子范围的先验概率分别为P(ω1),P(ω2),…,P(ωE),各个子范围的条件概率分别为P(D|ω1),P(D|ω2),…P(D|ωE);
利用下述公式计算每个气象参数得到病害发生的后验概率Pi(ω|D):
步骤500,气象多因素病害概率预测;
利用如下公式计算气象多因素预测的病害发生概率Poverall(ω|D):
步骤600,采用反距离权重法IWD进行空间插值,每5天得到一张监测区病害发生的气象风险图(M-map-S1,M-map-S2,M-map-S3……);
步骤700,利用预测时刻之前的最多4个连续气象风险图加权求和,得到累积气象风险图;
由于气象因素对病害发生的影响是一个时间累积的过程,故需对多个时相的气象风险图进行综合,生成一张累积气象风险图(M-map)。累积气象风险图由多个连续时相的气象风险图经加权求和得到,考虑到临近的时相对病害发生存在较大影响,因此各时相权重设置按相隔时间远近呈递减关系,并且只向前追溯4个时相(即20天)。例如,在重点监测阶段的S4时相计算累积气象风险图,根据公式3基于M-map-S1,M-map-S2,M-map-S3和M-map-S4进行计算。
其中,a1-a4分别设为0.1,0.2,0.3,0.4,分别对应S1,S2,S3和S4时相累积气象风险图的权重系数。
逐时相进行上述分析即可以5天为周期不断动态更新病害发生累积概率的M-map。
步骤800,根据监测区域内的遥感影像计算作物的NDVI指数,基于NDVI均值和标准差组合的方法生成遥感长势图;
在发病中期,作物长势情况是影响病害发展的重要因素。长势旺,密度大,会促使病害迅速发展,所以此时通过监测长势作为后续病害预警的另一个辅助指标。此处的长势,以NDVI指数作为指标来考察,最后生成一幅遥感长势图(G-map)。对于小麦、水稻而言,其长势在拔节期以后,变化相对不大,所以选择小麦及水稻拔节后期的影像来计算NDVI指数,基于监测区域NDVI的均值(mean)和标准差(SD)组合的方法生成遥感长势图(G-map),考虑NDVI区域差异会比较大,所以每个监测区,以县为独立分析单元,独立分析后,最后镶嵌成一张图。
根据作物病害发生发展规律及特点,选择重访周期较高,标准四通道的中高分辨率卫星影像(如国产的高分1号等数据)进行监测。影像预处理包括辐射定标、大气校正、几何校正和去云等步骤,最终生成作物拔节后期覆盖应用区域的反射率数据。
作物种植面积提取一方面可参考已有耕地矢量图等地理资料提取,或根据遥感影像分类获得,但需要对分类结果的精度进行验证,最终的分类精度要高于85%。分类时应结合应用区域中的土地利用类型数据、地形数据和物候知识等先验知识,采用如决策树、最大似然法或支持向量机等分类方法进行分类。得到的作物种植分类图,作为后续分析的掩膜图层(mask),在该范围内进行作物生长监测及病害监测。
根据影像统计信息,确定遥感影像中正常作物区域,具体方法为,计算监测区域作物NDVI的均值(mean)和标准差(SD),指定处于(mean±2SD)范围的像元值作为正常区域。此外,亦可根据专家经验直接指定正常区域的范围。
通常将作物长势分为长势偏弱、长势正常、长势过旺,长势严重过旺几种情况,作物长势分级阈值根据农学植保经验人为设定,也可根据区域统计值确定。采用指数统计方法的阈值设置标准为:长势偏弱(<mean-2SD),长势过旺(mean+2SD,mean+3SD)和长势严重过旺(>mean+3SD)。对长势偏弱区域赋值1,长势正常区域赋值2,长势过旺区域赋值3,长势严重过旺区域赋值4,得到作物遥感长势分级图。
步骤900,利用累积气象风险图和遥感长势图生成一幅病害发生适宜性图。
气象条件和作物生长状况是决定田间是否易发病害的两个重要因素,为此,本方法将上述部分得到的气象风险图M-map和遥感长势图G-map进行综合分析,生成一幅病害发生适宜性图(S-map)。该病害发生适宜性图可作为参考依据,用于指导后续大尺度病害预警。考虑到不同类型病害偏好的寄主作物生长状况存在差异,对三类病害特性进行分析,按表6的标准根据M-map和G-map取值进行逻辑判断,确定各种病害的适宜性程度,分别包括:1=不适宜,2=较不适宜,3=适宜,4=非常适宜。
表5综合气象和作物生长的病害发生适宜性判断条件
算法验证部分:
以陕西关中平原地区的小麦白粉病为例,对本算法进行验证。
小麦病害试验区
关中平原地处陕西中部,又称渭河平原或渭河盆地,包括西安、宝鸡、咸阳、渭南、铜川五市及杨凌区,总面积约3.4万平方公里。地势西高东低,海拔325-800米之间,系地堑式构造平原。关中平原属温带季风性气候,年降雨量500-800毫米,降雨量在空间上存在着明显的波动性。冬小麦是关中平原的主要作物,研究表明关中广大作物种植区气象及农业生态环境适宜冬小麦病害的发生。因此,以该地区的小麦白粉病对本算法进行验证。
气象数据获取和处理
气象数据来自中国气象科学数据共享服务网,选择包括研究区陕西关中平原小麦种植区域共17个气象站点的平均温度(℃)、平均相对湿度(%)数据。气象数据时间范围为2011年至2015年。气象站点分布如图2所示。气象数据的处理包括异常数据去除,以一定时间步长进行平均和空间插值。在分析过程中,为得到气象数据的空间分布,利用处理后的各气象站点的气象数据进行插值,插值方法对于符合高斯分布样本采用Kriging插值,对于不符合高斯分布数据采用反距离插值方法。
图3显示了病害预警监测关键时段(小麦白粉为3-6月)气象参数的变化趋势。陕西关中地区小麦预警时段(3-6月),平均相对湿度整体呈现一定幅度的不规则波动,而平均气温呈现逐渐上升的整体态势。基于滑动窗口的方法能够捕捉气象参数的时间动态并指示病害的发生。采用病害气象预警算法对气象数据进行分析后即可得到一段时间内病害发生的概率及变化。
图4和图5分别显示了根据平均气温和平均相对湿度的小麦白粉病发生概率评判结果。其中平均气温大体呈现前低后高的态势,但中间均出现大幅震荡,概率大致分布在0%至42%之间(图4)。病害平均相对湿度的预测概率大体在25%至40%的高位波动,但中间亦存在较大幅度震荡(图5)。采用所述方法对两种气象因子概率进行综合,即可得到综合了两种气象因子的小麦白粉病发生概率评判结果(图6)。这一概率曲线综合了两种气象因子的趋势,但在时间维度上仍有较大幅度震荡,也体现了天气条件波动对病害发生的影响。在此基础上,以5天为周期根据数据相隔远近对概率进行加权即可得到基于气象因子多时相加权的小麦白粉病发生概率评判结果(图7)。相对以上的概率曲线,经过时相综合加权得到的概率曲线在时间维上呈现出更清晰的规律,小麦白粉病的概率曲线均呈现出阶梯式上升的趋势。
为评价上述概率预测结果的精度,对比模型预测的感病时间和植保调查的发病时间,统计在植保调查之前正确预测的染病样点数(A),同时统计正确预测为未发病的样点数(B),结合样本总数C计算有效预测的正确率((A+B)/C),并用以评价预测的准确性(图8)。通过对比上述概率分析结果与植保调查结果发现,小麦白粉病的预测正确率分别为83%。
以2014年陕西关中地区小麦白粉病为例,首先基于气象预警模块计算2014年陕西关中地区病害发生概率并进行插值得到M-map(图9)。获取2014年4月7日和2014年5月18日的高分一号影像进行校正处理,结合基础地理信息提取种植区域小麦种植范围(图9)。按长势监测模块中所述方法,计算得到小麦长势图G-map。按上述算法,综合计算得到病害发生适宜性图S-map(图11)。将S-map和地面调查数据进行对比,基于S-map的精度达到83.6%,表明本方法通过结合气象时序动态分析与作物生长监测可以对大范围病害发生风险进行有效评估。
此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
Claims (4)
1.一种大范围作物病害风险评估方法,其特征是,包括如下步骤:
(1-1)选择监测区域的n个气象参数,设定n个气象参数的适宜病害发生的参数值范围,监测区域中包括若干个监测站;
(1-2)发病前期气象预警
每隔M天对n个气象参数的数据进行分析,当监测区域有A%的气象站点的n个气象参数的值均位于对应的适宜病害发生的参数值范围时,判定区域气象条件开始适宜病害发生,其中,M为偶数;
(1-3)气象加密监测
每隔M/2天对n个气象参数的数据进行取样,将n个气象参数的适宜病害发生的参数值范围均按照监测的病害种类划分成E个子范围,给出各个子范围的先验概率和病害发生的条件概率,所述各个子范围的先验概率分别为P(ω1),P(ω2),…,P(ωE),所述各个子范围的条件概率分别为P(D|ω1),P(D|ω2),…P(D|ωE);
(1-4)计算每个气象参数得到病害发生的后验概率Pi(ω|D):
(1-5)气象多因素病害概率预测Poverall(ω|D):
(1-6)采用反距离权重法IWD进行空间插值,每M/2天得到一张监测区病害发生的气象风险图;
(1-7)利用当前时刻之前的最多4个连续气象风险图加权求和,得到累积气象风险图;
(1-8)根据监测区域内的遥感影像计算作物的NDVI指数,基于NDVI均值和标准差组合的方法生成遥感长势图;
(1-9)利用累积气象风险图和遥感长势图生成一幅病害发生适宜性图。
2.根据权利要求1所述的大范围作物病害风险评估方法,其特征是,n≥2,M为8、10、12或14。
3.根据权利要求1所述的大范围作物病害风险评估方法,其特征是,(1-8)包括如下内容:
对长势偏弱区域赋值1,长势正常区域赋值2,长势过旺区域赋值3,长势严重过旺区域赋值4,得到作物遥感长势分级图。
4.根据权利要求1或2或3所述的大范围作物病害风险评估方法,其特征是,(1-9)包括如下步骤:
根据累积气象风险图和遥感长势图的取值进行逻辑判断,确定各种病害的适宜性程度,适宜性程度包括:不适宜,较不适宜,适宜和非常适宜。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810391602.2A CN108764643B (zh) | 2018-04-27 | 2018-04-27 | 大范围作物病害风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810391602.2A CN108764643B (zh) | 2018-04-27 | 2018-04-27 | 大范围作物病害风险评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108764643A CN108764643A (zh) | 2018-11-06 |
CN108764643B true CN108764643B (zh) | 2022-05-06 |
Family
ID=64012347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810391602.2A Active CN108764643B (zh) | 2018-04-27 | 2018-04-27 | 大范围作物病害风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764643B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751412B (zh) * | 2019-10-28 | 2023-05-23 | 云南瀚哲科技有限公司 | 一种农业气象灾害预警方法及系统 |
CN111537668B (zh) * | 2020-01-16 | 2022-07-01 | 农业农村部规划设计研究院 | 基于气象卫星数据的作物病虫害遥感监测方法及装置 |
CN111369051B (zh) * | 2020-03-03 | 2023-04-07 | 交通运输部公路科学研究所 | 沥青路面车辙和坑槽病害的预测方法 |
CN112836903B (zh) * | 2021-03-25 | 2022-01-28 | 中化现代农业有限公司 | 病虫害风险预测方法 |
WO2023144293A1 (en) * | 2022-01-28 | 2023-08-03 | Basf Agro Trademarks Gmbh | Plant disease detection at onset stage |
CN114638445B (zh) * | 2022-05-19 | 2022-07-29 | 北京佳格天地科技有限公司 | 作物病害预防的方法、装置、介质,及电子设备 |
CN115081718A (zh) * | 2022-06-27 | 2022-09-20 | 中国科学院空天信息创新研究院 | 一种植物病株率预测方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699315A (zh) * | 2009-10-23 | 2010-04-28 | 北京农业信息技术研究中心 | 一种作物长势均匀度的监测装置和方法 |
WO2011091278A1 (en) * | 2010-01-22 | 2011-07-28 | Monsanto Technology Llc | Enhancing performance of crops within an area of interest |
CN102523245A (zh) * | 2011-11-10 | 2012-06-27 | 许春香 | 一种农业病虫害与生长状况预测防控物联网及方法 |
CN103034910A (zh) * | 2012-12-03 | 2013-04-10 | 北京农业信息技术研究中心 | 基于多源信息的区域尺度病虫害预测方法 |
CN104089647A (zh) * | 2014-07-01 | 2014-10-08 | 北京农业信息技术研究中心 | 一种作物病害发生范围监测方法及系统 |
-
2018
- 2018-04-27 CN CN201810391602.2A patent/CN108764643B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699315A (zh) * | 2009-10-23 | 2010-04-28 | 北京农业信息技术研究中心 | 一种作物长势均匀度的监测装置和方法 |
WO2011091278A1 (en) * | 2010-01-22 | 2011-07-28 | Monsanto Technology Llc | Enhancing performance of crops within an area of interest |
CN102523245A (zh) * | 2011-11-10 | 2012-06-27 | 许春香 | 一种农业病虫害与生长状况预测防控物联网及方法 |
CN103034910A (zh) * | 2012-12-03 | 2013-04-10 | 北京农业信息技术研究中心 | 基于多源信息的区域尺度病虫害预测方法 |
CN104089647A (zh) * | 2014-07-01 | 2014-10-08 | 北京农业信息技术研究中心 | 一种作物病害发生范围监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108764643A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764643B (zh) | 大范围作物病害风险评估方法 | |
Skakun et al. | Early season large-area winter crop mapping using MODIS NDVI data, growing degree days information and a Gaussian mixture model | |
Kolotii et al. | Comparison of biophysical and satellite predictors for wheat yield forecasting in Ukraine | |
US20150254800A1 (en) | Nitrogen status determination in growing crops | |
WO2014203664A1 (ja) | 収量予測システムおよび収量予測装置 | |
CN111624682B (zh) | 一种基于多源数据融合的定量降水估测方法 | |
Jin et al. | Machine learning for observation bias correction with application to dust storm data assimilation | |
CN113901384A (zh) | 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法 | |
Han et al. | Fuzzy clustering of maize plant-height patterns using time series of UAV remote-sensing images and variety traits | |
CN116910041B (zh) | 一种基于尺度分析的遥感降水产品的逐日订正方法 | |
Zhu et al. | Large-scale field phenotyping using backpack LiDAR and CropQuant-3D to measure structural variation in wheat | |
CN110222870A (zh) | 同化卫星荧光数据与作物生长模型的区域冬小麦估产方法 | |
KR101521576B1 (ko) | K―prism을 이용한 고해상도 기상자료 산출방법 및 이를 이용한 고해상도 기상자료 산출시스템 | |
US20210035034A1 (en) | Crop characteristic prediction system, crop characteristic prediction method, and non-transitory computer-readable storage medium storing crop characteristic prediction program | |
Gaur et al. | Application of physical scaling towards downscaling climate model precipitation data | |
Hernández‐Barrera et al. | Wheat yield in Spain and associated solar radiation patterns | |
Marcari et al. | Agrometeorological models for forecasting yield and quality of sugarcane | |
CN114863369A (zh) | 激光雷达监测玉米倒伏的方法、装置、设备及介质 | |
CN113139347A (zh) | 一种林地旱灾风险预警方法 | |
JP2022538597A (ja) | センサフュージョン | |
CN116485174A (zh) | 一种臭氧污染对作物减产风险评估方法和装置 | |
Shin et al. | High-resolution wind speed forecast system coupling numerical weather prediction and machine learning for agricultural studies—a case study from South Korea | |
CN116559369A (zh) | 基于天空地立体时空碳监测选点与融合碳核查的监测方法 | |
CN113821895B (zh) | 输电线路覆冰厚度预测模型的构建方法、装置及存储介质 | |
Dobbs et al. | Using structure-from-motion to estimate cover crop biomass and characterize canopy structure |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |