CN111199770A - 一种基于病害流行机理的水稻纹枯病病株率预测方法 - Google Patents
一种基于病害流行机理的水稻纹枯病病株率预测方法 Download PDFInfo
- Publication number
- CN111199770A CN111199770A CN202010109590.7A CN202010109590A CN111199770A CN 111199770 A CN111199770 A CN 111199770A CN 202010109590 A CN202010109590 A CN 202010109590A CN 111199770 A CN111199770 A CN 111199770A
- Authority
- CN
- China
- Prior art keywords
- disease
- sheath blight
- rice
- rate
- formula
- 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.)
- Granted
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 134
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 134
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 111
- 235000009566 rice Nutrition 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000007246 mechanism Effects 0.000 title claims abstract description 13
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 122
- 241000196324 Embryophyta Species 0.000 claims abstract description 30
- 208000015181 infectious disease Diseases 0.000 claims description 30
- 230000001105 regulatory effect Effects 0.000 claims description 10
- RVRCFVVLDHTFFA-UHFFFAOYSA-N heptasodium;tungsten;nonatriacontahydrate Chemical compound O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W] RVRCFVVLDHTFFA-UHFFFAOYSA-N 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 5
- 230000002265 prevention Effects 0.000 abstract description 3
- 238000007619 statistical method Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 9
- 230000001580 bacterial effect Effects 0.000 description 5
- 230000003902 lesion Effects 0.000 description 4
- 241000594011 Leuciscus leuciscus Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 241000894006 Bacteria Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000002054 transplantation Methods 0.000 description 2
- 241001530056 Athelia rolfsii Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 102000037983 regulatory factors Human genes 0.000 description 1
- 108091008025 regulatory factors Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Biotechnology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Pretreatment Of Seeds And Plants (AREA)
Abstract
本发明公开了一种基于病害流行机理的水稻纹枯病气象预测方法。目前水稻纹枯病预测的其它方法大多基于统计分析，仅能对病害年际发生情况进行整体预测，普遍无法给出关于病害发生发展过程的动态预测结果。本发明如下：一、建立病株率预测模型。二、确定模型中各调节系数。三、计算水稻纹枯病病株率的最终预测值。本发明以病害发生发展机理为基础，通过将气象数据与病害发生发展动力学方程组耦合构建时空动态的水稻纹枯病预警模型，能够克服传统病害预测经验主导、通用性差、时效性差等问题，为水稻纹枯病科学防控提供技术支撑。
Description
技术领域
本发明属于生物灾害预测技术领域，具体涉及一种基于病害流行机理，以时间连续的气象信息为输入数据的水稻纹枯病病株率预测方法，建立水稻纹枯病气象预测模型，实现了水稻纹枯病时空动态预警。
背景技术
水稻纹枯病是我国水稻中一种常见且多发病害，无论发生频次还是发病面积均占水稻各病害之首。我国近年来由于超级稻，秸秆还田和高产栽培等推广，缺乏高抗品种，纹枯病的发生呈现不断加重的趋势，严重影响水稻的品质和产量。对水稻纹枯病进行有效的早期预警对指导病害科学绿色防控具有重要意义。水稻纹枯病的发生发展过程显著受到气象因素的影响，张竞成等(申请号：201811415231.3)提出了一种基于植保和气象信息结合的水稻纹枯病预测方法，该方法指出利用气象数据能够建立水稻纹枯病预测模型，并能够给出时间连续的病害预测。但该方法以Logistic方程为基础进行建模，缺乏病害流行学机理支持，并且无法对气象因子的短时波动作出响应，因此模型的通用性存在一定局限。此外，目前水稻纹枯病预测的其它方法大多基于统计分析，仅能对病害年际发生情况进行整体预测，普遍无法给出关于病害发生发展过程的动态预测结果，因此难以在精细水平上指导水稻纹枯病的防治。
发明内容
本发明的目的在于提供一种基于病害流行机理的水稻纹枯病病株率预测方法。
本发明的具体步骤如下：
步骤一、建立病株率预测模型如式(1)所示。
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。
病害基本感染率β的表达式如下：
β＝ka×β0×T×W×A+kb 式(2)
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；β0为纹枯病潜在感染率。ka、kb分别为第一缓冲系数、第二缓冲系数。
温度影响因子T的表达式如式3所示。
式(3)中，TEM表示日平均气温。TEMOpt为纹枯病生长的最适温度；5≤δ≤40。
湿度影响因子W的表达式如式(4)所示。
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。
生育期影响因子A如式(5)所示；
A＝t/t总 式(5)
式(5)中，t为水稻移栽后的天数(移栽后的天数DACE：Days after cropestablishment)；t总为预测区间的长度。
步骤二、确定模型中各调节系数
病株率预测模型中，待定的调节系数有ω，μ，ka，kb，kr，δ和τ。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；然后利用穷举法将不同取值下的参数组合代入病株率预测模型，并利用水稻纹枯病数据集计算均方根误差RMSE。均方根误差RMSE的表达式如式(7)所示。
式(7)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。
在各个待定的调节系数的所有排列组合中找出均方根误差RMSE最小的那组待定的调节系数，作为kw，ku，ka，kb，kr，δ和τ的最终取值。
步骤三、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，实际预测时气象数据为天气预报数据，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。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。
作为优选，步骤二中的水稻纹枯病数据集的获取方法如下：
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。
水稻纹枯病数据集S如下：
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。
作为优选，式(2)中，纹枯病潜在感染率β0的取值为0.46。
作为优选，步骤二中还要计算决定系数R2。决定系数R2的计算方法如式(6)所示。
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；ave_observedt为预测区间的长度内病株率观测值的均值。
作为优选，步骤三中，特征修正系数D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。
本发明具有的有益效果是：
1、本发明以病害流行学机理为基础，能够给出水稻生育期内的连续动态预测；
2、本发明以水稻移栽期为预测起点，能够对大范围内的不同地点进行预测，通用性较强。
3、本发明可以利用未来天气预报数据驱动预测模型，时效性良好。
附图说明
图1为本发明的整体结构示意图；
图2为参数δ不同取值下温度影响因子T随温度TEM的变化曲线；
图3为参数τ不同取值下湿度影响因子W随湿度RHU的变化曲线；
图4为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；
图5为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；
图6a为利用2013年道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；
图6b为利用2013年攸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；
图6c为利用2013年湘乡市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；
图6d为利用2013年桂阳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；
图6e为利用2013年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。
具体实施方式
以下结合附图对本发明作进一步说明。
本发明的具体步骤如下：
步骤一：获取数据，构建模型数据集
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。
水稻纹枯病数据集S如下：
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。
步骤二、建立病株率预测模型
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。
病株率预测模型如式(1)所示。
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。
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。
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：
β＝ka×β0×T×W×A+kb 式(2)
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。
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。
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。
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。
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。
移栽期影响因子A如式(5)所示；
A＝t/t总 式(5)
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。
步骤三、确定模型中各调节系数
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<n<10)；然后利用穷举法将不同取值下的参数组合代入病株率预测模型，并利用水稻纹枯病数据集计算决定系数R2和均方根误差RMSE。
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，计算方法如式(6)所示，R2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过回归关系被自变量解释的比例。如R2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。
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。
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。
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。
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。
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。
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'。
为验证本发明的准确性，进行下述实验。
步骤一、获取数据，构建模型数据集
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。
步骤二、SEIR-RICEBLA模型结构及参数确定
①温度影响因子T
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。
②湿度影响因子W
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。
③模型预测起点确定
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。
④历史菌源影响
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。
步骤三、确定模型中各调节系数
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。对应的决定系数R2、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。
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。
Claims (5)
1.一种基于病害流行机理的水稻纹枯病病株率预测方法，其特征在于：步骤一、建立病株率预测模型如式(1)所示；
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；
病害基本感染率β的表达式如下：
β＝ka×β0×T×W×A+kb 式(2)
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；β0为纹枯病潜在感染率；ka、kb分别为第一缓冲系数、第二缓冲系数；
温度影响因子T的表达式如式3所示；
式(3)中，TEM表示日平均气温；TEMOpt为纹枯病生长的最适温度；5≤δ≤40；
湿度影响因子W的表达式如式(4)所示；
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；
生育期影响因子A如式(5)所示；
A＝t/t总 式(5)
式(5)中，t为水稻移栽后的天数；t总为预测区间的长度；
步骤二、确定模型中各调节系数
病株率预测模型中，待定的调节系数有ω，μ，ka，kb，kr，δ和τ；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；然后利用穷举法将不同取值下的参数组合代入病株率预测模型，并利用水稻纹枯病数据集计算均方根误差RMSE；均方根误差RMSE的表达式如式(7)所示；
式(7)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；
在各个待定的调节系数的所有排列组合中找出均方根误差RMSE最小的那组待定的调节系数，作为kw，ku，ka，kb，kr，δ和τ的最终取值；
步骤三、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，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；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。
2.根据权利要求1所述的一种基于病害流行机理的水稻纹枯病病株率预测方法，其特征在于：步骤二中的水稻纹枯病数据集的获取方法如下：
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；
水稻纹枯病数据集S如下：
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。
3.根据权利要求1所述的一种基于病害流行机理的水稻纹枯病病株率预测方法，其特征在于：式(2)中，纹枯病潜在感染率β0的取值为0.46。
4.根据权利要求1所述的一种基于病害流行机理的水稻纹枯病病株率预测方法，其特征在于：步骤二中还要计算决定系数R2；决定系数R2的计算方法如式(6)所示；
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；ave_observedt为预测区间的长度内病株率观测值的均值。
5.根据权利要求1所述的一种基于病害流行机理的水稻纹枯病病株率预测方法，其特征在于：步骤三中，特征修正系数D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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010109590.7A CN111199770B (zh) | 2020-02-22 | 2020-02-22 | 一种基于病害流行机理的水稻纹枯病病株率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010109590.7A CN111199770B (zh) | 2020-02-22 | 2020-02-22 | 一种基于病害流行机理的水稻纹枯病病株率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111199770A true CN111199770A (zh) | 2020-05-26 |
| CN111199770B CN111199770B (zh) | 2022-03-22 |
Family
ID=70746430
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010109590.7A Active CN111199770B (zh) | 2020-02-22 | 2020-02-22 | 一种基于病害流行机理的水稻纹枯病病株率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111199770B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112542212A (zh) * | 2020-11-06 | 2021-03-23 | 湖南农业大学 | 基于双Logistic模型分析水稻分蘖动态的新方法 |
| CN114841459A (zh) * | 2022-05-20 | 2022-08-02 | 杭州电子科技大学 | 一种基于气象和景观信息的水稻纹枯病发病峰值预测方法 |
| CN115936267A (zh) * | 2023-03-10 | 2023-04-07 | 浪潮云洲(山东)工业互联网有限公司 | 一种基于物联网的葡萄病害预测方法及设备 |
| CN116562469A (zh) * | 2023-07-10 | 2023-08-08 | 湖南师范大学 | 一种淡水鱼类病原传播预测方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103548592A (zh) * | 2013-11-01 | 2014-02-05 | 邱玉秀 | 一种划分水稻纹枯病病级方法 |
| US20170135351A1 (en) * | 2014-07-09 | 2017-05-18 | Nobactra Israel Ltd. | Biocontrol of seed-associated diseases in seedlings |
| CN109378031A (zh) * | 2018-11-26 | 2019-02-22 | 杭州电子科技大学 | 一种基于植保和气象信息结合的水稻纹枯病预测方法 |
-
2020
- 2020-02-22 CN CN202010109590.7A patent/CN111199770B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103548592A (zh) * | 2013-11-01 | 2014-02-05 | 邱玉秀 | 一种划分水稻纹枯病病级方法 |
| US20170135351A1 (en) * | 2014-07-09 | 2017-05-18 | Nobactra Israel Ltd. | Biocontrol of seed-associated diseases in seedlings |
| CN109378031A (zh) * | 2018-11-26 | 2019-02-22 | 杭州电子科技大学 | 一种基于植保和气象信息结合的水稻纹枯病预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| XUEXUE ZHANG ET AL.: "Influence of landscape pattern on epidemic of rice sheath blight disease at regional scale", 《2018 7TH INTERNATIONAL CONFERENCE ON AGRO-GEOINFORMATION》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112542212A (zh) * | 2020-11-06 | 2021-03-23 | 湖南农业大学 | 基于双Logistic模型分析水稻分蘖动态的新方法 |
| CN112542212B (zh) * | 2020-11-06 | 2022-07-19 | 湖南农业大学 | 基于双Logistic模型分析水稻分蘖动态的新方法 |
| CN114841459A (zh) * | 2022-05-20 | 2022-08-02 | 杭州电子科技大学 | 一种基于气象和景观信息的水稻纹枯病发病峰值预测方法 |
| CN115936267A (zh) * | 2023-03-10 | 2023-04-07 | 浪潮云洲(山东)工业互联网有限公司 | 一种基于物联网的葡萄病害预测方法及设备 |
| CN116562469A (zh) * | 2023-07-10 | 2023-08-08 | 湖南师范大学 | 一种淡水鱼类病原传播预测方法、装置、设备及存储介质 |
| CN116562469B (zh) * | 2023-07-10 | 2023-09-19 | 湖南师范大学 | 一种淡水鱼类病原传播预测方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111199770B (zh) | 2022-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111199770B (zh) | 一种基于病害流行机理的水稻纹枯病病株率预测方法 | |
| JP6129028B2 (ja) | 建物動力設備のエネルギー消費量予測方法 | |
| CN109615148B (zh) | 一种确定玉米气象产量的方法和系统 | |
| CN114168906B (zh) | 一种基于云计算的测绘地理信息数据采集系统 | |
| CN110794093B (zh) | 一种蒸发过程出料苛性碱浓度测量装置精度补偿方法 | |
| CN110969306B (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
| CN116662784B (zh) | 一种耕地质量监测方法及系统 | |
| CN116090678B (zh) | 一种数据处理方法、装置及设备 | |
| CN109378031A (zh) | 一种基于植保和气象信息结合的水稻纹枯病预测方法 | |
| CN118364975B (zh) | 多源数据驱动混合机理学习模型的小麦产量预测方法 | |
| Shang et al. | Research on intelligent pest prediction of based on improved artificial neural network | |
| CN115310680A (zh) | 一种番茄种苗模型建模与生长预测方法 | |
| CN109615149B (zh) | 一种确定甜菜气象产量的方法和系统 | |
| CN116485035A (zh) | 一种基于自适应整体性能优化的风电功率超短期概率预测方法 | |
| CN110991723A (zh) | 一种人工智能在季节性负荷预测中的应用方法 | |
| CN109858678A (zh) | 一种确定向日葵气象产量的方法和系统 | |
| CN113221436B (zh) | 一种基于改进型rbf神经网络的污水悬浮物浓度软测量方法 | |
| CN115907178A (zh) | 一种净生态系统co2交换量的预测方法 | |
| CN115860396A (zh) | 一种基于土地储备分析模型的智能规划方法 | |
| CN115600760A (zh) | 一种甘蔗区域单产预测方法及系统 | |
| JPH08308108A (ja) | 電力需要量予測方法およびその装置 | |
| CN109840623A (zh) | 一种确定芝麻气象产量的方法和系统 | |
| CN116433107B (zh) | 一种管材产品质量诊断系统 | |
| CN113961624B (zh) | 一种自适应的茶小绿叶蝉高精度预报系统 | |
| CN113902193B (zh) | 一种基于pofp-svm算法的省级月度用电量预测方法 |
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 |