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

计算;推算;计数设备的制造及其应用技术1.本方法属于植被病害预测技术领域，涉及结合病害病理特征、气象信息和遥感景观信息的预测方法，具体涉及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背景技术：2.近年来，受气候变化、栽培方式、生态环境和品种多样化等影响，水稻病害频发，严重影响水稻的产量和品质。传统的水稻病害防治，普遍存在农药滥用等问题，不仅造成农田环境污染，而且容易导致稻谷农残超标，造成较严重的食品安全问题。在水稻植保管理中，对病害进行早期预警，并在早期指导病害防控，是提高防效和控制农药用量的关键。3.随着数学建模、气象传感和卫星遥感技术的更新迭代，水稻病害预测迎来了前所未有的机遇。现有技术中，包括水稻纹枯病在内的多数病虫害预测主要依赖专家经验或仅基于气象因素、遥感因素等单一条件进行预测。这些预测方法的缺点是主观性较强，或预测模型因子单一且未充分考虑人类活动及景观格局变化对于病害流行的影响，人类对土地利用方式以及作物种植模式的调整，包括对农田景观进行开垦、分割或改造所导致的农田景观的改变，能够通过遥感数据提取地表覆盖类型，观测寄主作物分布变化，为病害流行提供景观格局分析的空间信息。因此，结合气象因素及遥感因素在病害预测领域具有很大的潜力。技术实现要素：4.针对现有技术的不足，本发明提出了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，综合运用气象因素及遥感景观信息，在未发病时期或发病初期，对病害发病峰值进行预测，为后期病害的防控力度、防控工作提供重要依据。5.一种基于气象和景观信息的水稻纹枯病发病峰值预测方法，具体包括以下步骤：6.步骤一、采集过往病害实际发生峰值数据，以及对应的气象数据和地表覆盖类型遥感数据，构建数据集。7.s1.1、在被测稻区内采集过往数年内每块采样稻田在生育期的水稻纹枯病病株率的发生峰值p。8.s1.2、采集过往数年内每块采样稻田的日平均气温、日平均降水量，根据s1.1得到的峰值p，构建植保-气象关联数据集。9.s1.3、采集过往数年内被测稻区所在位置的移栽期物候数据与土地覆盖类型数据，根据s1.1得到的峰值p，建立植保-物候数据集与植保-景观数据集。10.步骤二、根据步骤一采集的植保-气象关联数据集，提取水稻不同生育期内的活动积温、降水量、雨日数，作为关键气象因子。11.步骤三、根据步骤一采集的植保-景观数据集，提取被测稻区所在位置的景观指数斑块密度pd、最大斑块指数lpi、边界密度ed、景观形状指数lsi、聚集度指数c、平均斑块面积mps、斑块面积标准差pssd、斑块面积变异系数pscv、斑块丰富度谜底prd、多样性指数h、类别比例pland、平均斑块分维数frac、聚集指数ai和丛生指数clumpy，作为关键景观因子。12.步骤四、利用相关性分析方法，对步骤二、三提取的关键气象因子、关键景观因子进行选择。13.s4.1、对水稻纹枯病的发生峰值与生育期内关键气象因子进行相关性分析，提取显著相关的气象因子。14.s4.2、对水稻纹枯病的发生峰值与被测稻区所在位置的关键景观因子进行相关性分析，提取显著相关的景观因子。15.步骤五、根据步骤四提取到的显著相关的气象因子和景观因子，以及被测稻区的历史发病情况，利用偏最小二乘回归法建立历史水稻纹枯病发生峰值与气象、景观因素的关系，得到水稻纹枯病发病峰值预测模型。16.步骤六、计算待预测区域的关键气象因子与关键景观因子，输入步骤五得到的预测模型中，得到该区域的水稻纹枯病发病峰值预测值。17.本发明具有以下有益效果：18.本方法能够根据过往水稻生育期内的气象条件以及的景观特征信息，对预测地区的水稻纹枯病当年发病的峰值进行预测。在水稻纹枯病还未发病或发病初始阶段就能够预测未来发病峰值，能够为后续稻田的防控强度等行为提供指导。附图说明19.图1为实施例中被测稻区的水稻纹枯病实际发生峰值与预测结果散点对比图。20.图2为实施例中被测稻区在2013年的水稻纹枯病实际发生峰值与预测结果对比图。具体实施方式21.以下结合附图对本发明作进一步的解释说明。22.一种基于气象和景观信息的水稻纹枯病发病峰值预测方法，具体包括以下步骤：23.步骤一、采集过往病害实际发生峰值数据，以及对应的气象数据和地表覆盖类型遥感数据，构建数据集。24.s1.1、在被测稻区内选取n块采样稻田，根据国家农业行业标准(gb/t 15791-1995)“水稻纹枯病测报调查规范”，以5天为周期，在每年的6月30日-9月30日，对过往5年以上n块采样稻田生育期内的水稻纹枯病病株率进行采样，并记录测报时间、观测点地理信息、稻作类型和病株率等信息。然后根据采集数据对水稻纹枯病在生育期内的发病峰值p进行统计。25.s1.2、根据n块采样稻田的地理位置信息，通过国家气象科学数据中心空间分辨率为0.5°×0.5°的气温、降水格网日值产品，采集过往5年以上每块采样稻田的日平均气温和日平均降水量，根据s1.1得到的峰值p，构建植保-气象关联数据集。26.s1.3、以被测稻区所在县界为边界，利用modis系列的mcd12q1数据产品、基于全球陆地表面特征参量(glass)叶面积指数产品生产的中国水稻高分辨率物候数据集chinacropphen1km，提取过往5年以上被测稻区所在县市的物候、土地覆盖类型数据，根据s1.1得到的峰值p，建立植保-物候数据集与植保-景观数据集。27.步骤二、气象因素在水稻不同生育期内对病害发生发展会起到不同程度的影响，因此需确定气象因子作用的关键生育期时间。水稻在完成秧苗移栽后，主要分为幼苗期、分蘖期、拔节期、孕穗期和抽穗期等，而水稻纹枯病通常在分蘖期出现发病症状，于孕穗期至抽穗期达到病害发生最大值。因此，本实施例选取水稻移栽后到孕穗期之间的关键生育期，包括水稻分蘖前期(0-15天)、分蘖后期(15-30天)、分蘖期(0-30天)、拔节期(30-45天)、分蘖后期至拔节期(15-45天)，进行关键气象因子的提取。所述关键气象因子包括活动积温、降雨量以及雨日数。28.活动积温aa(active accumulated temperature)是指某个指定的时间段内，超过作物生物学下限温度的日平均气温总和，在植物机理中具有生物学意义，用于描述作物或作物病害生育期内发展情况：[0029][0030]s.t.temd∈[temlow，temhigh][0031]其中，dstart为生育期起始日期，dend是生育期结束日期，temd是第d日的平均气温，temlow为病害的发病温度下限，temhigh为病害发病温度上限。[0032]雨日数rd和降雨量pre是两个与水分高度相关的关键气象因子：[0033][0034][0035]s.t.d》0[0036]其中，pred是第d日的降水量，rdd为d日内的降水雨日数。[0037]步骤三、根据步骤一采集的植保-景观数据集，采用景观空间格局定量分析软件fragstats，通过计算景观指数来进行斑块类型水平、景观水平的空间景观格局分析，以得到被测稻区在采样年份的景观指数，作为关键景观因子。具体如下：[0038](1)斑块密度pd[0039][0040]式中，n为景观中类型斑块数，a为斑块总面积。其取值范围为pd》0，无上限。pd作为描述景观破碎化的重要指标，pd越大，说明景观破碎化程度越高。[0041](2)最大斑块指数lpi[0042][0043]其中，ak为景观内第k个斑块的面积，a为景观总面积。其取值范围为0＜lpi≤100。lpi表征了景观内最大斑块在整个景观或某一类型中所占的比例。[0044](3)边界密度ed[0045][0046]其中，e为景观中斑块边界总长度，单位为米。ed≥0，无上限。[0047](4)景观形状指数lsi[0048][0049]当斑块形状不规整或者偏离正方形时，景观形状指数lsi将会增大。[0050](5)聚集度指数c[0051][0052]式中，cmax是聚集度指数的最大值2ln(n)。n为景观中的斑块类型总数，pij为斑块类型i与j之间相邻的概率。在栅格型数字化景观格局中，pij的计算方式如下：[0053]pij＝pipj/iꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(9)[0054]其中，pi为随机抽选的栅格像素值属于斑块类型i的概率，该概率也可以使用斑块类型i占整个景观的面积的比例来进行估算。而pj/i为当斑块类型为i时，斑块类型j与i相邻的条件概率，pj/i的计算方式如下：[0055]pj/i＝mij/miꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(10)[0056]其中，mij为景观格局中斑块i和j相邻的栅格边数，mi是斑块类型i的栅格的总边数。[0057]聚集度指数c对不同类型景观之间进行聚集程度的定量反馈。若景观内离散斑块较多，聚集度指数c的值较小，反之则较大。聚集度指数体现斑块类型之间的相邻关系，反映景观空间配置特征。[0058](6)斑块面积[0059]1)平均斑块面积mps[0060][0061]mps＞0。[0062]2)斑块面积标准差pssd[0063][0064]式中，ak为第k个斑块的面积，pssd≥0，无上限。当所有斑块的大小一致，或者只有一个斑块时，pssd＝0。[0065]3)斑块面积变异系数pscv[0066][0067]pscv≥0，无上限。[0068](7)斑块丰富度密度prd[0069][0070]式中，prd＞0，无上限。[0071](8)多样性指数h[0072]多样性指数h用来度量系统结构组成复杂程度，常见的多样性指数有shannon多样性指数和simpson多样性指数。[0073]1)shannon多样性指数[0074][0075]式中，pk为k类型斑块出现的概率，一般采用k类型占有的栅格或像元数占整体景观栅格或像元总数的比例来进行估算。[0076]2)simpson多样性指数[0077][0078]多样性指数受到两个方面信息的影响：其一是景观格局中斑块类型的丰富度；其二是不同斑块类型面积在分布上的均匀程度。而对于n给定的情况下，当各个斑块的面积比例也相同时，即pk＝1/n，多样性指数将会达到最大值。通常来说，当h增大时，在一定程度上能够说明当前景观结构组成的复杂性也在增加。[0079](9)类别比例pland[0080][0081]式中，r为目标类型的斑块数量，at为该类型下第t个斑块的面积。0＜pland≤100。i类型的斑块在景观中越少，pland约接近于0；当整个景观由单个斑块类型组成时，pland为100。类别比例pland量化了各斑块类型在景观中的比例丰度，是重要的景观组成指标，并且其为相对测度，适合作为不同大小景观格局比较的景观指标。[0082](10)平均斑块分维数frac[0083][0084]式中，dit是斑块类型i的第t个斑块的周长。一般来说，1《frac《2，其能够对景观或斑块类型的形状的复杂程度进行度量，形状越复杂，分维数越趋近于2，反之，形状越简单，越趋近于1。[0085](11)聚集指数ai[0086][0087]式中，g为某类型斑块下相邻栅格数量，gmax该类型下所有栅格最大程度能够达到的相邻栅格数量。ai的取值范围为0≤ai≤100。ai中每个栅格边相邻至多计入一次，反映斑块内部的聚集程度，不受斑块边界与其他斑块之间连接的影响。[0088](12)丛生指数clumpy[0089][0090]则为某类型下所有斑块的栅格数量。clumpy能够反映不同类型的斑块在景观上并排并聚集的频率。其取值范围为-1≤clumpy≤1。斑块之间越分散，clumpy趋于-1；反之，斑块之间越聚集，clumpy趋于1。[0091]步骤四、将步骤二、三提取的关键气象因子、关键景观因子作为自变量，水稻纹枯病峰值作为因变量，计算两者之间的pearson相关系数r，分析不同因子与水稻纹枯病发病峰值间的相关性。pearson相关系数的计算方法为：[0092][0093]其中，b为自变量的数量，xa为第a个自变量，y为因变量，cov(xa,y)是变量xa、y间的协方差，var[xa]为xa的方差，var[y]为y的方差。r的区间为[-1,1]，当r≠0时，说明变量之间具有相关性，r＞0则说明二者之间为负相关，r＜0在说明二者之间为正相关。|r|越趋近1，相关性越强。若r＝0，则两者之间不存在相关性。[0094]s4.1、首先对水稻纹枯病的发生峰值与生育期内关键气象因子进行相关性分析，结果如表1所示：[0095][0096]表1[0097]其中，*p《0.05；**p《0.01；***p《0.001。根据表1可知，分蘖前期的降水量与纹枯病发病峰值呈显著正相关关系，r＝0.457，p《0.001，因此选择该关键气象因子作为显著相关的气象因子。[0098]s4.2、然后对水稻纹枯病的发生峰值与被测稻区所在位置的关键景观因子进行相关性分析，结果如表2所示：[0099][0100][0101]表2[0102]根据表2可知，在景观水平中，峰值与景观形状指数lsi、板块丰富度密度prd这指数分别与水稻纹枯病发病峰值具有较显著负相关、显著正相关关系；斑块类型水平中，有4个与水稻纹枯病发病峰值有较为显著相关关系的景观指数，分别为最大斑块指数lpi、形状指数lsi、平均斑块面积mps、斑块面积标准差pssd。因此选择上述6个关键景观因子作为显著相关的景观因子。[0103]步骤五、为了体现当地菌源量特征，本实施例还对历史植保数据进行峰值提取，计算了被测稻区历年峰值的平均值，作为历史菌源水平的表征，与步骤四提取到的显著相关的气象因子和景观因子一同，利用偏最小二乘回归法建立历史水稻纹枯病发生峰值与气象、景观因素的关系，得到水稻纹枯病发病峰值预测模型，模型系数如表3所示：[0104][0105]表3[0106]步骤六、计算待预测区域的关键气象因子与关键景观因子，输入步骤五得到的预测模型中，得到该区域的水稻纹枯病发病峰值预测值，与实际峰值的对比如图1所示，可以看到被测区域的水稻纹枯病病株率实际峰值与预测峰值呈现出较强的线性关系，预测准确率达到85％。以2013年为例，如图2所示，模型的预测效果良好，能够通过水稻生育期早期气象条件、当地景观格局特征等信息对被测区域的水稻稻田当年发病峰值进行较好的预测，说明本方法是切实有效的。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!