基于PSO-SVR模型的小麦赤霉病病穗率预测方法.pdf

麦类作物学报 2 0 2 3,4 3(1 1):1 4 3 4-1 4 4 5J o u r n a l o fT r i t i c e a eC r o p sd o i:1 0.7 6 0 6/j.i s s n.1 0 0 9-1 0 4 1.2 0 2 3.1 1.0 8网络出版时间:2 0 2 3-0 7-1 1网络出版地址:h t t p s:/k n s.c n k i.n e t/k c m s 2/d e t a i l/6 1.1 3 5 9.S.2 0 2 3 0 7 1 1.1 3 4 2.0 2 0.h t m l基于P S O-S V R模型的小麦赤霉病病穗率预测方法收稿日期:2 0 2 2-1 0-1 8 修回日期:2 0 2 2-1 2-1 2基金项目:安徽省气象局研究型业务科技攻关项目(Y J G 2 0 2 1 0 3);安徽省科技重大专项(2 0 2 0 0 3 a 0 6 0 2 0 0 1 0);滁州市气象科研项目(C Z Q X KY 2 0 2 0 0 3)第一作者E-m a i l:y u l i n g h u a 1 0 51 6 3.c o m通讯作者:岳 伟(E-m a l l:y u e w e i 9 2 51 6 3.c o m)郁凌华1,邢 程1,荀 静1,缪新伟2,王 军3,曹文昕4,岳 伟5(1.安徽省滁州市气象局,安徽滁州2 3 9 0 0 0;2.安徽省滁州市农业农村技术推广中心,安徽滁州2 3 9 0 0 0;3.安徽省滁州市南谯区农业农村技术推广中心,安徽滁州2 3 9 0 0 0;4.安徽省农业科学院作物研究所,安徽合肥2 3 0 0 3 1;5.安徽省农业气象中心,安徽合肥2 3 0 0 3 1)摘 要:为探寻小麦赤霉病病穗率预测方法,基于滁州市2 0 0 5-2 0 2 0年小麦赤霉病病穗率资料和对应气象资料,运用相关性及灰色关联分析法(G R A)确定小麦赤霉病主要气象影响因子并作为支持向量回归(S V R)模型的输入向量,再利用粒子群算法(P S O)优化S V R模型的惩罚因子C和核函数参数g,建立基于粒子群算法优化的小麦赤霉病预测支持向量回归模型。同时针对本地不同小麦品种,构建P S O-S V R-S OUTH和P S O-S V R-NO R TH的P S O-S V R分模型,应用3种模型对滁州地区小麦赤霉病病穗率进行预测。结果表明,拔节期至灌浆期是影响滁州小麦赤霉病的重要时段,各生育时期内降水量、雨日数、湿度、日照等气象因子与赤霉病有高关联;P S O-S V R赤霉病病穗率预测模型的起报时间越接近灌浆期,其预测精度越高,测试样本的预测值与实测值相关系数最高达0.6 8,均方根误差最小为9.5 5%;按照不同小麦品种构建的P S O-S V R-S OUTH和P S O-S V R-NO R TH模型的预测效果要优于原P S O-S V R模型,其中最迟起报时间的P S O-S V R-S OUTH和P S O-S V R-NO R TH模型的平均绝对误差分别较原P S O-S V R模型减少了6 3.7%和2 0.8%,均方根误差RM S E较原有模型分别降低了6 1.6%和4 0.6%,相关系数分别提高了3 8.2%和2 9.4%,拟合优度R2则分别提高了1.4倍和1.1倍。该模型业务服务效果较好,可用于本地小麦赤霉病预测。关键词:灰色关联分析;粒子群算法;支持向量回归;气象;小麦赤霉病;病穗率中图分类号:S 4 3 1 文献标识码:A 文章编号:1 0 0 9-1 0 4 1(2 0 2 3)1 1-1 4 3 4-1 2P r e d i c t i o nM e t h o do fD i s e a s e dS p i k eR a t eo fW h e a tS c a bB a s e do nP S O-S V R M o d e lY UL i n g h u a1,X I N GC h e n g1,X U NJ i n g1,M I A OX i n w e i2,WA N GJ u n3,C A O W e n x i n4,Y U EW e i5(1.C h u z h o uM e t e o r o l o g i c a lB u r e a u,C h u z h o u,A n h u i 2 3 9 0 0 0,C h i n a;2.C h u z h o uP l a n tP r o j e c t i o na n dQ u a r a n t i n eB u r e a u,C h u z h o u,A n h u i 2 3 9 0 0 0,C h i n a;3.N a n q i a oP l a n tP r o j e c t i o na n dQ u a r a n t i n eB u r e a u,C h u z h o u,A n h u i 2 3 9 0 0 0,C h i n a;4.C r o pR e s e a r c hI n s t i t u t e,A n h u iA c a d e m yo fA g r i c u l t u r a lS c i e n c e s,H e f e i,A n h u i 2 3 0 0 3 1,C h i n a;5.A n h u iA g r i c u l t u r a lM e t e o r o l o g i c a lC e n t e r,H e f e i,A n h u i 2 3 0 0 3 1,C h i n a)A b s t r a c t:I no r d e r t oe x p l o r e t h ep r e d i c t i o nm e t h o do fd i s e a s e ds p i k er a t eo fw h e a t s c a b,t h em a i nm e-t e o r o l o g i c a l f a c t o r sw e r es e l e c t e da s t h e i n p u t f e a t u r ev e c t o r so f t h es u p p o r tv e c t o rr e g r e s s i o n(S V R)m o d e lb yc o r r e l a t i o na n dg r e yr e l a t i o na n a l y s i s(G R A)u s i n gt h ed a t ao fd i s e a s e ds p i k er a t eo fw h e a ts c a ba n dc o r r e s p o n d i n gm e t e o r o l o g i c a l d a t a i nC h u z h o uf r o m2 0 0 5t o2 0 2 0.T h ep a r t i c l es w a r mo p t i-m i z a t i o n(P S O)a l g o r i t h mw a su s e d t oo p t i m i z e t h ep e n a l t y f a c t o rCa n d t h ek e r n e l f u n c t i o np a r a m e t e rgo f S V R.T h ep r e d i c t i o nm o d e l o fw h e a t s c a bw a s e s t a b l i s h e db a s e do nP S O-S V R.A t t h e s a m e t i m e,P S O-S V Rs u b-m o d e l ss u c ha sP S O-S V R-S OUTHa n dP S O-S V R-NO R TH w e r ec o n s t r u c t e da c c o r d-i n gt od i f f e r e n t l o c a lw h e a tv a r i e t i e s.T h r e em o d e l sw e r ea p p l i e dt op r e d i c t t h ed i s e a s e ds p i k er a t eo fw h e a ts c a b i nC h u z h o u.T h e r e s u l t s s h o w e d t h a t:j o i n t i n g t og r o u t i n gp e r i o dw a s t h e i m p o r t a n t p e r i o da f f e c t i n gw h e a t s c a bi nC h u z h o u.T h em e t e o r o l o g i c a l f a c t o r s,s u c ha sp r e c i p i t a t i o n,r a i n yd a y s,h u-m i d i t y,s u n s h i n ee t c.i ne a c hd e v e l o p m e n tp e r i o dw e r eh i g h l ya s s o c i a t e dw i t hw h e a t s c a b.T h ep r e d i c-t i o nm o d e l o fd i s e a s e ds p i k er a t eo fw h e a ts c a bb a s e do nP S O-S V Ri n i t i a l i z e da td i f f e r e n tt i m ew a sc o n s t r u c t e d.T h eh i g h e r a c c u r a c yo fP S O-S V Rm o d e l a p p e a r e dw h e n t h e i n i t i a l t i m eo fP S O-S V Rw a sc l o s et og r a i n-f i l l i n gs t a g e.T h em a x i m u mc o r r e l a t i o nc o e f f i c i e n tb e t w e e nt h ep r e d i c t e dv a l u ea n dt h ea c t u a l v a l u eo f t h e t e s t s a m p l e i s0.6 8,a n dt h em i n i m u mr o o tm e a ns q u a r ee r r o r i s9.5 5%.T h ep r e-d i c t i o ne f f e c t o fP S O-S V R-S OUTHa n dP S O-S V R-NO R TH m o d e l s a c c o r d i n g t od i f f e r e n tw h e a t v a r i-e t i e sw e r eb e t t e rt h a nt h a to ft h eo r i g i n a lP S O-S V R m o d e l.C o m p a r e dw i t ht h eo r i g i n a lm o d e l,t h em e a na b s o l u t ee r r o ro fP S O-S V R-S OUTHa n dP S O-S V R-NO R TH m o d e l sw i t ht h e l a t e s t i n i t i a l t i m ew e r er e d u c e db y6 3.7%a n d2 0.8%,r e s p e c t i v e l y;t h e r o o tm e a ns q u a r ee r r o rw e r e r e d u c e db y6 1.6%a n d4 0.6%;t h ec o r r e l a t i o nc o e f f i c i e n t sw e r e i n c r e a s e db y3 8.2%a n d2 9.4%,a n d t h eg o o d n e s so f f i tR2w e r e i n c r e a s e db y1.4t i m e s a n d1.1t i m e s.T h em o d e l i sg o o d f o ro p e r a t i o n a l s e r v i c e,w h i c hc a nb eu s e dt op r e d i c t t h eo c c u r r e n c e t r e n do fw h e a t s c a b i nC h u z h o u.K e y w o r d s:G R A;P S O;S V R;M e t e o r o l o g y;Wh e a t s c a b;D i s e a s e ds p i k er a t e 小麦赤霉病又称红头瘴、烂麦头1,病部表现为粉红色霉层。赤霉病爆发时,一般年份小麦减产1 0%3 0%,重发年份减产可达7 0%8 0%,甚至颗粒无收2。赤霉病不仅会造成小麦严重减产,而且产生的真菌毒素会引起人畜中毒,威胁人和动物健康3。赤霉病在我国东北春麦区至华南冬麦区均有发生,其中以长江中下游地区流行频率最高4。2 0 0 0年以来,我国小麦赤霉病的流行频率和发病面积呈不断增加和扩大的趋势5,其中2 0 0 3、2 0 1 0和2 0 1 2年赤霉病在江淮麦区大流行,其中2 0 1 2年长江中下游江淮麦区发病面积高达9.2 71 06h m2。因此,准确预测赤霉病发生趋势,对提前做好防治准备工作、科学用药,保障粮食安全具有重要意义。小麦赤霉病是一种典型的“气候型”病害6,其发生除受菌源数量、植株抗性、寄主生育时期、轮作制度等因素影响外,病菌生长、发育、繁殖、侵染和流行均与气象要素密切相关。研究表明,在小麦赤霉病发生关键期,赤霉病的发生与花期气象条件关系密切,年际间的波动取决于该时期气象条件的变化情况7。冬季高温可增加赤霉病发病严重程度的可能性8。3月份降水较多时赤霉病菌子囊壳易形成,会为赤霉病流行创造有利条件9。5月上中旬的降水有利于小麦赤霉病显症2。由此可以看出,小麦各生育时期的气象条件对赤霉病的发生流行均可产生影响。围绕赤霉病预测预报,国内外学者开展了相关研究。如,M o s c h i n iRC1 0、H o o k e rDC1 1、J a m e sW1 2均利用开花期前后一段时期内的温度、湿度、降水量等气象因子分别建立阿根廷、加拿大、英国等国家和地区的小麦赤霉病预测模型。在我国,陈莹等1 3采用综合预测、相似年分析、网络会商等多种预测模型对安徽省小麦赤霉病进行预测评估;吴亚琴1 4建立了含有气象因子交叉项的中国中部地区小麦赤霉病逐步回归模型;岳伟1 5主要考虑降水日数和降水强度对赤霉病的影响,建立了基于综合降水指数的安徽中南部小麦赤霉病气象等级预报模型。随着人工智能的快速发展,机器学习在预测模型中被广泛应用,如神经网络1 6、随机森林1 7以及 支 持 向 量 机1 8等。支 持 向 量 机(s u p p o r tv e c t o rm a c h i n e,S VM)是基于统计学习理论的机器学习算法,具有严格的数学逻辑,能够较好地解决小型数据样本、高维度、非线性的问题,学习与泛化能力强,即使在样本数量有限的情况下,也能在理论上取得最优的预测结果,在面对神经网络难以越过的局部最优问题时,S VM可以提供更精准的最优解。目前,该算法在作物病虫害预报中被广泛应用。如,张晴晴1 9和刘诚2 0利用S VM算法分别对麦蚜虫害和小麦条锈病的发病率进行预测,效果优秀;吴彦衡2 1采用网格搜索法构建了基于S VM的安徽省小麦赤霉病受灾程度的预测模型。将S VM推广到回归问题可得到支持向量回归S V R2 2。滁州地处江淮之间,常年小麦种植面积3 4万h m2左右,种植制度以稻茬麦和旱地麦为主。随5341第1 1期郁凌华等:基于P S O-S V R模型的小麦赤霉病病穗率预测方法着气候变暖、麦田秸秆还田量逐年增多,小麦赤霉病呈连年重发趋势,开展本地赤霉病预测方法研究很有必要。由于地区气候差异,生产方式不同,对于赤霉病关键气象因子、关键期的选择应该是因地而异,同时作物品种差异性也会影响赤霉病发生程度2 3。本研究以气象因子和病害数据为基础,构建本地小麦赤霉病病穗率预测S V R模型,并利用粒子群算法优化提升模型参数寻优能力,提高模型精度,同时考虑本地小麦品种差异,构建分品种的P S O-S V R赤霉病预测分模型,进一步增强本地小麦赤霉病预测能力,为政府和农业部门防控赤霉病决策调度提供重要依据。1 材料与方法1.1 数据资料研究区域包括滁州市辖南谯区以及来安县、全椒县、天长市、定远县、凤阳县、明光市共7个区县(图1)。小麦赤霉病资料来源于滁州市农业农村局,主要包括以上7个县区上报的2 0 0 5-2 0 2 0年该地小麦赤霉病病穗率、病情指数等资料,一般在每年的5月下旬统计。对应气象资料来源于滁州市气象局,主要包括7个区县国家气象站点的历年逐日平均气温()、日照时数(h)、相对湿度(%)、平均风速(ms-1)、降水量(mm)等。因南谯区无国家气象站点,其气象资料取自滁州市国家基本气象站。1.2 研究方法1.2.1 灰色关联分析(G R A)灰 色 关 联 分 析(g r e y r e l a t i o n a n a l y s i s,G R A)2 4是灰色系统理论中的一种重要的分析方法,可弥补传统数理统计方法中系统分析所导致的缺陷。其不受样本量多少和有无规律的限制,且该方法计算量小,由灰色关联分析得到的关联度,可以量化系统特征行为序列与各相关因素行为序列的关联程度大小。一般情况下,当两个要素的关联度低于0.3时,表示两个要素属于低关联;当关联度在0.30.6之间时,表示两个要素之间耦合作用中等;当关联度在0.60.8之间时,表示两个要素之间耦合作用较强;当关联度在0.8以上时,表示两个要素之间耦合作用极强。具体计算步骤如下。(1)确定母序列和因素序列设母序列为x0(t),共有m个数据,即x0(t)=x0(1),x0(2),x0(m),t=1,2,m;特征序 列 为xi(t),有n个 子 序 列,即xi(t)=xi(1),xi(2),xi(m),i=1,2,n。(2)数据标准化处理因数据间量纲和大小的差异,需要对原始数据进行变换。本研究采用均值化方法对数据进行标准化处理,即先分别求出各序列的平均值和标准差,再将原始数据减去平均值后除以标准差,得到的新序列即为标准化序列。图1滁州市气象站点分布图F i g.1 D i s t r i b u t i o no fm e t e o r o l o g i c a l s t a t i o n s i nC h u z h o u6341麦 类 作 物 学 报 第4 3卷 (3)求关联系数和关联度计算关联系数x0(t),xi(t)=m i nim i ntx0(t)-xi(t)+m a xim a xtx0(t)-xi(t)x0(t)-xi(t)+m a xim a xtx0(t)-xi(t)(1)式中,m i nim i ntx0(t)-xi(t)和m a xim a xtx0(t)-xi(t)分别为极差最小值和极差最大值;为分辨率,一般取值为0.5。计算关联度ri=1nni=1ix0(t),xi(t)(2)式中,ri为母序列与因子序列的关联度,ix0t ,xi(t)为母序列与因 子序列的关 联系数,n为比较序列的数据个数。1.2.2 支持向量回归(S V R)已知训练样本集T=(x1,y1),(x2,y2),(xi,yi),(xn,yn),其中xi为输入特征向量,yi为输出向量,S V R是将低维输入空间数据通过非线性映射算法转化到高维特征空间(x),进而在特征空间中拟合回归函数f(x)=w(x)+b(3)式中w为权向量;b为偏置常数。对于任意0有|yi-f(x)|,f(x)为训练样本集T的-线性回归,此时认为模型预测值正确,则S V R问题可描述为m i nw,b12w2+Cni=1lyi,f xi (4)式中12w2为正则化项;C为惩罚因子;l为-不敏感损失函数。引入松弛变量i和i,则有优化问题m i nw,b,i,i12w2+Cni=1li,i (5)st yi-f(xi)-b+if(xi)+b-yi+ii0,i0,i=1,2,3,n对公式5做拉格朗日函数得到对偶问题m a x,-12 ni=1,j=1i-i j-j K xi,xj -ni=1i+i +ni=1yii-i (6)stni=1i-i =00iC,0iC,i=1,2,3,n式中i,i为拉格朗日乘子;K xi,xj 为核函数。由此可得回归预测值f x =ni=1(i-i)K xi,xj +b(7)这里选 择 具 有 较 强 泛 化 性 的 高 斯 径 向 基R B F作为核函数2 5-2 6。在MA T L A B中,S V R主要的函数l i b s v m t r a i n调用格式为m o d e l=l i b s v m t r a i n(o u t p u t_t r a i n,i n p u t_t r a i n,c m d)。其中,c m d表示选项参数,主要指惩罚因子C和核参数g,它们的选择直接影响模型预测结果的准确度2 7。惩罚因子C值若选取过大,会造成过拟合,致使预测模型的泛化性能降低;若此值太小将加大模型对误差的容忍程度,容易出现欠拟合现象。核函数参数g值若太大,会使支持向量间的影响过强,造成算法精度降低;若此值太小,则支持向量间的联系较松弛,导致模型泛化性能变差。为提高预测精度,采用粒子群算法(P S O)对S V R模型进行参数寻优。1.2.3 粒子群算法(P S O)粒子 群 算 法(p a r t i c l es w a r m o p t i m i z a t i o n,P S O)2 8的基本思想是在可解空间中初始化一群粒子,用适应度、位置和速度来表示该粒子的特征,其适应度值由适应度函数计算得到,其值表示粒子的优劣。具体算法:假设在搜索空间D中,由n个粒子组成的种群X=(x1,x2,xn),其中第i个粒子表示一个d维向量Xi d=(xi1,xi2,xi d),代表第i个粒子在d维搜索空间的位置,根据目标函数即可计算出每个粒子位置Xi对应的适应度值。设第i个粒子的速度Vi d=(vi1,vi2,vi d),其 个 体 极 值Pi d,p b e s t=(pi1,pi2,pi d),种 族 全 局 极 值Pd,g b e s t=(p1,g b e s t,p2,g b e s t,pd,g b e s t)。算法步骤如下:(1)初始化所有粒子,即给它们的速度和位置赋值;(2)计算各个粒子的适应度函数值,将初始适应值作为各个粒子个体最优解并寻找全局最优解;(3)对每个粒子i的第d维的速度和位置分别按照公式8和公式9进行更新。进行粒子适应7341第1 1期郁凌华等:基于P S O-S V R模型的小麦赤霉病病穗率预测方法度评价,找出粒子最优位置向量。vk+1i d=vki d+c1r a n d(1)Pki d,p b e s t-Xki d +c2r a n d(2)Pkd,gb e s t-Xki d (8)Xk+1i d=Xki d+vk+1i d(9)式中,vki d为第i个粒子在k时刻的速度;为惯性因子;c1r a n d(1)Pki d,p b e s t-Xki d 为第i个粒子在k时刻的当前位置与其历史最好位置(个体极值)间的距离;c2r a n d(2)Pkd,gb e s t-Xki d 为第i个粒子在k时刻的当前位置与历史最好位置(全局极值)间的距离;c1和c2为学习因子;r a n d(1)和r a n d(2)为0,1 的两个随机数;Xk+1i d为第i个粒子在k+1时刻的位置。(4)判断是否找出全局最优解,满足结束任务,否则继续执行。1.3 模型构建及验证方法通过对气象因子与小麦赤霉病病穗率的相关性和灰色关联分析,筛选相关显著和关联度较强的气象因子作为自变量,以不同起报时间的小麦赤霉病病穗率为因变量,利用P S O的全局寻优功能获取参数C和g最优解,构建滁州地区小麦赤霉病P S O-S V R预测模型(图2)。在本研究1 1 2组样本数据中,选择9 2组作为训练样本用于构建模型,剩余的2 0组数据作为测试样本用于评估模型预测效果。所有训练集和测试集样本数据均作归一处理。P S O算法参数设定粒子群算法最大进化代数为1 0 0,种群数目2 0,惩罚因子C0.1,1 0 0,核函数参数g0.0 1,1 0 0,局部搜索能力c1=1.5,全局搜索能力c2=1.7,对训练样本进行5折交叉验证,种群2 0个粒子的位置和速度初始化。初始化的粒子位置向量(C,g)输入S V R后建模,将预测结果的均方误差作为对应粒子的适应度。比较2 0个粒子的适应度,以适应度最小为最优,得到当前群体的最优位置。迭代更新种群适应度,获得最优S V R参数(C和g)。将样本数据输入S V R,最优S V R参数(C和g)赋 值 于S V R,建 立 滁 州 小 麦 赤 霉 病P S O-S V R预测模型。采用平均绝对误差MA E、均方误差M S E、均方根误差R M S E等统计量对模型预测效果进行评价。MA E=1nni=1f xi -yi(1 0)M S E=1nni=1f xi -yi 2(1 1)RM S E=1nni=1f xi -yi 2(1 2)式中,f xi 为预测值,yi为实测值。图2 小麦赤霉病P S O-S V R预测模型流程图F i g.2 F l o wc h a r t o fP S O-S V Rp r e d i c t i o nm o d e l f o rw h e a t s c a b8341麦 类 作 物 学 报 第4 3卷2 结果与分析2.1 气象因子选取小麦越冬期到灌浆期内的气象条件对赤霉病的发生发展均可产生影响4,7-9,1 5,2 9。结合李刚华3 0对江淮分水岭小麦发育进程划分和滁州市气象局作物发育期历史观测资料,确定小麦越冬期为1 2月至次年2月,拔节至孕穗期为3月上旬至4月上旬,抽穗扬花期为4月中下旬,灌浆期为5月上中旬。根据相关研究1 7,确定影响小麦赤霉病气象因子为温度、湿度、降水、光照和风。不同生育时期气象要素见表1。表1 小麦各生育时期影响赤霉病的主要气象因子T a b l e1 M a i nm e t e o r o l o g i c a l f a c t o r sa f f e c t i n gw h e a t s c a ba td i f f e r e n t g r o w t hs t a g e so fw h e a t生育时期G r o w t hs t a g e气象因子M e t e o r o l o g i c a l f a c t o r越冬期O v e r w i n t e r i n gs t a g e平均气温A v e r a g e t e m p e r a t u r e拔节至孕穗期J o i n t i n gt ob o o t i n gs t a g e平均气温、降水量、雨日数、相对湿度、日照时数、平均风速A v e r a g e t e m p e r a t u r e,R a i n f a l l,N u m b e ro f r a i n yd a y s,R e l a t i v eh u m i d i t y,S u n s h i n eh o u r s,A v e r-a g ew i n ds p e e d抽穗扬花期H e a d i n ga n df l o w e r i n gs t a g e平均气温、降水量、雨日数、相对湿度、日照时数、平均风速A v e r a g e t e m p e r a t u r e,R a i n f a l l,N u m b e ro f r a i n yd a y s,R e l a t i v eh u m i d i t y,S u n s h i n eh o u r s,A v e r-a g ew i n ds p e e d灌浆期G r a i n-f i l l i n gs t a g e平均气温、降水量、雨日数、相对湿度、日照时数、平均风速A v e r a g e t e m p e r a t u r e,R a i n f a l l,N u m b e ro f r a i n yd a y s,R e l a t i v eh u m i d i t y,S u n s h i n eh o u r s,A v e r-a g ew i n ds p e e d 将表1中的气象因子按生育时期进行统计,对各生育时期气象因子与小麦赤霉病病穗率进行P e a r s o n相关性分析3 1。由表2可知,越冬期气温与小麦赤霉病病穗率呈极显著负相关。拔节至孕穗期,气温与小麦赤霉病病穗率的相关性不显著;降水量、雨日数、相对湿度与赤霉病病穗率呈显著正相关,其中降水量、雨日数相关性极显著;日照时数与赤霉病病穗率呈显著负相关。抽穗扬花期,只有雨日数、相对湿度与赤霉病病穗率呈显著正相关,其余要素相关性不显著。灌浆期内气象因子与赤霉病病穗率的相关性明显高于其余生育时期;除气温和风速外,其余气象因子与赤霉病病穗率相关性显著,其中降水量、雨日数、相对湿度呈极显著正相关,日照时数呈极显著负相关。表2 小麦赤霉病与各生育时期气象因子的相关系数T a b l e2 C o r r e l a t i o nc o e f f i c i e n t sb e t w e e nw h e a t s c a ba n dm e t e o r o l o g i c a l f a c t o r sa td i f f e r e n t g r o w t hs t a g e s生育时期G r o w t hs t a g e气象因子M e t e o r o l o g i c a l f a c t o r平均气温A v e r a g et e m p e r a t u r e降水量R a i n f a l l雨日数N u m b e ro fr a i n yd a y s相对湿度R e l a t i v eh u m i d i t y日照时数S u n s h i n eh o u r s平均风速A v e r a g ew i n ds p e e d越冬期O v e r w i n t e r i n gs t a g e-0.2 7 5*拔节至孕穗期J o i n t i n gt ob o o t i n gs t a g e-0.1 1 70.3 8 4*0.3 4 8*0.2 1 1*-0.2 5 6*0.0 5 0抽穗扬花期H e a d i n ga n df l o w e r i n gs t a g e0.0 8 50.0 6 70.2 0 9*0.2 2 2*-0.1 8 1-0.0 1 0灌浆期G r a i n-f i l l i n gs t a g e-0.0 6 00.2 4 2*0.2 9 9*0.2 9 1*-0.2 6 8*-0.0 6 6 *:P0.0 5;*:P0.0 1.因越冬期气象因子与滁州地区小麦赤霉病发生程度间的物理机制关系尚不明确,因而选择拔节期至灌浆期内与赤霉病相关性显著(P3 0%)的预测值较实测值偏小,而P S O-S V R-S OUTH和P S O-S V R-NO R TH两个模型改善了赤霉病高值区预测值偏小的情况,模型精度有了很大的提升。这是因为滁州小麦病穗率高值区占比总体较小,模型对高值区的训练次数少,导致模型在预测高值区时出现偏小的情况,而分模型一定程度上改善了病穗率数值大小占比不均衡的条件,因此其对高值区的模拟能力较原模型有所提高。3个模型最 迟起报时间 的病穗率预 测值与实测 值的MA E值分别是5.8 7%、2.1 3%和4.6 5%。MA E反映实际 与 预 测 误 差 的 大 小,说 明P S O-S V R-S OUTH和P S O-S V R-NO R TH模型较原 来 的P S O-S V R模型预测误差有所减小,其平均绝对误差分别较原来减少了3.7 4和1.2 2个百分点。测试样本中,3个模型最迟起报时间的病穗率预测值与实测值的RM S E值分别是9.5 5%、3.6 7%和5.6 7%。RM S E代表标准误差,用来衡量预测值同实测值之间的偏差,反映模型模拟精密度。P S O-S V R-S OUTH和P S O-S V R-NO R TH模型的RM S E较原来的P S O-S V R模型分别降低了5.8 8和3.8 8个百分点。3个模型最迟起报时间的病穗率预测值与实测值的相关系数值分别是0.6 8、0.9 4和0.8 8,P S O-S V R-S OUTH和P S O-S V R-NO R TH模型较原来的P S O-S V R模型分别提高了3 8.2%和2 9.4%。3个模型最迟起报时间的病穗率预测值与实测值的拟合优度R2值分别为0.3 5、0.8 4和0.7 3。P S O-S V R-S OUTH和P S O-S V R-NO R TH模型的拟合优度R2较原来的P S O-S V R模型分别提高了1.4倍和1.1倍。综上评估,根据小麦品种对赤霉病感病性能差异建立的P S O-S V R南北分模型较全市P S O-S V R模型对本地赤霉病预测的效果更好。2.4 模型业务应用试验在农业气象业务服务中,通常通过赤霉病发生等级开展服务3 5。因此,需对模拟出的病穗率进行等级划分。根据安徽省地方标准 小麦赤霉病测报调查规范3 6,将赤霉病发生程度划分为5个等级,即病穗率3%为1级,对应赤霉病轻发生;3%病穗率1 0%为2级,对应赤霉病偏轻1441第1 1期郁凌华等:基于P S O-S V R模型的小麦赤霉病病穗率预测方法发生;1 0%病穗率2 0%为3级,对应赤霉病中等发生;2 0%3 0%为5级,对应赤霉病大流行。利用2 0 2 1年和2 0 2 2年滁州地区小麦发育期内气象资料和赤霉病数据对构建的3种P S O-S V R赤霉病预测模型开展业务应用试验。a:P S O-S V R模型;b:P S O-S V R-S OUTH模型;c:P S O-S V R-NO R TH模型。a:P S O-S V Rm o d e l;b:P S O-S V R-S OUTH m o d e l;c:P S O-S V R-NO R TH m o d e l.图4 不同起报时间各P S O-S V R模型的测试样本病穗率预测值与实测值的对比F i g.4 C o m p a r i s o no fp r e d i c t e da n da c t u a l v a l u e so fd