基于PSO-SVR模型的小麥赤霉病病穗率預測方法

郁凌華,邢 程,荀 靜,繆新偉,王 軍,曹文昕,岳 偉

(1.安徽省滁州市氣象局,安徽滁州 239000; 2.安徽省滁州市農(nóng)業(yè)農(nóng)村技術(shù)推廣中心,安徽滁州 239000; 3.安徽省滁州市南譙區(qū)農(nóng)業(yè)農(nóng)村技術(shù)推廣中心,安徽滁州 239000; 4.安徽省農(nóng)業(yè)科學院作物研究所,安徽合肥 230031; 5.安徽省農(nóng)業(yè)氣象中心,安徽合肥 230031)

小麥赤霉病又稱紅頭瘴、爛麥頭[1],病部表現(xiàn)為粉紅色霉層。赤霉病爆發(fā)時,一般年份小麥減產(chǎn)10%～30%,重發(fā)年份減產(chǎn)可達70%～80%,甚至顆粒無收[2]。赤霉病不僅會造成小麥嚴重減產(chǎn),而且產(chǎn)生的真菌毒素會引起人畜中毒,威脅人和動物健康[3]。赤霉病在我國東北春麥區(qū)至華南冬麥區(qū)均有發(fā)生,其中以長江中下游地區(qū)流行頻率最高[4]。2000年以來,我國小麥赤霉病的流行頻率和發(fā)病面積呈不斷增加和擴大的趨勢[5],其中2003、2010和2012年赤霉病在江淮麥區(qū)大流行,其中2012年長江中下游江淮麥區(qū)發(fā)病面積高達9.27×106hm2。因此,準確預測赤霉病發(fā)生趨勢,對提前做好防治準備工作、科學用藥,保障糧食安全具有重要意義。

小麥赤霉病是一種典型的“氣候型”病害[6],其發(fā)生除受菌源數(shù)量、植株抗性、寄主生育時期、輪作制度等因素影響外,病菌生長、發(fā)育、繁殖、侵染和流行均與氣象要素密切相關(guān)。研究表明,在小麥赤霉病發(fā)生關(guān)鍵期,赤霉病的發(fā)生與花期氣象條件關(guān)系密切,年際間的波動取決于該時期氣象條件的變化情況[7]。冬季高溫可增加赤霉病發(fā)病嚴重程度的可能性[8]。3月份降水較多時赤霉病菌子囊殼易形成,會為赤霉病流行創(chuàng)造有利條件[9]。5月上中旬的降水有利于小麥赤霉病顯癥[2]。由此可以看出,小麥各生育時期的氣象條件對赤霉病的發(fā)生流行均可產(chǎn)生影響。圍繞赤霉病預測預報,國內(nèi)外學者開展了相關(guān)研究。如,Moschini R C[10]、Hooker D C[11]、James W[12]均利用開花期前后一段時期內(nèi)的溫度、濕度、降水量等氣象因子分別建立阿根廷、加拿大、英國等國家和地區(qū)的小麥赤霉病預測模型。在我國,陳瑩等[13]采用綜合預測、相似年分析、網(wǎng)絡(luò)會商等多種預測模型對安徽省小麥赤霉病進行預測評估;吳亞琴[14]建立了含有氣象因子交叉項的中國中部地區(qū)小麥赤霉病逐步回歸模型;岳偉[15]主要考慮降水日數(shù)和降水強度對赤霉病的影響,建立了基于綜合降水指數(shù)的安徽中南部小麥赤霉病氣象等級預報模型。

隨著人工智能的快速發(fā)展,機器學習在預測模型中被廣泛應用,如神經(jīng)網(wǎng)絡(luò)[16]、隨機森林[17]以及支持向量機[18]等。支持向量機(support vector machine,SVM)是基于統(tǒng)計學習理論的機器學習算法,具有嚴格的數(shù)學邏輯,能夠較好地解決小型數(shù)據(jù)樣本、高維度、非線性的問題,學習與泛化能力強,即使在樣本數(shù)量有限的情況下,也能在理論上取得最優(yōu)的預測結(jié)果,在面對神經(jīng)網(wǎng)絡(luò)難以越過的局部最優(yōu)問題時,SVM可以提供更精準的最優(yōu)解。目前,該算法在作物病蟲害預報中被廣泛應用。如,張晴晴[19]和劉誠[20]利用SVM算法分別對麥蚜蟲害和小麥條銹病的發(fā)病率進行預測,效果優(yōu)秀;吳彥衡[21]采用網(wǎng)格搜索法構(gòu)建了基于SVM的安徽省小麥赤霉病受災程度的預測模型。將SVM推廣到回歸問題可得到支持向量回歸SVR[22]。

滁州地處江淮之間,常年小麥種植面積34萬hm2左右,種植制度以稻茬麥和旱地麥為主。隨著氣候變暖、麥田秸稈還田量逐年增多,小麥赤霉病呈連年重發(fā)趨勢,開展本地赤霉病預測方法研究很有必要。由于地區(qū)氣候差異,生產(chǎn)方式不同,對于赤霉病關(guān)鍵氣象因子、關(guān)鍵期的選擇應該是因地而異,同時作物品種差異性也會影響赤霉病發(fā)生程度[23]。本研究以氣象因子和病害數(shù)據(jù)為基礎(chǔ),構(gòu)建本地小麥赤霉病病穗率預測SVR模型,并利用粒子群算法優(yōu)化提升模型參數(shù)尋優(yōu)能力,提高模型精度,同時考慮本地小麥品種差異,構(gòu)建分品種的PSO-SVR赤霉病預測分模型,進一步增強本地小麥赤霉病預測能力,為政府和農(nóng)業(yè)部門防控赤霉病決策調(diào)度提供重要依據(jù)。

1 材料與方法

1.1 數(shù)據(jù)資料

研究區(qū)域包括滁州市轄南譙區(qū)以及來安縣、全椒縣、天長市、定遠縣、鳳陽縣、明光市共7個區(qū)縣(圖1)。小麥赤霉病資料來源于滁州市農(nóng)業(yè)農(nóng)村局,主要包括以上7個縣區(qū)上報的2005-2020年該地小麥赤霉病病穗率、病情指數(shù)等資料,一般在每年的5月下旬統(tǒng)計。對應氣象資料來源于滁州市氣象局,主要包括7個區(qū)縣國家氣象站點的歷年逐日平均氣溫(℃)、日照時數(shù)(h)、相對濕度(%)、平均風速(m·s-1)、降水量(mm)等。因南譙區(qū)無國家氣象站點,其氣象資料取自滁州市國家基本氣象站。

圖1 滁州市氣象站點分布圖

1.2 研究方法

1.2.1 灰色關(guān)聯(lián)分析(GRA)

灰色關(guān)聯(lián)分析(grey relation analysis, GRA)[24]是灰色系統(tǒng)理論中的一種重要的分析方法,可彌補傳統(tǒng)數(shù)理統(tǒng)計方法中系統(tǒng)分析所導致的缺陷。其不受樣本量多少和有無規(guī)律的限制,且該方法計算量小,由灰色關(guān)聯(lián)分析得到的關(guān)聯(lián)度,可以量化系統(tǒng)特征行為序列與各相關(guān)因素行為序列的關(guān)聯(lián)程度大小。一般情況下,當兩個要素的關(guān)聯(lián)度低于0.3時,表示兩個要素屬于低關(guān)聯(lián);當關(guān)聯(lián)度在0.3～0.6之間時,表示兩個要素之間耦合作用中等;當關(guān)聯(lián)度在0.6～0.8之間時,表示兩個要素之間耦合作用較強;當關(guān)聯(lián)度在0.8以上時,表示兩個要素之間耦合作用極強。具體計算步驟如下。

(1)確定母序列和因素序列

設(shè)母序列為x0(t),共有m個數(shù)據(jù),即x0(t)={x0(1),x0(2),…,x0(m)},t=1,2,…,m;特征序列為xi(t),有n個子序列,即xi(t)={xi(1),xi(2),…,xi(m)},i=1,2,…,n。

(2)數(shù)據(jù)標準化處理

因數(shù)據(jù)間量綱和大小的差異,需要對原始數(shù)據(jù)進行變換。本研究采用均值化方法對數(shù)據(jù)進行標準化處理,即先分別求出各序列的平均值和標準差,再將原始數(shù)據(jù)減去平均值后除以標準差,得到的新序列即為標準化序列。

(3)求關(guān)聯(lián)系數(shù)和關(guān)聯(lián)度

①計算關(guān)聯(lián)系數(shù)

ζ(x0(t),xi(t))=

(1)

②計算關(guān)聯(lián)度

(2)

式中,ri為母序列與因子序列的關(guān)聯(lián)度,ζi[x0(t),xi(t)]為母序列與因子序列的關(guān)聯(lián)系數(shù),n為比較序列的數(shù)據(jù)個數(shù)。

1.2.2 支持向量回歸(SVR)

已知訓練樣本集T={(x1,y1),(x2,y2),…,(xi,yi),…,(xn,yn)},其中xi為輸入特征向量,yi為輸出向量,SVR是將低維輸入空間數(shù)據(jù)通過非線性映射算法?轉(zhuǎn)化到高維特征空間?(x),進而在特征空間中擬合回歸函數(shù)

f(x)=w?(x)+b

(3)

式中w為權(quán)向量;b為偏置常數(shù)。

對于任意ε>0有|yi-f(x)|≤ε,f(x)為訓練樣本集T的ε-線性回歸,此時認為模型預測值正確,則SVR問題可描述為

(4)

(5)

s·tyi-f(xi)-b≤ε+ξi

f(xi)+b-yi≤ε+ξi

對公式5做拉格朗日函數(shù)得到對偶問題

(6)

由此可得回歸預測值

(7)

這里選擇具有較強泛化性的高斯徑向基RBF作為核函數(shù)[25-26]。

在MATLAB中,SVR主要的函數(shù)libsvmtrain調(diào)用格式為model=libsvmtrain(output_train,input_train,cmd)。其中,cmd表示選項參數(shù),主要指懲罰因子C和核參數(shù)g,它們的選擇直接影響模型預測結(jié)果的準確度[27]。懲罰因子C值若選取過大,會造成過擬合,致使預測模型的泛化性能降低;若此值太小將加大模型對誤差的容忍程度,容易出現(xiàn)欠擬合現(xiàn)象。核函數(shù)參數(shù)g值若太大,會使支持向量間的影響過強,造成算法精度降低;若此值太小,則支持向量間的聯(lián)系較松弛,導致模型泛化性能變差。為提高預測精度,采用粒子群算法(PSO)對SVR模型進行參數(shù)尋優(yōu)。

1.2.3 粒子群算法(PSO)

粒子群算法(particle swarm optimization,PSO)[28]的基本思想是在可解空間中初始化一群粒子,用適應度、位置和速度來表示該粒子的特征,其適應度值由適應度函數(shù)計算得到,其值表示粒子的優(yōu)劣。具體算法:假設(shè)在搜索空間D中,由n個粒子組成的種群X=(x1,x2,…,xn),其中第i個粒子表示一個d維向量Xid=(xi1,xi2,…,xid),代表第i個粒子在d維搜索空間的位置,根據(jù)目標函數(shù)即可計算出每個粒子位置Xi對應的適應度值。設(shè)第i個粒子的速度Vid=(vi1,vi2,…,vid),其個體極值Pid,pbest=(pi1,pi2,…,pid),種族全局極值Pd,gbest=(p1,gbest,p2,gbest,…,pd,gbest)。算法步驟如下:

(1)初始化所有粒子,即給它們的速度和位置賦值;

(2)計算各個粒子的適應度函數(shù)值,將初始適應值作為各個粒子個體最優(yōu)解并尋找全局最優(yōu)解;

(3)對每個粒子i的第d維的速度和位置分別按照公式8和公式9進行更新。進行粒子適應度評價,找出粒子最優(yōu)位置向量。

(8)

(9)

(4)判斷是否找出全局最優(yōu)解,滿足結(jié)束任務,否則繼續(xù)執(zhí)行。

1.3 模型構(gòu)建及驗證方法

通過對氣象因子與小麥赤霉病病穗率的相關(guān)性和灰色關(guān)聯(lián)分析,篩選相關(guān)顯著和關(guān)聯(lián)度較強的氣象因子作為自變量,以不同起報時間的小麥赤霉病病穗率為因變量,利用PSO的全局尋優(yōu)功能獲取參數(shù)C和g最優(yōu)解,構(gòu)建滁州地區(qū)小麥赤霉病PSO-SVR預測模型(圖2)。

圖2 小麥赤霉病PSO-SVR預測模型流程圖

在本研究112組樣本數(shù)據(jù)中,選擇92組作為訓練樣本用于構(gòu)建模型,剩余的20組數(shù)據(jù)作為測試樣本用于評估模型預測效果。所有訓練集和測試集樣本數(shù)據(jù)均作歸一處理。PSO算法參數(shù)設(shè)定粒子群算法最大進化代數(shù)為100,種群數(shù)目20,懲罰因子C∈[0.1,100],核函數(shù)參數(shù)g∈[0.01,100],局部搜索能力c1=1.5,全局搜索能力c2=1.7,對訓練樣本進行5折交叉驗證,種群20個粒子的位置和速度初始化。初始化的粒子位置向量(C,g)輸入SVR后建模,將預測結(jié)果的均方誤差作為對應粒子的適應度。比較20個粒子的適應度,以適應度最小為最優(yōu),得到當前群體的最優(yōu)位置。迭代更新種群適應度,獲得最優(yōu)SVR參數(shù)(C和g)。將樣本數(shù)據(jù)輸入SVR,最優(yōu)SVR參數(shù)(C和g)賦值于SVR,建立滁州小麥赤霉病PSO-SVR預測模型。

采用平均絕對誤差MAE、均方誤差MSE、均方根誤差RMSE等統(tǒng)計量對模型預測效果進行評價。

(10)

(11)

(12)

式中,f(xi)為預測值,yi為實測值。

2 結(jié)果與分析

2.1 氣象因子選取

小麥越冬期到灌漿期內(nèi)的氣象條件對赤霉病的發(fā)生發(fā)展均可產(chǎn)生影響[4,7-9,15,29]。結(jié)合李剛?cè)A[30]對江淮分水嶺小麥發(fā)育進程劃分和滁州市氣象局作物發(fā)育期歷史觀測資料,確定小麥越冬期為12月至次年2月,拔節(jié)至孕穗期為3月上旬至4月上旬,抽穗揚花期為4月中下旬,灌漿期為5月上中旬。根據(jù)相關(guān)研究[17],確定影響小麥赤霉病氣象因子為溫度、濕度、降水、光照和風。不同生育時期氣象要素見表1。

表1 小麥各生育時期影響赤霉病的主要氣象因子Table 1 Main meteorological factors affecting wheat scab at different growth stages of wheat

將表1中的氣象因子按生育時期進行統(tǒng)計,對各生育時期氣象因子與小麥赤霉病病穗率進行Pearson相關(guān)性分析[31]。由表2可知,越冬期氣溫與小麥赤霉病病穗率呈極顯著負相關(guān)。拔節(jié)至孕穗期,氣溫與小麥赤霉病病穗率的相關(guān)性不顯著;降水量、雨日數(shù)、相對濕度與赤霉病病穗率呈顯著正相關(guān),其中降水量、雨日數(shù)相關(guān)性極顯著;日照時數(shù)與赤霉病病穗率呈顯著負相關(guān)。抽穗揚花期,只有雨日數(shù)、相對濕度與赤霉病病穗率呈顯著正相關(guān),其余要素相關(guān)性不顯著。灌漿期內(nèi)氣象因子與赤霉病病穗率的相關(guān)性明顯高于其余生育時期;除氣溫和風速外,其余氣象因子與赤霉病病穗率相關(guān)性顯著,其中降水量、雨日數(shù)、相對濕度呈極顯著正相關(guān),日照時數(shù)呈極顯著負相關(guān)。

表2 小麥赤霉病與各生育時期氣象因子的相關(guān)系數(shù)Table 2 Correlation coefficients between wheat scab and meteorological factors at different growth stages

因越冬期氣象因子與滁州地區(qū)小麥赤霉病發(fā)生程度間的物理機制關(guān)系尚不明確,因而選擇拔節(jié)期至灌漿期內(nèi)與赤霉病相關(guān)性顯著(P<0.05)的拔節(jié)至孕穗期降水量(A1)、雨日數(shù)(A2)、相對濕度(A3)、日照時數(shù)(A4),抽穗揚花期雨日數(shù)(B1)、相對濕度(B2),灌漿期降水量(C1)、雨日數(shù)(C2)、相對濕度(C3)、日照時數(shù)(C4)等10個氣象因子進行赤霉病與氣象因子的關(guān)聯(lián)度分析。

從表3可以看出,滁州小麥赤霉病與氣象因子的關(guān)聯(lián)度數(shù)值均在0.8以上,關(guān)聯(lián)性極強,說明以上氣象因子的選取合理。其中,抽穗揚花期雨日數(shù)與赤霉病發(fā)生程度的關(guān)聯(lián)度最高。

表3 滁州地區(qū)小麥赤霉病與氣象因子的灰色關(guān)聯(lián)度Table3 Grey correlation degree between wheat scab and meteorological factors in Chuzhou

2.2 模型預測效果評價

以相關(guān)性和灰色關(guān)聯(lián)分析確定的10個氣象因子作為自變量,結(jié)合粒子群算法(PSO)構(gòu)建滁州地區(qū)小麥赤霉病PSO-SVR預測模型。采用平均絕對誤差(MAE)、均方誤差(MSE)和均方根誤差(RMSE)等統(tǒng)計量對模型預測效果進行評價,并根據(jù)測試樣本交叉驗證的均方誤差來挑選最優(yōu)預測模型。對不同起報時間模型預測效果比較(表4)發(fā)現(xiàn),隨著氣象預測因子的增加,PSO-SVR模型的MAE和MSE越來越小,相關(guān)系數(shù)則越來越大,說明模型的預測精度隨著預測時效的臨近而不斷提高。

表4 不同起報時間PSO-SVR赤霉病模型預測效果Table 4 Effect of PSO-SVR wheat scab prediction model initialized at different time

2.3 PSO-SVR預測模型的細化及檢驗效果

根據(jù)滁州市各縣區(qū)小麥種植面積及赤霉病數(shù)據(jù),全市小麥種植面積呈現(xiàn)北部縣市多、南部縣區(qū)少的特點,小麥赤霉病發(fā)生程度呈現(xiàn)北部重于南部的特征。這是因為北部沿淮麥區(qū)(定遠縣、鳳陽縣、明光市)種植品種主要以煙農(nóng)、淮麥、洛麥、濟麥等半冬性品種為主,大部分為小麥赤霉病高感品種;而南部麥區(qū)(南譙區(qū)、來安縣、全椒縣、天長市)以揚麥、寧麥、鎮(zhèn)麥等春性品種為主,對赤霉病的抗性表現(xiàn)為中感至中抗。研究表明,小麥赤霉病受品種因素影響較大[3,32-33]。白皮小麥品種具有較高的赤霉病發(fā)生風險,而紅皮小麥品種表現(xiàn)出強的赤霉病抗性水平[34]。為進一步提升滁州小麥赤霉病的整體預測水平,增強PSO-SVR模型的預測效果,現(xiàn)將小麥赤霉病PSO-SVR預測模型進一步細化為PSO-SVR-SOUTH模型和PSO-SVR-NORTH模型。PSO-SVR-SOUTH模型是以南譙、來安、全椒、天長4個南部縣市區(qū)的氣象數(shù)據(jù)和赤霉病資料為基礎(chǔ)建立的滁州南部小麥品種的赤霉病預測模型;PSO-SVR-NORTH模型是以定遠、鳳陽、明光3個北部縣市的氣象數(shù)據(jù)和赤霉病資料為基礎(chǔ)建立的滁州北部小麥品種的赤霉病預測模型。其中,PSO-SVR-SOUTH模型樣本共64組,其中49組為訓練樣本,15組為測試樣本;PSO-SVR-NORTH模型樣本共48組,其中33組為訓練樣本,15組為測試樣本。兩個分模型的預測流程及模型參數(shù)尋優(yōu)過程參照前文PSO-SVR模型。

從圖3可以看出,3種小麥赤霉病病穗率預測模型中,PSO-SVR和PSO-SVR-NORTH模型訓練樣本中的預測與實測值散點分散于標準線四周,有一定離散性,而PSO-SVR-SOUTH模型訓練樣本中的預測與實測值散點集中在標準線附近。3種小麥赤霉病病穗率預測模型中,PSO-SVR-SOUTH模型訓練樣本預測結(jié)果的均方根誤差為5.91%,離散度最小,而PSO-SVR和PSO-SVR-NORTH模型訓練樣本預測結(jié)果的均方根誤差分別為10.27%、12.88%。因此,PSO-SVR-SOUTH模型較其他2個模型具有更好的預測精度和更強的泛化性。

圖3 最遲起報時間的3種預測模型訓練樣本的預測值和實測值散點圖

不同起報時間3種預測模型的測試樣本病穗率預測值與實測值對比(圖4)發(fā)現(xiàn),3種預測模型的起報時間越接近灌漿乳熟期,預測值越接近實測值,這與2.2部分得到的結(jié)論一致。其中,滁州全市PSO-SVR模型對病穗率高值區(qū)(>30%)的預測值較實測值偏小,而PSO-SVR-SOUTH和PSO-SVR-NORTH兩個模型改善了赤霉病高值區(qū)預測值偏小的情況,模型精度有了很大的提升。這是因為滁州小麥病穗率高值區(qū)占比總體較小,模型對高值區(qū)的訓練次數(shù)少,導致模型在預測高值區(qū)時出現(xiàn)偏小的情況,而分模型一定程度上改善了病穗率數(shù)值大小占比不均衡的條件,因此其對高值區(qū)的模擬能力較原模型有所提高。3個模型最遲起報時間的病穗率預測值與實測值的MAE值分別是5.87%、2.13%和4.65%。MAE反映實際與預測誤差的大小,說明PSO-SVR-SOUTH和PSO-SVR-NORTH模型較原來的PSO-SVR模型預測誤差有所減小,其平均絕對誤差分別較原來減少了3.74和1.22個百分點。測試樣本中,3個模型最遲起報時間的病穗率預測值與實測值的RMSE值分別是9.55%、3.67%和5.67%。RMSE代表標準誤差,用來衡量預測值同實測值之間的偏差,反映模型模擬精密度。PSO-SVR-SOUTH和PSO-SVR-NORTH模型的RMSE較原來的PSO-SVR模型分別降低了5.88和3.88個百分點。3個模型最遲起報時間的病穗率預測值與實測值的相關(guān)系數(shù)值分別是0.68、0.94和0.88,PSO-SVR-SOUTH和PSO-SVR-NORTH模型較原來的PSO-SVR模型分別提高了38.2%和29.4%。3個模型最遲起報時間的病穗率預測值與實測值的擬合優(yōu)度R2值分別為0.35、0.84和0.73。PSO-SVR-SOUTH和PSO-SVR-NORTH模型的擬合優(yōu)度R2較原來的PSO-SVR模型分別提高了1.4倍和1.1倍。綜上評估,根據(jù)小麥品種對赤霉病感病性能差異建立的PSO-SVR南北分模型較全市PSO-SVR模型對本地赤霉病預測的效果更好。

2.4 模型業(yè)務應用試驗

在農(nóng)業(yè)氣象業(yè)務服務中,通常通過赤霉病發(fā)生等級開展服務[35]。因此,需對模擬出的病穗率進行等級劃分。根據(jù)安徽省地方標準《小麥赤霉病測報調(diào)查規(guī)范》[36],將赤霉病發(fā)生程度劃分為5個等級,即病穗率≤3%為1級,對應赤霉病輕發(fā)生;3%<病穗率≤10%為2級,對應赤霉病偏輕發(fā)生;10%<病穗率≤20%為3級,對應赤霉病中等發(fā)生;20%<病穗率≤30%為4級,對應赤霉病偏重發(fā)生;病穗率>30%為5級,對應赤霉病大流行。利用2021年和2022年滁州地區(qū)小麥發(fā)育期內(nèi)氣象資料和赤霉病數(shù)據(jù)對構(gòu)建的3種PSO-SVR赤霉病預測模型開展業(yè)務應用試驗。

表5為2021-2022年最遲起報時間的滁州地區(qū)小麥赤霉病各PSO-SVR模型預測結(jié)果轉(zhuǎn)化為赤霉病等級,與未防治田塊小麥赤霉病實際等級比較的情況。2021年滁州地區(qū)小麥赤霉病自然狀態(tài)下病害等級為3～5級,屬于中等至大發(fā)生年份。3個模型中PSO-SVR-SOUTH和PSO-SVR-NORTH預測的赤霉病病穗率數(shù)值均達到了3級以上等級,而原PSO-SVR預測的病穗率數(shù)值對應的等級偏低2～3級,預測效果差,與前文所述原PSO-SVR模型對赤霉病高值區(qū)預測偏低結(jié)論一致。2022年滁州小麥赤霉病自然狀態(tài)下病害等級為1～2級,屬于偏輕及以下發(fā)生年份。3個模型赤霉病預測等級與實際等級完全一致的有4個站,其中PSO-SVR-SOUTH和PSO-SVR-NORTH對其余站的預測等級只比實際高1個等級,而PSO-SVR模型對全椒赤霉病預測等級要高于實際2等級,對來安、天長赤霉病預測等級和實際差1個等級。兩年試驗結(jié)果表明,3種預測模型均可滿足業(yè)務需求,其中PSO-SVR-SOUTH和PSO-SVR-NORTH模型預測結(jié)果總體優(yōu)于原PSO-SVR模型,可用于本地小麥赤霉病預測服務。

表5 2021—2022年最遲起報時間的3種PSO-SVR模型小麥赤霉病預測等級與實際等級比較Table 5 Comparison of predicted grade of wheat scab based on the three PSO-SVR models and actual grade of wheat scab with the latest initial time from 2021 to 2022

4 討論

本研究采用相關(guān)分析、灰色關(guān)聯(lián)分析方法篩選并確定影響滁州小麥赤霉病的主要氣象因子,并構(gòu)建了基于粒子群參數(shù)優(yōu)化算法的小麥赤霉病預測的多個支持向量機回歸模型。滁州地區(qū)赤霉病與小麥拔節(jié)期至灌漿期內(nèi)的氣象因子關(guān)聯(lián)度高。經(jīng)相關(guān)性分析,滁州地區(qū)冬季氣溫與小麥赤霉病呈顯著負相關(guān),這與肖晶晶[8]認為的冬季氣溫高會增加小麥赤霉病風險程度的結(jié)論不同。因此認為,冬季高溫并不是滁州小麥赤霉病高發(fā)的必要條件。馬延慶等[37]也指出,氣溫不是影響赤霉病發(fā)生的主要因素,主要影響發(fā)病的早晚和病程快慢。拔節(jié)至孕穗期的降水量、雨日數(shù)、相對濕度與赤霉病發(fā)生程度呈顯著正相關(guān),日照時數(shù)與赤霉病發(fā)生程度呈顯著負相關(guān)。抽穗揚花期的雨日數(shù)、相對濕度與赤霉病呈顯著正相關(guān)。灌漿期降水量、雨日數(shù)、相對濕度與赤霉病發(fā)生程度呈極顯著正相關(guān),日照時數(shù)與之呈極顯著負相關(guān)。以上10個氣象因子與赤霉病的關(guān)聯(lián)度強,是影響滁州小麥赤霉病的主要氣象因子,這與岳偉[15]等、徐敏[17]等、賈花萍[38]觀點較為一致。

本研究構(gòu)建了滁州地區(qū)小麥赤霉病預測的多個PSO-SVR模型。采用粒子群算法優(yōu)化SVR模型參數(shù),減小隨機選擇懲罰因子C和核函數(shù)參數(shù)g帶來的誤差。構(gòu)建的PSO-SVR模型隨著氣象預測因子的增加和預測時間的臨近,其預測精度不斷提高。同時,根據(jù)滁州地區(qū)南北不同小麥種植品種的情況,構(gòu)建了按照品種劃分的赤霉病預測南北分模型。構(gòu)建的PSO-SVR-SOUTH和PSO-SVR-NORTH模型較原來的PSO-SVR模型預測精度和擬合優(yōu)度等方面均有提升。PSO-SVR-SOUTH和PSO-SVR-NORTH兩個模型可有效改善原PSO-SVR模型中赤霉病高值區(qū)預測值偏小的情況。其中,最遲起報時間的PSO-SVR-SOUTH和PSO-SVR-NORTH模型的平均絕對誤差分別較原PSO-SVR模型減少了3.74和和1.22個百分點,均方根誤差RMSE較原來降低5.88和3.88個百分點,相關(guān)系數(shù)較原來提高38.2%和29.4%,擬合優(yōu)度R2分別提高了1.4倍和1.1倍,說明按照品種差異構(gòu)建PSO-SVR模型較不考慮品種因素模型的預測精度和效果更佳。

2021-2022年3種PSO-SVR模型預測赤霉病發(fā)生等級與實際等級總體較為一致,其中PSO-SVR-SOUTH和PSO-SVR-NORTH模型對中等以上發(fā)生的赤霉病等級預測表現(xiàn)要好于原有的PSO-SVR模型,可用于本地小麥赤霉病預測業(yè)務服務。

當然,該模型仍有一定局限性,模型的精確度還有待進一步加強。因降水的非連續(xù)性和時空分布的不均勻性,單點雨量數(shù)據(jù)難以完全描述真實天氣事件。同時,模型中沒有考慮到種植密度[39]、施肥水平[40]、田間管理等其他影響因素,而這些因素有時難以量化,導致模型預測精度不會達到十分完美。后續(xù)將積累樣本數(shù)據(jù),繼續(xù)優(yōu)化模型算法,開展分縣區(qū)的精細化小麥赤霉病預測的多模型研究,為地方政府及植保部門提供更高質(zhì)量的氣象技術(shù)保障。