众源植保数据驱动的水稻纹枯病时空动态预测方法

1.本发明属于生物灾害预测技术领域，具体涉及一种基于众源植保数据驱动的水稻纹枯病时空动态预测方法。


背景技术：

2.实现大范围病害动态预测，是精准、科学指导防控的关键。近年来不断发展的病害预测模型朝时间动态、空间连续的分析方向发展，出现了如seir等能够有效描述病害流行过程的病害机理动态预测模型，能够满足精准科学指导防控对大范围病害流行时间过程及空间分布的信息需求。病害发生数据源是进行病害动态预测研究的关键。目前预测模型构建的病害数据多数通过专业部门定点观测或进行田间试验获得，具有工作量大、数据量小、代表性不足等缺陷。越来越难以满足面向生产管理实际植保预测工作的需求。
3.近年来，随着移动互联网大数据及图像深度学习技术的不断发展成熟，一些智慧农业app开始提供病害识别等服务，识别记录在系统后台自然形成了带有地理定位信息的众源植保数据，具有易获取、数量多等优势，能够为作物病害预测提供丰富的时空数据资源，是未来病害预测领域的发展应用趋势。但由于众源植保数据缺少连续时相的病害观测数据，难以驱动病害动态预测模型。为此本发明提出一种针对众源植保数据驱动的病害动态预测模型标定方法，将使动态模型预测更贴合实际情况。


技术实现要素：

4.本发明的目的在于提供一种基于众源植保数据驱动的水稻纹枯病时空动态预测方法。
5.本发明提供的基于众源植保数据驱动的水稻纹枯病时空动态预测方法，包括以下步骤：
6.步骤一、构建模型数据集。模型数据集包括模型预测数据集和验证辅助数据集。模型预测数据集包括水稻纹枯病众源植保数据，以及对应的气象数据和生育期数据。验证辅助数据集包括研究区域的历史病害动态发展曲线。
7.步骤二、构建以气象数据和生育期数据为输入，病害动态发展曲线为输出的水稻纹枯病动态预测模型。
8.步骤三、针对验证辅助数据集计算研究区域的历史病害动态发展曲线的病害曲线下面积。计算所得的多个病害曲线下面积(areaunderdiseaseprogresscurve，audpc)的平均值，记为历年病害audpc平均值。
9.步骤四、利用水稻纹枯病动态预测模型预测出水稻纹枯病众源植保数据对应的病害动态发展曲线；并计算该病害动态发展曲线的病害曲线下面积。计算所得病害曲线下面积与步骤三所得历年病害audpc平均值的偏差值(deviationvalue,dv)。将该偏差值与可接受的偏差标准(standarddeviation，std)进行比较，若dv小于std时，则认为该样本点的预测结果可接受。统计预测结果可接受的样本占所有样本的比例，该比例为audpc偏差可接受
率。以audpc偏差可接受率为评价指标，对步骤二构建的水稻纹枯病动态预测模型进行模型标定，完成对水稻纹枯病动态预测模型的训练。
10.步骤五、利用经过步骤四训练得到的水稻纹枯病动态预测模型对区域范围内的水稻纹枯病进行预测，得到时空预测的病害动态发展曲线。
11.作为优选，所述的水稻纹枯病众源植保数据是指由大量非专业人员志愿获取并通过互联网提供的一种数据，具有获取成本较低、时效性和病害发生区域代表性高等优势。
12.作为优选，所述的气象数据包括温度数据和降水数据。温度数据具体为水稻生育期期间的日平均温度；降水数据具体为水稻生育期期间的日累计降水。
13.作为优选，所述的病害流行曲下面积audpc的表达式如下：
[0014][0015]
其中，yi为病害动态发展曲线上的第i个时相观测到的病株率，ti为第i个时相。n为总时相数。
[0016]
作为优选，所述的偏差值dv的表达式如下：
[0017]
dv＝|audpc-audpc'|
[0018]
其中，audpc为水稻纹枯病动态预测模型预测出的水稻纹枯病众源植保数据病害动态发展曲线的病害曲线下面积，audpc'为历年病害曲线下面积平均值。
[0019]
作为优选，所述的偏差标准std取对应区域历年病害audpc平均值的n倍，n为(0,1)的一个常数。
[0020]
作为优选，所述的audpc偏差可接受率的表达式如下：
[0021][0022]
其中，pr表示audpc偏差可接受率，u'为预测结果可接受的样本,u为总样本数。
[0023]
作为优选，步骤二的水稻纹枯病动态预测模型基于seir模型构建。
[0024]
作为优选，步骤四的具体模型标定过程为：基于遗传算法进行构建适应度函数和编码，对水稻纹枯病动态预测模型进行模型参数寻优。模型参数寻优过程中，以计算得到的audpc偏差可接受率作为遗传算法的适应度函数。
[0025]
本发明的有益效果为：
[0026]
1.本发明基于audpc偏差可接受率的统计方法，能够不依赖实际中难以获取的连续时相植保观测数据进行病害动态预测，利用众源植保数据实现对病害动态预测与实际病害发生趋势的一致性进行评价。
[0027]
2.本发明根据audpc偏差可接受率，在众源植保病害数据驱动下实现水稻纹枯病动态预测模型的标定，为病害动态预测模型的构建提供关键方法。
[0028]
3.本发明中提出了利用众源植保数据建立作物病害动态预测模型的方法，能够在很大程度上扩展病害动态预测的场景，为在更多区域中了解病害发生发展的动态过程并进行有效防控提供技术支撑。
附图说明
[0029]
图1为本发明构建的水稻纹枯病动态预测模型中温度数据与表征水稻纹枯病的温度影响模块之间的响应关系示意图；
[0030]
图2为本发明构建的水稻纹枯病动态预测模型中降水数据与表征水稻纹枯病的降水影响模块之间的响应关系示意图；
[0031]
图3为本发明针对2021年湖南和江西省不同地点的水稻纹枯病预测病株率的走势图；
[0032]
图4为本发明针对湖南和江西省地区预测出的水稻纹枯病动态发展曲线对应时相内的病害曲线下面积及其偏差的概率统计结果图；
具体实施方式
[0033]
以下结合附图对本发明进行进一步说明。
[0034]
基于众源植保数据驱动的水稻纹枯病时空动态预测方法，包括以下步骤：
[0035]
步骤一：获取众源植保病害和病害生境因子数据，构建模型数据集
[0036]
模型数据集包括模型预测数据集和验证辅助数据集。
[0037]
模型预测数据集包括水稻纹枯病众源植保数据以及对应的气象(温度，降水)、生育期数据。水稻纹枯病众源植保数据是指由大量非专业人员志愿获取并通过互联网提供的一种数据，具有获取成本较低、时效性和病害发生区域代表性高等优势。
[0038]
本实施例中，水稻纹枯病众源植保数据由国内众源植保数据平台慧植农当家app(睿坤科技)提供，获取方式为：向水稻种植者或管理人员提供移动端；当移动端的使用者发现水稻出现水稻纹枯病时，拍摄患病水稻的照片，并将照片连同患病水稻的地理定位信息一并上传。因此，水稻纹枯病众源植保数据具有较高的实时性，针对性较强(均为患病水稻对应的数据)，病害发生区域代表性高，且获取成本较低，能够为病害预测提供丰富的数据资源。水稻纹枯病众源数据的60％作为训练集，40％作为验证集。本实施例中，水稻纹枯病众源植保数据包括湖南和江西省2019-2021年的水稻纹枯病识别记录数据，共549个样本。所采用的温度和降水数据来源于欧洲中期天气预报中心era5再分析气象数据集。2019-2021年的水稻生育期信息数据来源于中国科学院数字地球重点实验室。
[0039]
验证辅助数据集包括往年的水稻病圃的稻作类型、生育期、调查时间、病株率信息；其调查频率为5天，调查起点为移栽期后15天，终点为移栽期后70天。以连续时相的数据作为一组，该数据集共包含106组连续时相的病株率观测数据。验证辅助数据集由国家农技推广中心提供，包括湖南省、江西省2010-2015年水稻纹枯病病圃多时相定点观测数据。调查方法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。
[0040]
步骤二：构建水稻纹枯病动态预测模型，并对水稻纹枯病发生情况进行预测
[0041]
动态预测模型能够满足精准科学指导防控对大范围病害流行时间过程及空间分布的信息需求，是对作物病害发生发展过程进行模拟预测的模型，具有更强的解释性和通用性。因此，本实施例以seir模型为例，构建水稻纹枯病动态预测模型，并结合众源病害植保与气象、生育期关联数据集对水稻纹枯病发生情况进行预测。
[0042]
水稻纹枯病动态预测模型以四个状态变量s、e、i、r对病害发生发展过程进行描述。病株率y的表达式为：y＝i+r。
[0043]
四个状态变量s、e、i、r的关系式如下：
[0044][0045]
其中，s、e、i、r分别对应于观测田块病害易感、暴露、感染和恢复植株占观测田总植株的比例；1/ω是病害平均潜伏期；1/μ是病害平均感染期；t为时间；β是病害感染率。
[0046]
病害感染率β的表达式如式(2)所示：
[0047]
β＝ka
×
β0×
t
×
p
×
a+kb
ꢀꢀꢀꢀꢀ
式(2)
[0048]
其中，ka，kb为缓冲系数；β0为基本感染率；t为温度影响模块；p为降水影响模块；a为水稻生育期模块。
[0049]
温度影响模块t的表达式如下：
[0050][0051]
其中，optimumtem为最适温度范围中心，根据水稻纹枯病病害机理研究设定为28℃；δ为气温变化方差；tem为日平均温度。
[0052]
降水影响模块p的表达式如下：
[0053][0054]
其中，optimumpre为降水量阈值，τ为调节参数，pre为日累计降水量。
[0055]
生育期模块a的表达式如下：
[0056][0057]
其中，dace(daysaftercropestablishment)为水稻进行移栽后的时间长度，length为以天为单位的预测时间周期。水稻进行移栽的当日则为dace＝0。
[0058]
步骤三：利用验证辅助数据集计算历年病害audpc平均值
[0059]
由于audpc值的计算与病害发展曲线的时相长度密切相关，为能够更准确的计算区域历年病害audpc平均值，并对基于众源植保数据的水稻纹枯病动态预测模型预测结果进行概率统计，本实施例将根据地区专业植保调查数据的调查时相的起点与终点，并分别计算相应区域在专业植保调查时相长度内的历年病害audpc平均值。
[0060]
任意区域的病害流行曲下面积audpc的表达式如式(6)所示。
[0061][0062]
其中，y为病株率，t为时间，n为总时相数，i为当前时相序号。
[0063]
经统计2010-2015年湖南和江西省在移栽期后15-70天的水稻纹枯病audpc平均值为540。
[0064]
步骤四：基于水稻纹枯病众源植保数据对应的audpc偏差可接受率，对水稻纹枯病动态预测模型进行模型标定
[0065]
水稻纹枯病众源植保数据具有数量多、易获取、病害发生区域代表性高等优势，能有效反映病害在大范围中的发生趋势，能够为区域尺度病害预测建模提供理想的数据源。但因其仅有病害发病的识别记录，缺少连续时相的病害流行观测数据，无法直接使用常用的模型评价方法对众源植保数据驱动的动态预测模型进行模型标定，目前难以用于动态预测模型的训练。病害曲线下面积(audpc)作为拟合病害增长模型的常用量化指标，能够提供有关病害发展动态的信息。考虑到众源植保数据的特点，本实施例提出一种audpc偏差可接受率的概率统计方法对动态预测模型进行模型标定。
[0066]
本实施例通过计算水稻纹枯病动态预测模型预测结果audpc值与对应区域中水稻纹枯病专业植保调查数据历年病害audpc平均值的偏差，以该偏差可接受率为评价指标，对步骤二构建的水稻纹枯病动态预测模型进行训练。其中audpc偏差可接受率越大表示该模型的表现越好。
[0067]
4.1计算水稻纹枯病发生情况预测结果audpc值和偏差值
[0068]
根据步骤二的水稻纹枯病发生情况预测结果，计算在专业植保调查数据调查时相起点与终点范围内(移栽期后15-70天)的水稻纹枯病发生情况预测结果audpc值。计算所得病害曲线下面积与步骤三所得历年病害audpc平均值的偏差值(deviationvalue,dv)。偏差值dv的表达式如式(7)所示：
[0069]
dv＝|audpc-audpc'|
ꢀꢀꢀꢀꢀ
式(7)
[0070]
其中，audp为水稻纹枯病动态预测模型预测出的水稻纹枯病众源植保数据病害动态发展曲线的病害曲线下面积，audpc'为历年病害曲线下面积平均值。
[0071]
4.2可接受的audpc偏差标准确定
[0072]
由于病害动态预测模型很难达到与病害实际发生情况完全一致的理想状态，因此允许病害动态预测模型预测出的病害动态发展曲线的audpc与病害实际发生情况存在一定偏差。其可接受的audpc偏差标准std取对应区域历年病害audpc平均值的n倍，n为(0,1)的一个常数。
[0073]
由于病害动态预测模型很难达到与病害实际发生情况完全一致的理想状态，同时据相关研究表明，通过人工的方式对田间水稻纹枯病病株率发生的专业调查记录误差约为20％左右。考虑到专业植保调查病害数据的质量控制标准及众源植保病害数据缺少连续时相的病害流行过程记录，本实施例将可接受的偏差标准(standarddeviation，std)设为对应区域历年病害audpc平均值的40％，即n取值为0.4。
[0074]
4.3audpc偏差可接受率统计
[0075]
将步骤4.1得到的dv与步骤4.2得到的std进行比较。若dv小于std，则认为该样本点的预测结果可接受。统计预测结果可接受的样本占所有样本的比例，该比例为audpc偏差可接受率。audpc偏差可接受率的表达式如式(8)所示：
[0076][0077]
其中，pr表示audpc偏差可接受率，u'为预测结果可接受的样本,u为总样本数。
[0078]
4.4基于步骤4.3的audpc偏差可接受率统计，对水稻纹枯病动态预测模型进行模型标定
[0079]
以水稻生育期、温度和降水为输入，水稻纹枯病的病害动态发展曲线为输出，以
audpc偏差可接受率为评价指标，对训练步骤二中的水稻纹枯病动态预测模型进行模型标定。认为audpc偏差可接受率越大，水稻纹枯病动态预测模型的表现越好。
[0080]
本实施例的具体模型标定过程为：基于遗传算法进行构建适应度函数和编码，对步骤二中的水稻纹枯病动态预测模型seir机理的病害平均潜伏期1/ω、病害平均感染期1/μ、基本感染率β0、缓冲系数ka、kb以及温度影响模块中正态分布的方差δ，降水影响模块中的最适降水量optinumpre和调节参数τ共8个参数进行模型参数寻优。
[0081]
其中，以水稻纹枯病动态预测结果的audpc偏差可接受率作为遗传算法进行参数寻优的适应度函数。需找到适应度函数的最大值，即认为audpc偏差可接受率最大时，所得的参数组即为最优参数组。考虑到模型标定时长及效率，本实施例通过设置遗传算法固定迭代约束次数(迭代次数为100次)，求满足适应度函数的近似最优解。
[0082]
本实施例中，经过模型标定，seir的平均潜伏期ω为9.6、平均感染期μ为55，基本感染率β0参数为0.69，缓冲系数ka为1.47，缓冲系数kb为0.15，方差δ为47.5，最适降水量optinumpre和调节参数τ分别为12和15。
[0083]
步骤五：根据步骤四模型标定得到的水稻纹枯病动态预测模型，将研究区域对应的气象和生育期数据输入，得到被测地区的水稻纹枯病发生情况预测结果。
[0084]
执行本实施例，得到结果如图3，图4所示。图3显示了模型在2021年不同地点和时相上的水稻纹枯病病株率预测结果，从不同时相的发病情况看(图3)，水稻在移栽期后40天内(分蘖期之前)基本保持未发病的状态，大约从移栽期后50天(分蘖末期)水稻开始出现感染症状，病株率逐渐上升，并在移栽期后70天左右(拔节期至孕穗期)快速上升，并且在移栽期后80天左右(抽穗期前后)达到病害高峰期。水稻纹枯病病整体流行发展趋势变化大致呈现s形曲线形态。从病害发生峰值上看(图3)，不同区域的病株率峰值差异较大，表明不同区域受到当地气象等因素影响，病害发生情况存在差异。而结合本实施例提出的audpc偏差可接受率的概率统计方法对动态预测模型进行模型标定，使得基于众源植保数据驱动的水稻纹枯病动态预测模型能够较好的对这些因素进行体现，从而达到预期的预测效果。图4显示了湖南和江西省在对应时相范围内水稻纹枯病病株率预测结果的audpc值。其验证集数据样本中，audpc偏差可接受率为85％，表明预测模型在一定程度上较好的反映了水稻纹枯病的流行趋势，为病害防控提供科学技术支持。与传统的通过专业植保调查数据进行病害动态预测方式相比，基于众源植保数据驱动的水稻纹枯病动态预测模型更能有效反映病害在区域范围中的发生、流行态势，以及热点形成、消退等过程。

技术特征：
1.一种众源植保数据驱动的水稻纹枯病时空动态预测方法，其特征在于：包括以下步骤：步骤一、构建模型数据集；模型数据集包括模型预测数据集和验证辅助数据集；模型预测数据集包括带有地理定位信息的水稻纹枯病众源植保数据，以及对应的气象数据和生育期数据；验证辅助数据集包括不同区域的历史病害动态发展曲线；步骤二、构建以气象数据和生育期数据为输入，病害动态发展曲线为输出的水稻纹枯病动态预测模型；步骤三、针对验证辅助数据集计算不同区域的历史病害动态发展曲线的病害曲线下面积；计算所得的多个病害曲线下面积的平均值，记为历年病害audpc平均值；步骤四、利用水稻纹枯病动态预测模型预测出水稻纹枯病众源植保数据对应的病害动态发展曲线；并计算该病害动态发展曲线的病害曲线下面积。计算所得病害曲线下面积与步骤三所得历年病害audpc平均值的偏差值dv。将该偏差值与预设的偏差标准std进行比较，若偏差值dv小于预设的偏差标准std时，则认为该样本点的预测结果可接受。统计预测结果可接受的样本占所有样本的比例，作为audpc偏差可接受率。以audpc偏差可接受率为评价指标，对步骤二构建的水稻纹枯病动态预测模型进行模型标定，完成对水稻纹枯病动态预测模型的训练；步骤五、利用经过步骤四训练得到的水稻纹枯病动态预测模型对区域范围内的水稻纹枯病进行预测，得到时空预测的病害动态发展曲线。2.根据权利要求1所述的一种众源植保数据驱动的水稻纹枯病时空动态预测方法，其特征在于：所述的水稻纹枯病众源植保数据的获取方式为：向水稻种植者或管理人员提供移动端；当移动端的使用者发现水稻出现水稻纹枯病时，上传地理定位信息。3.根据权利要求1所述的一种众源植保数据驱动的水稻纹枯病时空动态预测方法，其特征在于：所述的气象数据包括温度数据和降水数据。4.根据权利要求1所述的一种众源植保数据驱动的水稻纹枯病时空动态预测方法，其特征在于：所述的病害流行曲下面积audpc的表达式如下：其中，y
i
为病害动态发展曲线上的第i个时相观测到的病株率，t
i
为第i个时相；n为总时相数。5.根据权利要求1所述的一种众源植保数据驱动的水稻纹枯病时空动态预测方法，其特征在于：所述的偏差值dv的表达式如下：dv＝|audpc-audpc'|其中，audpc为水稻纹枯病动态预测模型预测出的水稻纹枯病众源植保数据病害动态发展曲线的病害曲线下面积，audpc'为历年病害audpc平均值。6.根据权利要求1所述的一种众源植保数据驱动的水稻纹枯病时空动态预测方法，其特征在于：所述的偏差标准std取对应区域历年病害audpc平均值的n倍，n为区间(0,1)内的一个常数。7.根据权利要求1所述的一种众源植保数据驱动的水稻纹枯病时空动态预测方法，其
特征在于：audpc偏差可接受率pr的表达式如下：其中，u'为预测结果可接受的样本,u为总样本数。8.根据权利要求1所述的一种众源植保数据驱动的水稻纹枯病时空动态预测方法，其特征在于：步骤二的水稻纹枯病动态预测模型基于seir模型构建。9.根据权利要求1所述的一种众源植保数据驱动的水稻纹枯病时空动态预测方法，其特征在于：步骤四中进行模型标定过程为：基于遗传算法进行构建适应度函数和编码，对水稻纹枯病动态预测模型进行模型参数寻优。模型参数寻优过程中，以计算得到的audpc偏差可接受率作为遗传算法的适应度函数。

技术总结
本发明公开了众源植保数据驱动的水稻纹枯病时空动态预测方法；其过程如下：一、构建模型数据集。二、构建以气象数据和生育期数据为输入，病害动态发展曲线为输出的水稻纹枯病动态预测模型。三、针对验证辅助数据集计算不同区域的历史病害动态发展曲线的病害曲线下面积。计算所得的多个病害曲线下面积的平均值，记为历年病害AUDPC平均值。四、以病害曲线下面积的偏差可接受率为精度评价指标，对步骤二构建的水稻纹枯病动态预测模型进行模型标定。五、利用经过步骤四训练的水稻纹枯病动态预测模型对研究区域的水稻纹枯病进行预测，得到预测的病害动态发展曲线。测的病害动态发展曲线。测的病害动态发展曲线。


技术研发人员：张竞成 黄玉娟 金子晶 马慧琴 袁琳 董莹莹 吴开华 陆玉恒
受保护的技术使用者：杭州电子科技大学
技术研发日：2023.05.25
技术公布日：2023/8/14