首页 > 分享 > 一种用于植物病虫害预测评价的气象多情景仿真方法

一种用于植物病虫害预测评价的气象多情景仿真方法

花匠小妙招
2024-10-22 21:33

本发明属于气象模拟，具体涉及一种用于植物病虫害预测评价的气象多情景仿真方法。

背景技术：

1、对植物病虫害的发生、蔓延实现有效预测能够对防控工作起到积极的指导作用，不仅可以有效减少经济损失，还可以通过精准防控减少农药用量，推动农业绿色发展。

2、为了实现植物病虫害的有效预测，众多病虫害预测模型被提出，但现阶段只能基于有限时空范围的信息对植物病虫害预测模型进行常规验证，难以掌握模型对不同气象情景的响应，使得模型的预测能力通常得不到全面的评价。而作为主要驱动因子的气象情景，特别是一些典型、极端的气象情景是引起病虫害爆发成灾的重要条件，但这些情景下模型响应和能力的考察通常难以基于实际气象数据进行。

3、因此，非常有必要提出一种仿真不同气象情景的方法，以实现对不同气象情景下植物病虫害预测模型运行效果的全方位验证和综合优化，进一步提高模型的预测精度，这在未来植物病虫害预测研究中也具有重要应用意义。

技术实现思路

1、针对现有技术的不足，本发明提出了一种用于植物病虫害预测评价的气象多情景仿真方法，基于历史数据进行情景分析与建模，模拟输出设置气象情景下的温度数据和降水数据，为病虫害预测评价提供仿真基础。

2、本发明的具体步骤如下：

3、步骤一、局地长时序历史气象数据获取

4、收集局地历史气象数据，包括历史降水数据和温度数据。

5、作为优选，收集局地过往三十年的历史气象数据，其中降水数据的单位为毫米(mm)，温度数据的单位为摄氏度(℃)。

6、步骤二、局地气象数据统计量提取

7、对收集的局地历史气象数据进行统计量提取，包括：

8、历年同一日期气温日均值

9、

10、其中，n为计算选取的年份数量，n为10的倍数。j为年份序号，j＝1,2,3,n。i为日期，i＝1,2..,365；tij为历年同一日期气温值。

11、历年同一日期气温标准差σi：

12、

13、历年同一日期降水日均值

14、

15、其中，pij为历年同一日期降水量。

16、历年同一日期距平百分率paij：

17、

18、步骤三、植物病虫害预测评价气象情景设置

19、3-1、不同气温情景标准设置

20、根据历史数据和提取的气温统计量，设置如下气温情景标准：

21、高温情景标准：原有输入气温日值tij增加δti数值，2.0σi<δti≤3.0σi。

22、常温情景标准：保持原有输入气温日值tij不变。

23、低温情景标准：原有输入气温日值tij增加δti数值，-3.0σi<δti≤-2.0σi。

24、3-2、不同降水情景标准设置

25、根据历史数据和提取的降水统计量，设置如下降水情景标准：

26、多雨情景标准：原有输入降水量日值pij上增涨paij的百分比，80％≤paij≤95％。

27、常雨情景标准：保持原有输入降水量日值pij不变。

28、少雨情景标准：原有输入降水量日值pij上增涨paij的百分比，-95％≤paij≤-80％。

29、3-3、具体分类气象情景设置

30、结合设置的气温情景标准及降水情景标准，设置如下分类气象情景：

31、①高温多雨情景

32、温度：采用高温情景标准，原有输入气温日值tij增加δti数值，2.0σi<δti≤3.0σi，并在每月随机产生持续三天δti＝3.0σi的高温天气。

33、降水：采用多雨情景标准，原有输入降水量日值pij上增涨paij的百分比，80％≤paij≤95％，并在每月产生持续三天paij＝95％的强降水天气。

34、②高温常雨情景

35、温度：采用高温情景标准，原有输入气温日值tij增加δti数值，2.0σi<δti≤3.0σi，并在每月随机产生持续三天δti＝3.0σi的高温天气。

36、降水：采用常雨情景标准，保持原有输入降水量日值pij不变。

37、③高温少雨情景

38、温度：采用高温情景标准，原有输入气温日值tij增加δti数值，2.0σi<δti≤3.0σi，并在每月随机产生持续三天δti＝3.0σi的高温天气。

39、降水：采用少雨情景标准，原有输入降水量日值pij上增涨paij的百分比，-95％≤paij≤-80％。，在每月随机产生持续三天paij＝-95％的弱降水天气。

40、④常温常雨情景

41、温度：采用常温情景标准，保持原有输入气温日值tij不变。

42、降水：采用常雨情景标准，保持原有输入降水量日值pij不变。

43、⑤常温多雨情景

44、温度：采用常温情景标准，保持原有输入气温日值tij不变。

45、降水：采用多雨情景标准，原有输入降水量日值pij上增涨paij的百分比，80％≤paij≤95％，并在每月产生持续三天paij＝95％的强降水天气。

46、⑥常温少雨情景

47、温度：采用常温情景标准，保持原有输入气温日值tij不变。

48、降水：采用少雨情景标准，原有输入降水量日值pij上增涨paij的百分比，-95％≤paij≤-80％。，在每月随机产生持续三天paij＝-95％的弱降水天气。

49、⑦低温少雨情景

50、温度：采用低温情景标准，原有输入气温日值tij增加δti数值，-3.0σi<δti≤-2.0σi，并在每月随机产生持续三天δt＝-3.0σi的低温天气。

51、降水：采用少雨情景标准，原有输入降水量日值pij上增涨paij的百分比，-95％≤paij≤-80％。，在每月随机产生持续三天paij＝-95％的弱降水天气。

52、⑧低温常雨情景

53、温度：采用低温情景标准，原有输入气温日值tij增加δti数值，-3.0σi<δti≤-2.0σi，并在每月随机产生持续三天δt＝-3.0σi的低温天气。

54、降水：采用常雨情景标准，保持原有输入降水量日值pij不变。

55、⑨低温多雨情景

56、温度：采用低温情景标准，原有输入气温日值tij增加δti数值，-3.0σi<δti≤-2.0σi，并在每月随机产生持续三天δt＝-3.0σi的低温天气。

57、降水：采用多雨情景标准，原有输入降水量日值pij上增涨paij的百分比，80％≤paij≤95％，并在每月产生持续三天paij＝95％的强降水天气。

58、3-4、气象情景异常程度设置

59、以上情景设置中连续强高温、强降水持续时间为三天，属于轻度异常。中度、重度异常情景时，连续强降水、强高温持续时间分别设置为四天、五天。

60、步骤四、各气象情景具体模拟

61、4-1、各气象情景模拟输入数据预处理

62、根据步骤三中设置的不同气象情景，选定要模拟的温度和降水数值，再设定异常程度。然后根据设定的异常气象情景，更新历史气象数据中的温度和降水，并对更新后的数据重新求取统计量，包括历年同一日期气温tij的日均值和标准差σi，以及历年同一日期降水pij的日均值和距平百分率paij。

63、4-2、气温模拟

64、针对4-1更新后的气象数据，选取每年的日最高气温与最低气温数据，通过一阶线性自回归模型生成温度的残差χj,i(h)：

65、χj,i(h)＝aχj,i-1(h)+bεj,i(h)

66、其中，χj,i-1(h)和εj,i(h)均为大小为2*1的矩阵，h＝1、2时，χj,i-1(h)分别表示第j年第i天的最高气温的残差与最低气温的残差，εj,i(h)表示一个均值为0、方差为1的随机序列；a和b均为大小为2x2的矩阵，通过实测数据计算得到，用于使生成的数据与实测数据序列具有相同的自相关和互相关系数：

67、

68、

69、

70、

71、其中，上标-1和t分别为逆矩阵和转置矩阵；m0、m1分别为气温的协方差矩阵和气温数据序列滞后一天的协方差矩阵。

72、基于一阶线性自回归模型生成的残差，计算日最高气温timax与日最低气温timin：

73、

74、

75、其中，χj,i为一阶线性自回归模型产生的温度残差。

76、4-3降水模拟

77、以0.1mm降水量作为有降水发生的判断标准，针对更新后的气象数据，使用一阶马尔科夫链判断是否有降水发生，当有降水发生时，使用概率分布模型模拟具体的降水量，具体步骤为：

78、4-3-1降水发生模拟

79、由于马尔科夫链的无后效性，因此预测日是否出现降水，仅取决于前一天有无降水发生，而与更前时刻的降水状态无关。定义日降水量≥0.1mm为湿日，用符号w表示，日降水量＜0.1mm为干日，用符号d表示，设p(ww)表示前一天为湿日的条件下仍维持为湿日的转移概率，p(wd)表示前一天为干日的条件下转移为湿日的转移概率，则马尔科夫链可以由p(ww)、p(wd)唯一确定。

80、当历史气象数据的长度超过三十年，则p(ww)、p(wd)直接通过概率公式求算，不足三十年时，通过下述经验公式计算p(ww)、p(wd)：

81、p(wd)＝a*pw

82、p(ww)＝1-a+p(wd)

83、其中，a为常数，取值范围在0.6～0.9之间；pw表示一个月内湿日出现的概率。

84、作为优选，a的取值为0.75。

85、4-3-2降水量随机模拟

86、生成[0，1]之间的随机数，根据前一日为湿日或干日，将该随机数与降水转移概率p(ww)或p(wd)进行比较，若该随机数不大于降水转移概率，则当前日为湿日，并通过偏正态分布来产生该日的降水偏差，其降水量xij由日降水量pij加上降水量的标准正态偏差λij得到：

87、xij＝pij+λij

88、

89、

90、

91、其中，λij为标准正态偏差；pij为日降水量；si分别为日降水量的均值、标准差；gij为偏态系数；n为数据日期长度。

92、步骤五、植物病虫害预测模型评价

93、根据植物病虫害预测模型类型，分别使用静态预测模型评价方法与动态预测模型评价方法对预测模型进行评价。

94、5-1静态预测模型评价方法

95、静态预测模型针对某一时期整体病虫害发生情况进行预测，可以根据指标变化评估模型输出的鲁棒性。静态偏差指标(dev_s)具体计算表达式如下：

96、

97、

98、

99、式中：xk为预测模型输出；yk为真实植保数据；k为预测时段序号；num为预测时段数量，mean为求均值；std为求标准差。

100、静态偏差指标(dev_s)为一实数，数值大小代表模型预测结果与真实结果的偏移程度，即准确度的偏差程度，数值越大则代表模型偏差越大，准确度越低，正负代表病虫害预测结果偏高或偏低，正为偏高，负为偏低。

101、5-2动态预测模型评价方法

102、动态预测模型针对某地各时间病虫害发生情况进行预测，动态偏差指标(dev_d)具体计算表达式如下：

103、

104、

105、

106、式中：xkl为预测模型输出；ykl为真实植保数据；k为预测时段序号；l为预测时段中具体日期序号；num为预测时段数量；num1为预测时段中日期天数；mean为求均值，std为求标准差。

107、本发明具有以下有益效果：

108、考虑了极端天气频发的情况，将预测温度情形划分为高温、常温、低温三个情形，将预测降水情形划分为多雨、常雨、少雨三个情形，并组合形成高温多雨、高温常雨、高温少雨、常温多雨、常温常雨、常温少雨、低温多雨、低温常雨、低温少雨共九个预测气象情景，最后根据所期预测气象情景对气温降水进行预测。九个预测气象情景不仅包括常温常雨的正常天气情景，还涵盖了各个极端天气情景，可方便实现病虫害预测模型在各气象情景模拟下响应和鲁棒性的评估。根据评价指标，可以了解病虫害预测模型所预测结果与真实数据的偏差程度，实现较为快速的模型评价并由此进行模型参数寻优，提高模型的预测准确性及鲁棒性。

技术特征：

1.一种用于植物病虫害预测评价的气象多情景仿真方法，其特征在于：该方法具体包括以下步骤：

2.如权利要求1所述一种用于植物病虫害预测评价的气象多情景仿真方法，其特征在于：收集局地过往三十年的历史气象数据，其中降水数据的单位为毫米，温度数据的单位为摄氏度。

3.如权利要求1所述一种用于植物病虫害预测评价的气象多情景仿真方法，其特征在于：

4.如权利要求1所述一种用于植物病虫害预测评价的气象多情景仿真方法，其特征在于：所述9种气象情景的标准为：

5.如权利要求1所述一种用于植物病虫害预测评价的气象多情景仿真方法，其特征在于：降水量模拟的具体步骤为：

6.如权利要求1所述一种用于植物病虫害预测评价的气象多情景仿真方法，其特征在于：常数a的值设置为0.75。

技术总结
本发明公开了一种用于植物病虫害预测评价的气象多情景仿真方法。该方法收集局部地区的历史气象数据，进行统计量提取后，按照国家评价标准分为低温、常温、高温，少雨、常雨和多雨不同情形，并通过排列组合得到九种具有代表性的气象情景。分别模拟输出这九种不同情形下的气象数据，并涵盖极端天气情景，通过一阶线性自回归模型生成温度数据，通过一阶马尔科夫链和偏正态模型模拟降水数据，为实现病虫害预测模型在各气象情景模拟下响应和鲁棒性的评估提供了基础数据支持。实验证明该方法可靠性较高，参数设置较为合理，具有良好的预测效果和鲁棒性。

技术研发人员：张竞成,沈栋,田洋洋,马慧琴,黄然,黄敬峰,董莹莹
受保护的技术使用者：杭州电子科技大学
技术研发日：
技术公布日：2024/1/14