水稻FT-AI-GSCMPP蟲害防控模型研究及應用*

王興旺，鄭漢垣，范慧峰

(1. 上海農林職業技術學院,上海市,201699; 2. 上海大學計算機工程與科學學院,上海市,200444;3. 上海松江區水稻研究所,上海市,201620)

0 引言

水稻是重要糧食作物,我國以稻米為主食的人口比例達到60%左右[1],水稻種植面積約為30 213.2 khm2,占糧食種植總面積的27%左右,水稻總產量約為210 Mt,占糧食總產量的33%左右[2-5]。松江稻米是上海特色糧食產品,主要品種為“松香粳1018”等,其米粒柔軟具有彈性,表面光滑且口感清香略甜,在江浙滬一帶極為暢銷[6-8]。2022年上海市松江區水稻種植面積約為11.3 khm2,年產量約為97.8 kt。目前水稻受蟲害危害嚴重,上海市松江區水稻蟲害發生嚴重種植面積約3.7 khm2,致使水稻減產約10.8 kt,種植戶遭受到巨大經濟損失[9],水稻蟲害主要包括稻象甲、黏蟲、蚜蟲、稻癭蚊等約30種害蟲[10]。

研究人員對蟲害防控做了大量的研究工作,旨在探索蟲害發生規律,加強蟲害防控并提升蟲害防控工作效率。韓雨昊等[11]建立一種基于CART算法的蟲害模型,并將其應用到田間蟲害數量預測,為蟲害預警提供了重要的科學依據;徐會杰等[12]對YOLOv3模型進行改進,提出一種新的玉米葉片病蟲害檢測模型,解決了玉米頁面檢測中漏檢率高與魯棒性差等問題;Mandal等[13]將Z型控制方法應用于構建作物害蟲天敵模型,通過所提出的Z型控制器實現任何期望的害蟲種群數量,從而實現控制害蟲的目標。王江晴等[14]為解決神經網絡參數量和計算復雜度過大問題,提出一種輕量化VGG的植物病蟲害識別模型,通過試驗研究發現在復雜計算環境下,病蟲害的識別準確率和識別時間得到大幅度提升。Hou等[15]以蟲害種群密度作為蟲害綜合治理的控制指標,建立了具有群體防御行為的蟲害綜合治理Filippov模型,通過試驗驗證了所建立模型的動力學、滑模動力學、實平衡、虛平衡和偽平衡的存在性和全局穩定性。

常用水稻蟲害防控模型主要包括Malthus模型、Logistic模型等[16],可以對水稻進行蟲害防控,但在資源對種群抑制作用、農藥對害蟲天敵毒殺作用等方面考慮不多,具有一定的局限性,致使蟲害防控效率不夠高。隨著現代化農業的發展,水稻生產需要更高效、更智能化的蟲害防控模型進行蟲害防控,對水稻蟲害防控模型的研究和應用勢在必行。由于常用蟲害防控模型對水稻蟲害防控不夠理想,本研究在水稻蟲害種群廣義系統模型(GSMPP)的基礎上進行改進?？紤]到GSMPP對于人工防控因素考慮不全面,將清除病殘葉、噴灑農藥等人工干預因子加入模型,并引入模糊理論,建立和創新一種基于模糊理論的人工干預因子水稻蟲害種群廣義系統控制模型(FT-AI-GSCMPP),在上海松江水稻種植基地開展了系列試驗并將蟲害防控模型應用于“松香粳1018”等水稻品種生產。

1 材料與方法

1.1 試驗材料

試驗以“松香粳1018”水稻品種為試材,試驗地為上海市松江區水稻種植基地,試驗地位于上海市西南部(東經121°45′,北緯31°,海拔103.7 m),氣候溫和濕潤,適宜種植水稻。試驗地年平均氣溫約17.6 ℃,年平均降水量約1 079.4 mm,年平均日照總時數約1 784.7 h,全年無霜期約230 d。試驗地土壤種類介于砂土與黏土之間,以“青紫泥”居多,土壤肥力好,有機質含量約29.64 g/kg,有效磷含量約58.47 mg/kg,全氮含量約1.85 g/kg。試驗材料行距約30 cm,株距約25 cm,分為早、中、晚稻三種類型種植。

1.2 數據獲取與處理

上海松江水稻種植基地種植水稻約11.3 khm2,其中“松香粳1018”稻種種植面積約4.8 khm2,水稻種植基地布設了16處物聯網信息采集設備,具備開展數據信息采集的完備條件。本研究對2019年1月—2022年12月期間“松香粳1018”種植情況進行數據信息采集,數據調查采集方法采用傳感器監測法、抽樣調查法、觀察法等,數據采集內容主要為水稻種群密度數據、蟲害種群密度數據、清除殘葉數據、噴灑農藥種類及劑量數據、蟲害種群的捕獲效率數據等,每5～7 d調查并采集1次數據。

本研究使用2019年1—12月蟲害發生情況數據用于建模,使用2020年1月—2022年12月數據用于模型檢驗。

1.3 建立GSMPP模型

為有效提升水稻蟲害防控工作效率,合理控制水稻種群密度、蟲害種群密度、蟲害天敵種群密度,本研究建立水稻蟲害種群廣義系統模型(GSMPP)[17],蟲害種群處在如式(1)所示的平衡狀態。

(1)

式中:m——蟲害天敵種群對蟲害種群的捕獲效率;

x2(t)——t時刻蟲害種群密度;

d——蟲害種群的死亡率;

r2——蟲害種群的內稟增長率;

k2——蟲害種群的最大環境容納量;

p——天敵種群密度。

設k2與x1(t)成正比,即k2=cx1(t),x1(t)表示t時刻水稻種群的種群密度,c表示水稻種群對蟲害種群的影響系數,則得到

(2)

設水稻種群密度x1(t)符合邏輯增長,則

(3)

式中:k1——水稻種群的最大環境容納量;

r1——水稻種群的內稟增長率。

根據蟲害種群與水稻種群之間的作用關系,由式(3)得到

(4)

式中:a——蟲害種群對水稻種群的影響系數。

水稻蟲害種群的廣義系統模型為

(5)

根據式(5)設計控制器的步驟如下。

步驟1:根據式(5)建立控制模型。

步驟2:由模糊神經網絡得到相應的模糊模型并對所建控制模型進行逼近。

步驟3:針對模糊模型設計控制器,達到全局穩定的目標,從而實現式(5)控制模型的全局穩定,完成對模型的控制。

1.4 提出并建立AI-GSCMPP模型

GSMPP模型能夠在一定程度上控制水稻種群密度、蟲害種群密度,但缺乏考慮人工蟲害防控因素,本研究對GSMPP模型進行改進,將清除病殘葉和噴灑農藥等因子加入模型,建立了基于人工干預因子的水稻蟲害種群廣義系統控制模型 (AI-GSCMPP)[18]。其中u1(t)表示清除病殘葉因子,u2(t)表示噴灑農藥因子,從而得到式(5)的控制模型式(6)。

(6)

η1(t)=x1(t)-x1*(t)

η2(t)=x2(t)-x2*(t)

則式(6)演化為

(7)

式中:x1*(t)——t時刻水稻種群密度平衡點坐標;

x2*(t)——t時刻蟲害種群密度平衡點坐標;

η1(t)——t時刻水稻種群密度與水稻種群密度平衡點之差;

η2(t)——t時刻蟲害種群密度與蟲害種群密度平衡點之差;

式(7)即為基于人工干預因子的水稻蟲害種群廣義系統控制模型 (AI-GSCMPP)。

1.5 提出并建立FT-AI-GSCMPP模型

AI-GSMPP模型能夠提升水稻蟲害防控效率,但是由于涉及變量較多,對于系統動態描述比較困難,難以高效實施水稻蟲害防控,為解決這一問題,本研究在AI-GSCMPP模型的基礎上引入模糊理論,對水稻蟲害實施非線性智能防控,建立了基于模糊理論的人工干預因子水稻蟲害種群廣義系統控制模型(FT-AI-GSCMPP)[19],模糊系統結構為

(8)

式中:x(t)——輸入變量;

Y[x(t)]——x(t)的線性向量函數;

λi[x(t)]——相應規則的輸出權重;

N——模糊規則個數;

Yi[x(t)]——不同模糊規則個數下x(t)的線性向量函數。

根據式(8)可得模糊廣義系統模型為

(9)

當輸出具有相同規則時,式(9)可以轉化為

(10)

模糊規則數目N的確定與模糊規則的專家經驗和實際采集數據量密切相關,本研究利用神經網絡方法來滿足模糊廣義系統的逼近精度,確立模糊規則為5,得到式(9)的模糊廣義系統模型,如式(11)所示。

(11)

模糊集的隸屬度函數為

(12)

式中:ωij(xj)——隸屬度函數;

cij——隸屬度函數中心;

σij——隸屬度函數的寬度。

1.5.1 模型訓練

步驟1:式(9)中,準備2 000組水稻種群密度數據和蟲害種群密度數據。

步驟2:式(11)中,初始化寬度和權值數據,采用模糊c均值算法計算初始中心cij,進行模糊劃分。

步驟3:用BP誤差逆傳播算法對式(11)初始中心cij、后件連接權和寬度進行修正。

ωk(k=1,2)表示實際輸出,ωEk表示期望輸出,ε表示精度,則誤差為

(13)

執行第一次循環,根據步驟2中的初始值,按照式(14)參數的修正算法

(14)

(15)

(16)

得到相應的模糊廣義系統模型為

(17)

1.5.2 控制器設計

針對式(17),設計控制器為

(18)

控制器中Ki=NiQ-1,矩陣Ni,Q和Yji=YjiT(i,j=1,…,5)滿足

ETQ=QTE≥0

(19)

QTAiT+NiTBT+AiQ+BNi

(20)

AiQ+AjQ+QTAiT+QTAjT+BNj+BNi+NjTBT+NiTBT≤Yij+YijT

[Yij]5×5<0

(21)

則式(17)全局漸近于原點。

將式(18)代入式(17),得到

(22)

在控制器作用下,水稻種群密度達到較高狀態,蟲害種群密度達到較低狀態,達到水稻蟲害防控目的。

1.6 試驗方法

1.6.1 蟲害防控分類檢驗

本研究于2020年1月—2022年12月在上海松江水稻種植基地開展了不同類型的水稻蟲害防控檢驗,主要包括五種模型對單種蟲害防控檢驗、五種模型對多種蟲害防控檢驗、五種模型對多種蟲害不同年份發生率檢驗等。

1.6.2 水稻生產應用

本研究于2022年1—12月將Logistic、Holling、Lotka-Volterra、Malthus、FT-AI-GSCMPP五種蟲害防控模型應用于上海松江水稻種植基地實際生產中,應用稻種為“松香粳1018”,該稻種在松江種植面積約為4.8 khm2,為了管理方便,劃分出五個面積相同而位置不同的水稻種植區域,每個區域對應不同的蟲害防控模型進行管理,合理控制水稻種群密度、蟲害種群密度、蟲害天敵種群密度,并采用清除病殘葉和噴灑農藥等技術手段對水稻蟲害進行防控。

2 結果與分析

本研究將建立的FT-AI-GSCMPP模型與Logistic、Holling、Lotka-Volterra、Malthus等四種常用的蟲害防控模型對水稻進行蟲害防控試驗與生產應用,將蟲害發生情況數據信息分為訓練集、驗證集、測試集三個部分,分別占比為70%、15%、15%。試驗計算環境為:聯想Think Server TS90X E-2324G 4核3.1～4.6 GHz服務器,512G RAM,I79700KF CPU,8×4T固態硬盤,RTX3060TI 8G G6X顯卡。

2.1 模型檢驗

2.1.1 模型完善性檢驗

為了驗證模型設計是否完善,本研究對FT-AI-GSCMPP模型進行了完善性檢驗,檢驗結果如表1所示。表1中λ、θ、x、t、u五個參數的標準差分別為1.526 87、0.032 56、0.021 85、1.658 95、0.005 43,所對應的P值分別為0.002 3、0.005 4、0.008 5、0.002 9、0.003 8,均小于0.01,全部通過了完善性檢驗,說明FT-AI-GSCMPP模型設計較為完善,誤差較小,該模型可以對水稻蟲害進行正常防控。

表1 FT-AI-GSCMPP模型完善性檢驗Tab. 1 Perfection test of FT-AI-GSCMPP model

2.1.2 模型平穩性檢驗

為了保證蟲害防控模型能夠正常對水稻進行蟲害防控,必須驗證FT-AI-GSCMPP模型的平穩性,本研究采用單位根檢驗法,利用Eviews10.0軟件進行計算和數據分析,結果如表2所示。表2中原序列的5%臨界值為-2.954 623,小于所對應的T統計量的-1.654 687,表明數據序列還不平穩;一階差分處理后,5%臨界值大于T統計量的-4.521 368,表明數據序列已經平穩,FT-AI-GSCMPP可以對水稻蟲害進行正常防控。

表2 FT-AI-GSCMPP平穩性檢驗Tab. 2 FT-AI-GSCMPP stability test

2.2 蟲害防控分類檢驗

為了驗證蟲害防控模型對水稻蟲害的防控能力和效果,本研究開展了不同模型對稻象甲防控檢驗,數據統計如表3～表5所示。表3統計了五種水稻蟲害防控模型對稻象甲防控數據,稻象甲在上海松江水稻種植基地發生較為嚴重,該蟲取食稻葉后,使稻葉倒折,給種植戶帶來嚴重經濟損失。Logistic、Holling、Lotka-Volterra、Malthus、FT-AI-GSCMPP五種模型的百叢蟲量平均值分別為26.62頭、30.57頭、35.65頭、21.58頭、16.42頭,模型間百叢蟲量達到顯著水平,Lotka-Volterra百叢蟲量平均值最大,為35.65頭,FT-AI-GSCMPP百叢蟲量平均值最小,為16.42頭,縮減率為53.94%,五種模型中FT-AI-GSCMPP的稻象甲種群密度達到最小。FT-AI-GSCMPP的蟲量防效平均值最大,為95.67%,平均值最小為Lotka-Volterra的71.63%,蟲害防效提升了24.04%。由于蟲量防效較好,FT-AI-GSCMPP的卷葉率平均值最小,為0.56%,其卷葉防效平均值最大,為94.12%。從而得出結論,FT-AI-GSCMPP對稻象甲的防控能力最強。

表3 不同模型對稻象甲防控檢驗Tab. 3 Inspection of different models for rice weevil control

表4統計了五種模型對三種蟲害防控檢驗結果,觀察表4,對于黏蟲而言,百叢蟲量平均值最大為Lotka-Volterra的25.23頭,平均值最小為FT-AI-GSCMPP的12.38頭,降低了50.93%;蟲口減退率平均值最大為FT-AI-GSCMPP的91.84%,平均值最小為Lotka-Volterra的70.68%,提升了21.16%。對于蚜蟲而言,百叢蟲量平均值最大為Holling的26.37頭,平均值最小為FT-AI-GSCMPP的17.26頭,降低了34.55%;蟲口減退率平均值最大為FT-AI-GSCMPP的90.68%,平均值最小為Holling的71.86%,提升了18.82%。對于稻癭蚊而言,百叢蟲量平均值最大為Logistic的22.95頭,平均值最小為FT-AI-GSCMPP的13.41頭,降低了41.57%;蟲口減退率平均值最大為FT-AI-GSCMPP的92.65%,平均值最小為Logistic的72.64%,提升了20.01%。綜合所有防控檢驗結果,FT-AI-GSCMPP對于黏蟲、蚜蟲、稻癭蚊三種蟲害防控最穩定且效果最好。

表4 五種模型對三種蟲害防控檢驗Tab. 4 Test of five models for controlling three pests

表5統計了五種模型對三種蟲害連續三年的發生率檢驗結果。

表5 五種模型對蟲害發生率檢驗Tab. 5 Test of five models for pest incidence

對于鉆心蟲發生率而言,2020年、2021年、2022年鉆心蟲發生率平均值最大分別為Lotka-Volterra的21.85%、Lotka-Volterra的18.65%和Holling的10.94%,2020年、2021年、2022年鉆心蟲發生率平均值最小分別為FT-AI-GSCMPP的18.24%、13.65%和6.96%,FT-AI-GSCMPP在三年鉆心蟲發生率一直保持最小且鉆心蟲發生率平均值最大值和最小值都有下降趨勢;對于稻飛虱發生率而言,2020年、2021年、2022年稻飛虱發生率平均值最大分別為Lotka-Volterra的30.69%、27.85%和16.74%,稻飛虱發生率平均值最小分別為FT-AI-GSCMPP的22.52%、20.34%、9.98%;對于稻薊馬發生率而言,2020年、2021年、2022年稻薊馬發生率平均值最大分別為Lotka-Volterra的16.21%、15.32%和Holling的8.65%,稻薊馬發生率平均值最小分別為FT-AI-GSCMPP的11.25%、9.57%、3.53%。綜合2020年、2021年、2022年鉆心蟲發生率、稻飛虱發生率和稻薊馬發生率來看,FT-AI-GSCMPP的三種蟲害發生率能夠保持最小且穩定,在五種模型中FT-AI-GSCMPP對于鉆心蟲、稻飛虱、稻薊馬的蟲害防控效果最佳。

2.3 水稻生產應用

為了檢驗水稻蟲害防控模型對水稻實際生產的影響作用,本研究統計了不同模型對水稻生長影響數據,分別如表6～表8所示。 表6表示五種水稻蟲害防控模型對水稻生長產生的影響,觀察表6,根長平均值最大為FT-AI-GSCMPP的24.21 cm,平均值最小為Holling的16.87 cm,增長率為43.51%,蟲害防控模型對水稻根長影響顯著,其中FT-AI-GSCMPP達到最優;株高的平均值最大為FT-AI-GSCMPP的59.79 cm,平均值最小為Lotka-Volterra的53.21 cm,增長率為12.37%,蟲害防控模型對株高影響不顯著;地上部鮮重FT-AI-GSCMPP的平均值達到最大,地下部鮮重FT-AI-GSCMPP達到次大值,葉片的SPAD值FT-AI-GSCMPP的平均值也達到最大。綜合來看,蟲害防控模型對水稻的根長、地上部鮮重、地下部鮮重等指標影響顯著,對株高、葉片SPAD值影響不顯著,FT-AI-GSCMPP表現較好。

表6 不同模型對水稻生長影響Tab. 6 Effects of different models on rice growth

表7表示不同蟲害防控模型對水稻品質影響數據統計,其中糙米率平均值各蟲害防控模型差異不顯著,Malthus和FT-AI-GSCMPP糙米率平均值非常接近,FT-AI-GSCMPP的糙米率平均值達到最大,為80.95%,說明Malthus和FT-AI-GSCMPP兩個蟲害防控模型使得稻谷去殼后所得的糙米比重較高;對于精米率和整精米率而言,FT-AI-GSCMPP的平均值均達到最大,分別為75.63%和72.33%;對蛋白質含量而言,Malthus的平均值最大為7.02%,平均值的最小值為Lotka-Volterra的5.16%,均小于8%,全部具有較好的適口性;對于直鏈淀粉含量而言,平均值最大為Logistic的18.25%,平均值的最小值為Holling的15.23%,均在15%～20%之間,各模型均具有較好的食味性。綜合所有數據來看,FT-AI-GSCMPP的糙米率、精米率和整精米率的平均值均達到最大,對水稻生產效率和品質促進作用最好。

表7 不同模型對水稻品質影響Tab. 7 Effects of different models on rice quality

從模型P值來看,糙米率、蛋白質含量、直鏈淀粉含量三個指標的模型P值分別為0.672、0.528、0.349,均大于0.05,說明蟲害防控模型對糙米率、蛋白質含量、直鏈淀粉含量影響不顯著。精米率的模型P值為0.015,小于0.05,蟲害防控模型對精米率的影響顯著,整精米率的模型P值為0.013,小于0.05,表明該指標受蟲害防控模型影響顯著。綜合所有結果,蟲害防控模型對于精米率和整精米率有較好的促進作用,FT-AI-GSCMPP達到最優。

表8統計了五種蟲害防控模型對水稻產量影響數據,對于結實率而言,結實率的平均值最大為FT-AI-GSCMPP的93.38%,結實率平均值最小為Lotka-Volterra的90.38%,整體相差不大,五種蟲害防控模型所管理的水稻籽粒含量均較好;對于每穗粒數而言,Malthus和FT-AI-GSCMPP粒數平均值較高且接近,Malthus的每穗粒數平均值達到最大,為91.13粒;對于穗數而言,FT-AI-GSCMPP為34.58萬穗/667 m2,平均值達到所有模型最大,表明FT-AI-GSCMPP對水稻穗數增加有較好的促進作用;對于千粒重而言,各模型間差異不顯著,比較接近。實際產量中FT-AI-GSCMPP平均值達到最大,為686.37 kg/667 m2,領先于其它模型。綜合所有數據,蟲害防控模型對于水稻有較好的增產增收作用,FT-AI-GSCMPP在所有模型中表現最突出。

表8 不同模型對水稻產量影響Tab. 8 Effects of different models on rice yield

3 討論

Logistic[20]、Holling[21-23]、Lotka-Volterra[24-27]、Malthus[28-31]是四種比較常用的蟲害防控模型,可用于水稻蟲害防控。常用蟲害防控模型通常會研究蟲害種群密度、作物種群密度、蟲害天敵種群密度之間的相互作用關系,研究范圍集中在以蟲害防控模型為核心的化學防控研究領域,隨著脈沖微分方程的發展[32],噴灑農藥前后蟲害天敵種群密度和蟲害種群密度備受研究人員關注,對于新技術的融入和實際生產應用討論不多,Logistic、Holling、Lotka-Volterra、Malthus等模型重點研究蟲害防控模型的相關理論及其性質,對實際生產中蟲害防控因素考慮不夠全面,對于上海松江水稻蟲害防控生產需求還存在一定的差距。

目前常用的蟲害防控模型重點考慮以化學防控為主,對作物種群密度、蟲害種群密度、蟲害天敵種群密度對實際生產影響和作用研究不夠充分,導致蟲害防控效率不夠理想[33]。為了合理控制水稻種群密度、蟲害種群密度、蟲害天敵種群密度,本研究在水稻蟲害種群廣義系統模型(GSMPP)的基礎上進行改進,考慮到人工干預因素的影響,將清除病殘葉和噴灑農藥等因子融入模型,建立了基于人工干預因子的水稻蟲害種群廣義系統控制模型(AI-GSCMPP)。AI-GSMPP能夠較好提升水稻蟲害防控效率,但涉及變量較多,對于系統動態描述比較困難,難以高效實施水稻蟲害防控,仍需進一步改進和優化。

Logistic、Holling、Lotka-Volterra、Malthus等蟲害防控模型需要建立精確的數學模型,建模過程涉及變量較多且描述復雜,理解和應用難度較大,難以提升水稻生產蟲害防控工作效率[34]。模糊理論是以隸屬度函數為核心技術的理論方法,設計過程無需建立被控對象精確數學模型,目前在智能防控和智能決策領域有廣泛應用[35]。

綜合考慮模糊理論的應用領域和優勢,本研究在蟲害防控模型中引入模糊理論,對水稻蟲害實施非線性智能防控,建立了基于模糊理論的人工干預因子水稻蟲害種群廣義系統控制模型(FT-AI-GSCMPP)。通過蟲害防控模型對稻象甲、黏蟲、蚜蟲、稻癭蚊防控效果分析,FT-AI-GSCMPP在蟲量防效和蟲口減退率方面領先于其他常用蟲害防控模型;通過對2020年、2021年、2022年鉆心蟲、稻飛虱、稻薊馬三種蟲害發生率數據統計,FT-AI-GSCMPP的平均發生率最低,且成逐年下降趨勢。將五種蟲害防控模型在水稻實際生產中進行應用,發現蟲害防控模型對水稻的根長、株高、地上部鮮重、地下部鮮重、SPAD等指標有一定促進作用且FT-AI-GSCMPP表現最佳,FT-AI-GSCMPP對于精米率、整精米率、實際產量等指標的促進作用也表現較好。

4 結論

1) 為了合理控制水稻種群密度、蟲害種群密度,有效提升水稻蟲害防控效率,本研究建立了水稻蟲害種群廣義系統模型(GSMPP)。為了進一步提升模型工作效率,本研究對GSMPP進行改進和創新,將清除病殘葉和噴灑農藥等因子加入模型并利用模糊理論進一步降低模型變量數和實施復雜性,建立了基于模糊理論的人工干預因子水稻蟲害種群廣義系統控制模型(FT-AI-GSCMPP),該模型具有防控效率高、誤差小、穩定性強等特點,能夠對水稻蟲害實施非線性智能防控,可用于水稻蟲害防控等研究領域。

2) 水稻試驗結果表明FT-AI-GSCMPP對稻象甲的蟲量防效為95.67%,卷葉防效為94.12%;FT-AI-GSCMPP對黏蟲、蚜蟲、稻癭蚊的蟲口減退率分別達到91.84%、90.68%和92.65%。水稻生產應用結果顯示FT-AI-GSCMPP對水稻的結實率、每穗粒數、穗數、千粒重、實際產量分別達到93.38%、91.04粒、34.58萬穗/667 m2、28.16 g、686.37 kg/667 m2。FT-AI-GSCMPP的蟲量防效、蟲口減退率、卷葉防效、結實率等指標領先于其他蟲害防控模型。

3) 本研究考慮首先將FT-AI-GSCMPP在上海松江水稻蟲害防控實際生產進行應用,進而逐步擴大至江浙滬地區水稻生產蟲害防控,今后的研究工作將圍繞著如何進一步提升蟲害防控模型的防控效率和病害防控因子的融入來展開。