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.安徽省滁州市農業農村技術推廣中心,安徽滁州 239000; 3.安徽省滁州市南譙區農業農村技術推廣中心,安徽滁州 239000; 4.安徽省農業科學院作物研究所,安徽合肥 230031; 5.安徽省農業氣象中心,安徽合肥 230031)

小麥赤霉病又稱紅頭瘴、爛麥頭[1],病部表現為粉紅色霉層。赤霉病爆發時,一般年份小麥減產10%～30%,重發年份減產可達70%～80%,甚至顆粒無收[2]。赤霉病不僅會造成小麥嚴重減產,而且產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至華南冬麥區均有發生,其中以長江中下游地區流行頻率最高[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大流行,其中2012年長江中下游江淮麥區發病面積高達9.27×106hm2。因此,準確預測赤霉病發生趨勢,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],其發生除受菌源數量、植株抗性、寄主生育時期、輪作制度等因素影響外,病菌生長、發育、繁殖、侵染和流行均與氣象要素密切相關。研究表明,在小麥赤霉病發生關鍵期,赤霉病的發生與花期氣象條件關系密切,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生流行均可產生影響。圍繞赤霉病預測預報,國內外學者開展了相關研究。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、網絡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小麥赤霉病逐步回歸模型;岳偉[15]主要考慮降水日數和降水強度對赤霉病的影響,建立了基于綜合降水指數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展,機器學習在預測模型中被廣泛應用,如神經網絡[16]、隨機森林[17]以及支持向量機[18]等。支持向量機(support vector machine,SVM)是基于統計學習理論的機器學習算法,具有嚴格的數學邏輯,能夠較好地解決小型數據樣本、高維度、非線性的問題,學習與泛化能力強,即使在樣本數量有限的情況下,也能在理論上取得最優的預測結果,在面對神經網絡難以越過的局部最優問題時,SVM可以提供更精準的最優解。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病率進行預測,效果優秀;吳彥衡[21]采用網格搜索法構建了基于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趨勢,開展本地赤霉病預測方法研究很有必要。由于地區氣候差異,生產方式不同,對于赤霉病關鍵氣象因子、關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生程度[23]。本研究以氣象因子和病害數據為基礎,構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化提升模型參數尋優能力,提高模型精度,同時考慮本地小麥品種差異,構建分品種的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,為政府和農業部門防控赤霉病決策調度提供重要依據。

1 材料與方法

1.1 數據資料

研究區域包括滁州市轄南譙區以及來安縣、全椒縣、天長市、定遠縣、鳳陽縣、明光市共7個區縣(圖1)。小麥赤霉病資料來源于滁州市農業農村局,主要包括以上7個縣區上報的2005-2020年該地小麥赤霉病病穗率、病情指數等資料,一般在每年的5月下旬統計。對應氣象資料來源于滁州市氣象局,主要包括7個區縣國家氣象站點的歷年逐日平均氣溫(℃)、日照時數(h)、相對濕度(%)、平均風速(m·s-1)、降水量(mm)等。因南譙區無國家氣象站點,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 灰色關聯分析(GRA)

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

設母序列為x0(t),共有m個數據,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)數據標準化處理

因數據間量綱和大小的差異,需要對原始數據進行變換。本研究采用均值化方法對數據進行標準化處理,即先分別求出各序列的平均值和標準差,再將原始數據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)求關聯系數和關聯度

①計算關聯系數

ζ(x0(t),xi(t))=

(1)

②計算關聯度

(2)

式中,ri為母序列與因子序列的關聯度,ζi[x0(t),xi(t)]為母序列與因子序列的關聯系數,n為比較序列的數據個數。

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據通過非線性映射算法?轉化到高維特征空間?(x),進而在特征空間中擬合回歸函數

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

(3)

式中w為權向量;b為偏置常數。

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[25-26]。

在MATLAB中,SVR主要的函數libsvmtrain調用格式為model=libsvmtrain(output_train,input_train,cmd)。其中,cmd表示選項參數,主要指懲罰因子C和核參數g,它們的選擇直接影響模型預測結果的準確度[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,容易出現欠擬合現象。核函數參數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模型進行參數尋優。

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計算得到,其值表示粒子的優劣。具體算法:假設在搜索空間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,根據目標函數即可計算出每個粒子位置Xi對應的適應度值。設第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值,將初始適應值作為各個粒子個體最優解并尋找全局最優解;

(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,找出粒子最優位置向量。

(8)

(9)

(4)判斷是否找出全局最優解,滿足結束任務,否則繼續執行。

1.3 模型構建及驗證方法

通過對氣象因子與小麥赤霉病病穗率的相關性和灰色關聯分析,篩選相關顯著和關聯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的全局尋優功能獲取參數C和g最優解,構建滁州地區小麥赤霉病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組樣本數據中,選擇92組作為訓練樣本用于構建模型,剩余的20組數據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據均作歸一處理。PSO算法參數設定粒子群算法最大進化代數為100,種群數目20,懲罰因子C∈[0.1,100],核函數參數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,得到當前群體的最優位置。迭代更新種群適應度,獲得最優SVR參數(C和g)。將樣本數據輸入SVR,最優SVR參數(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 結果與分析

2.1 氣象因子選取

小麥越冬期到灌漿期內的氣象條件對赤霉病的發生發展均可產生影響[4,7-9,15,29]。結合李剛華[30]對江淮分水嶺小麥發育進程劃分和滁州市氣象局作物發育期歷史觀測資料,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。根據相關研究[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。拔節至孕穗期,氣溫與小麥赤霉病病穗率的相關性不顯著;降水量、雨日數、相對濕度與赤霉病病穗率呈顯著正相關,其中降水量、雨日數相關性極顯著;日照時數與赤霉病病穗率呈顯著負相關。抽穗揚花期,只有雨日數、相對濕度與赤霉病病穗率呈顯著正相關,其余要素相關性不顯著。灌漿期內氣象因子與赤霉病病穗率的相關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性顯著,其中降水量、雨日數、相對濕度呈極顯著正相關,日照時數呈極顯著負相關。

表2 小麥赤霉病與各生育時期氣象因子的相關系數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小麥赤霉病發生程度間的物理機制關系尚不明確,因而選擇拔節期至灌漿期內與赤霉病相關性顯著(P<0.05)的拔節至孕穗期降水量(A1)、雨日數(A2)、相對濕度(A3)、日照時數(A4),抽穗揚花期雨日數(B1)、相對濕度(B2),灌漿期降水量(C1)、雨日數(C2)、相對濕度(C3)、日照時數(C4)等10個氣象因子進行赤霉病與氣象因子的關聯度分析。

從表3可以看出,滁州小麥赤霉病與氣象因子的關聯度數值均在0.8以上,關聯性極強,說明以上氣象因子的選取合理。其中,抽穗揚花期雨日數與赤霉病發生程度的關聯度最高。

表3 滁州地區小麥赤霉病與氣象因子的灰色關聯度Table3 Grey correlation degree between wheat scab and meteorological factors in Chuzhou

2.2 模型預測效果評價

以相關性和灰色關聯分析確定的10個氣象因子作為自變量,結合粒子群算法(PSO)構建滁州地區小麥赤霉病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)等統計量對模型預測效果進行評價,并根據測試樣本交叉驗證的均方誤差來挑選最優預測模型。對不同起報時間模型預測效果比較(表4)發現,隨著氣象預測因子的增加,PSO-SVR模型的MAE和MSE越來越小,相關系數則越來越大,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

根據滁州市各縣區小麥種植面積及赤霉病數據,全市小麥種植面積呈現北部縣市多、南部縣區少的特點,小麥赤霉病發生程度呈現北部重于南部的特征。這是因為北部沿淮麥區(定遠縣、鳳陽縣、明光市)種植品種主要以煙農、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(南譙區、來安縣、全椒縣、天長市)以揚麥、寧麥、鎮麥等春性品種為主,對赤霉病的抗性表現為中感至中抗。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生風險,而紅皮小麥品種表現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個南部縣市區的氣象數據和赤霉病資料為基礎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據和赤霉病資料為基礎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尋優過程參照前文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)發現,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部分得到的結論一致。其中,滁州全市PSO-SVR模型對病穗率高值區(>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占比總體較小,模型對高值區的訓練次數少,導致模型在預測高值區時出現偏小的情況,而分模型一定程度上改善了病穗率數值大小占比不均衡的條件,因此其對高值區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系數值分別是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 模型業務應用試驗

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

表5為2021-2022年最遲起報時間的滁州地區小麥赤霉病各PSO-SVR模型預測結果轉化為赤霉病等級,與未防治田塊小麥赤霉病實際等級比較的情況。2021年滁州地區小麥赤霉病自然狀態下病害等級為3～5級,屬于中等至大發生年份。3個模型中PSO-SVR-SOUTH和PSO-SVR-NORTH預測的赤霉病病穗率數值均達到了3級以上等級,而原PSO-SVR預測的病穗率數值對應的等級偏低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預測偏低結論一致。2022年滁州小麥赤霉病自然狀態下病害等級為1～2級,屬于偏輕及以下發生年份。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。兩年試驗結果表明,3種預測模型均可滿足業務需求,其中PSO-SVR-SOUTH和PSO-SVR-NORTH模型預測結果總體優于原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

本研究采用相關分析、灰色關聯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,并構建了基于粒子群參數優化算法的小麥赤霉病預測的多個支持向量機回歸模型。滁州地區赤霉病與小麥拔節期至灌漿期內的氣象因子關聯度高。經相關性分析,滁州地區冬季氣溫與小麥赤霉病呈顯著負相關,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論不同。因此認為,冬季高溫并不是滁州小麥赤霉病高發的必要條件。馬延慶等[37]也指出,氣溫不是影響赤霉病發生的主要因素,主要影響發病的早晚和病程快慢。拔節至孕穗期的降水量、雨日數、相對濕度與赤霉病發生程度呈顯著正相關,日照時數與赤霉病發生程度呈顯著負相關。抽穗揚花期的雨日數、相對濕度與赤霉病呈顯著正相關。灌漿期降水量、雨日數、相對濕度與赤霉病發生程度呈極顯著正相關,日照時數與之呈極顯著負相關。以上10個氣象因子與赤霉病的關聯度強,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。

本研究構建了滁州地區小麥赤霉病預測的多個PSO-SVR模型。采用粒子群算法優化SVR模型參數,減小隨機選擇懲罰因子C和核函數參數g帶來的誤差。構建的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,根據滁州地區南北不同小麥種植品種的情況,構建了按照品種劃分的赤霉病預測南北分模型。構建的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,相關系數較原來提高38.2%和29.4%,擬合優度R2分別提高了1.4倍和1.1倍,說明按照品種差異構建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模型對中等以上發生的赤霉病等級預測表現要好于原有的PSO-SVR模型,可用于本地小麥赤霉病預測業務服務。

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。因降水的非連續性和時空分布的不均勻性,單點雨量數據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。后續將積累樣本數據,繼續優化模型算法,開展分縣區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量的氣象技術保障。