寒地水稻旱涝急转风险识别及产量损失预测方法
本发明涉及农业灾害风险评估与作物产量预测,尤其涉及寒地水稻旱涝急转风险识别及产量损失预测方法。
背景技术:
1、在全球气候变暖的大背景下,极端水文气象事件的发生频次与强度持续攀升,旱涝急转作为兼具干旱、涝渍双重胁迫的复合型灾害,对寒地水稻的生长发育及产量形成构成了严重威胁。当前,农业灾害监测与产量预测技术已实现阶段性发展:单一干旱、涝渍灾害的识别已形成基于土壤水分阈值、气象干旱指数的成熟判定体系,田间土壤墒情自动监测网络的规模化部署,为灾害的动态连续监测提供了稳定的数据支撑;与此同时,机器学习算法被逐步应用于作物产量估算领域,通过融合气象、土壤及作物生长等多维度数据,实现了单灾种胁迫下的产量损失评估,为农业灾害风险管理提供了新的技术手段。学界也已针对旱涝交替胁迫的作物生理响应机制开展了基础研究,初步揭示了复合胁迫的非叠加效应,为旱涝急转灾害的量化研究奠定了理论基础。
2、然而,现有技术体系仍存在较为明显的短板:其一,针对旱涝急转事件的识别多停留在状态转换的定性判定层面,未构建涵盖干旱胁迫程度、涝渍胁迫程度、转换速率及发生生育期的综合强度量化特征,无法精准表征复合灾害的致灾强度;其二,现有产量损失预测模型多针对单一灾种设计,对旱涝急转过程中土壤水分动态、气象驱动因子及作物生理响应等多源特征的融合深度不足,且未针对寒地水稻的特殊生育特性进行适配优化,预测精度与区域适用性存在局限;其三,多数基于数据驱动的机器学习预测模型存在黑箱特性,未配套可解释性分析方法,无法明确核心致灾因子的贡献度与作用阈值,难以为寒地稻区的精准防灾减灾提供可落地的决策依据。
技术实现思路
1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
2、鉴于上述现有存在的问题,提出了本发明。因此,本发明提供了寒地水稻旱涝急转风险识别及产量损失预测方法,用来解决背景技术中提出的问题。
3、为解决上述技术问题,本发明提供如下技术方案:寒地水稻旱涝急转风险识别及产量损失预测方法,包括:
4、获取待分析稻田0~10cm、10~20cm、20~40cm土层土壤体积含水率,并按照寒地水稻根系在不同土层中的分布权重计算根区土壤水分序列;
5、根据待分析稻田土壤田间持水量、饱和含水率及水稻当前生育期,确定动态干旱阈值和动态涝渍阈值;
6、在预设滑动时间窗口内,识别根区土壤水分由连续低于干旱阈值转变为连续高于涝渍阈值的旱转涝事件,或由连续高于涝渍阈值转变为连续低于干旱阈值的涝转旱事件;
7、计算干旱亏缺累积量、涝渍超量累积量、土壤水分转换速度及生育期敏感系数,构建旱涝急转综合强度指数或综合强度向量,将综合强度指数或综合强度向量与事件持续时间、降水量、水汽压亏缺、叶面积指数和干物质积累量共同输入经寒地水稻历史灾损样本训练的预测模型,输出风险等级和产量损失率。
8、与现有技术相比,本发明方案的有益效果为:
9、1、本发明以土壤水分动态数据为核心,从干旱累积胁迫程度、涝渍累积胁迫程度、水分转换速率三个维度量化灾害的物理强度,同时引入生育期敏感系数融入寒地水稻的生育特性,构建多维度综合强度特征,可准确反映旱涝急转的突变冲击效应与不同生育期的灾害敏感度差异。
10、2、本发明采用风险分类与产量损失回归的双分支多任务机器学习架构,融合土壤、气象、作物多源异构特征,选用适配表格型灾害数据的集成学习算法,通过鲁棒性强的联合损失函数完成模型训练,可有效刻画土壤-作物-大气连续体在复合胁迫下的非线性致灾规律,适配寒地水稻的特殊生育特性,同时输出定性风险分级与定量损失率两类评估结果。
11、3、此外,本发明还通过夏普利加性解释值分析量化各致灾因子的边际贡献,通过部分依赖分析明确致灾因子的非线性作用阈值,通过藤蔓连接函数分析极端风险下的联合致灾效应,能够直观反演旱涝急转的致灾机理,为寒地稻区制定针对性防灾补救措施、优化农田水利排灌标准提供明确的科学依据。
1.寒地水稻旱涝急转风险识别及产量损失预测方法,其特征在于,包括:
2.如权利要求1所述的寒地水稻旱涝急转风险识别及产量损失预测方法,其特征在于,所述识别出旱涝急转事件,包括:
3.如权利要求1所述的寒地水稻旱涝急转风险识别及产量损失预测方法,其特征在于,所述转换速度,包括:
4.如权利要求1所述的寒地水稻旱涝急转风险识别及产量损失预测方法,其特征在于,所述其他从所述多源数据中提取的预设特征至少包括以下特征中的一类:
5.如权利要求1所述的寒地水稻旱涝急转风险识别及产量损失预测方法,其特征在于,所述机器学习模型,包括:
6.如权利要求5所述的寒地水稻旱涝急转风险识别及产量损失预测方法,其特征在于,当采用双分支多任务网络时,所述共享特征提取层采用表格先验数据拟合网络或多层感知机网络;
7.如权利要求1所述的寒地水稻旱涝急转风险识别及产量损失预测方法,其特征在于,所述方法还包括:
8.如权利要求7所述的寒地水稻旱涝急转风险识别及产量损失预测方法,其特征在于,所述可解释性分析方法,包括:
9.如权利要求7所述的寒地水稻旱涝急转风险识别及产量损失预测方法,其特征在于,所述可解释性分析方法,包括:
10.如权利要求7所述的寒地水稻旱涝急转风险识别及产量损失预测方法,其特征在于,所述可解释性分析方法,包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com