一种基于气象特征的稻瘟病发病风险预测方法及设备与流程

本发明涉及农业智慧植保与病害防控领域，具体涉及一种基于气象特征的稻瘟病发病风险预测方法及设备，用于实现稻瘟病发生风险的动态评估与智能分级预警。

背景技术：

1、作为一种暴发性强且极具气象敏感性的病害，稻瘟病将对水稻产量带来严重威胁。因此，构建科学有效的监测预警与精准防控体系具有重要意义。及时掌握稻瘟病的发病风险，不仅是制定差异化防控策略、保障水稻稳产增产的必要前提，也是降低化学农药过量施用、实现水稻绿色可持续防控的关键路径。传统的稻瘟病风险监测主要依赖植保人员的田间实地勘察。然而，受限于田间环境的复杂性、监测覆盖范围的局限性以及病害发生过程的动态演变性，传统人工监测手段不仅人力成本高昂，且难以实现大范围、高频率的实时监控，导致风险数据更新滞后、预警针对性不足，难以满足现代农业生产精细化管理的实际需求。

2、围绕气象特征与稻瘟病发病率的关联，国内外学者已开展大量探索并构建了多种发病风险预测模型。现有研究多以气温、相对湿度和降雨量作为核心输入变量，但大多数模型主要局限于叶瘟的预测。此外，这些模型在实际应用中仍面临明显局限：一方面，现有模型大多过于追求预测精度，忽视了模型的可解释性，导致关键气象特征对稻瘟病发展的具体作用方向及临界阈值无法明确，难以直接为实际农业生产提供科学指导；另一方面，现有模型多基于年度或生长季的累积气象特征构建，缺乏对水稻关键生育期内“月度尺度”精细化气象特征的系统性考量，导致模型对气象驱动病害发生机制的捕捉能力受限，特征选择的科学性不足，进而制约了预测性能的进一步提升。因此，如何深入揭示水稻生育期月度气象特征对稻瘟病发病率的影响，构建具备高精度与可解释性的预测模型，是实现稻瘟病早期预警与精准防控的关键。在此背景下，人工智能技术的快速发展为提升稻瘟病发病风险预测的自动化水平与智能化程度提供了全新的技术手段与研究思路。

技术实现思路

1、本发明的目的在于针对现有技术存在的上述问题，提供一种基于气象特征的稻瘟病发病风险预测方法及设备，旨在解决现有预测模型普遍存在的预测精度受限、模型可解释性差等技术瓶颈，通过深入挖掘关键气象特征对稻瘟病发病风险的驱动作用，定量揭示各特征间的协同影响机制，从而提升区域稻瘟病早期预警与差异化精准防控的科学性。

2、为了实现上述目的，以下为本发明的技术方案：

3、一种基于气象特征的稻瘟病发病风险预测方法，包括以下步骤：

4、步骤1、获取研究区域的气象数据并进行预处理，获得月度气象特征数据并构建月度气象特征数据集；

5、步骤2、获取研究区域内水稻的各个种植区的实际播种面积及对应的稻瘟病发生面积，计算稻瘟病发病率并进行归一化处理，获得各个种植区的稻瘟病真实发病率，将各种植区的月度气象特征数据作为样本，构建样本数据集；

6、步骤3、构建稻瘟病发病风险预测模型，将各个样本输入到稻瘟病发病风险预测模型进行训练；

7、步骤4、将待预测的种植区的月度气象特征数据输入到训练完成的稻瘟病发病风险预测模型，获得种植区对应的稻瘟病预测发病率，将稻瘟病预测发病率划分为低、中、高三个发病风险等级，并对应输出各个发病风险等级的差异化田间管理策略。

8、如上所述气象数据包括地面气压、最大阵风、最高温度、最低温度、太阳辐射、相对湿度、降雨天数、降雨量、降雨持续时间与土壤湿度。

9、所述预处理包括计算各气象数据对应的月度均值，对各类气象数据对应的月度均值进行标准化处理，利用反距离权重法对标准化处理后的月度均值进行空间插值，获得栅格化的月度气象特征数据。

10、如上所述稻瘟病发病风险预测模型的最终目标函数基于以下公式：

11、，

12、，

13、，

14、其中，为决策树的叶子节点索引，为决策树的叶子节点数量，和均为中间参数，为控制叶子节点数量的正则化超参数，为控制叶子节点权重的正则化超参数。

15、表示落入第个叶子节点的所有样本索引的集合，为代价敏感权重系数，为损失函数对的一阶导数结果，表示损失函数对的二阶导数结果，表示第个样本对应的稻瘟病真实发病率，表示稻瘟病发病风险预测模型在第次迭代时输出的第个样本对应的稻瘟病预测发病率。

16、如上所述代价敏感权重系数基于以下公式：

17、，

18、和分别为气象诱导特征的调节系数与生育期敏感性的调节系数，与分别表示针对第个样本的气象诱导特征的指示函数与生育期敏感性的指示函数。

19、如上所述气象诱导特征的指示函数基于以下公式：

20、，

21、式中，为条件参数序号，，为第个样本所在种植区的相对湿度，为第个样本所在种植区的太阳辐射，为第个样本所在种植区的降雨量，为指示函数。

22、如上所述第个样本所在种植区的相对湿度时，指示函数为1，时，指示函数为0，为第一阈值；

23、所述第个样本所在种植区的太阳辐射时，指示函数为0，时，指示函数为1，为第二阈值；

24、所述第个样本所在种植区的降雨量时，指示函数为1，时，指示函数为0，为第三阈值。

25、若第个样本所在种植区在分蘖期或抽穗期，则生育期敏感性的指示函数，若第个样本所在种植区不在分蘖期或抽穗期，则生育期敏感性的指示函数。

26、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述稻瘟病发病风险预测方法的步骤。

27、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述稻瘟病发病风险预测方法的步骤。

28、一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述稻瘟病发病风险预测方法的步骤。

29、本发明相对于现有技术，具有以下有益效果：

30、1、从大气动力过程、光热辐射条件及水分供需状况3个维度整合10项指标，构建包含多个精细化的月度气象特征数据的月度气象特征数据集。本发明摒弃传统研究基于年度或生长季累积气象特征的粗放模式，精准量化预测稻瘟病发病率，显著提升模型对气象驱动机制解析的科学性；

31、2、本发明通过引入代价敏感权重系数，根据不同条件下的月度气象特征数据，调节气象诱导特征与生育期敏感性对稻瘟病预测发病率的影响，增强稻瘟病发病风险预测模型对少数类样本的捕捉能力。

32、通过上述创新技术的集成，本发明显著提升区域尺度下稻瘟病发生风险的预测精度，为实现稻瘟病的早期预警、差异化防控策略的科学制定及大规模农业病害的动态监测提供技术支持。

1.一种基于气象特征的稻瘟病发病风险预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述一种基于气象特征的稻瘟病发病风险预测方法，其特征在于，所述气象数据包括地面气压、最大阵风、最高温度、最低温度、太阳辐射、相对湿度、降雨天数、降雨量、降雨持续时间与土壤湿度；

3.根据权利要求1所述一种基于气象特征的稻瘟病发病风险预测方法，其特征在于，所述稻瘟病发病风险预测模型的最终目标函数基于以下公式：

4.根据权利要求3所述一种基于气象特征的稻瘟病发病风险预测方法，其特征在于，所述代价敏感权重系数基于以下公式：

5.根据权利要求4所述一种基于气象特征的稻瘟病发病风险预测方法，其特征在于，所述气象诱导特征的指示函数基于以下公式：

6.根据权利要求5所述一种基于气象特征的稻瘟病发病风险预测方法，其特征在于，所述第个样本所在种植区的相对湿度时，指示函数为1，时，指示函数为0，为第一阈值；

7.根据权利要求4所述一种基于气象特征的稻瘟病发病风险预测方法，其特征在于，若第个样本所在种植区在分蘖期或抽穗期，则生育期敏感性的指示函数，若第个样本所在种植区不在分蘖期或抽穗期，则生育期敏感性的指示函数。

8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的稻瘟病发病风险预测方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的稻瘟病发病风险预测方法的步骤。

10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的稻瘟病发病风险预测方法的步骤。