一种基于叶面数字孪生模型的烟草病害风险预测方法与系统与流程

摘要: 本发明提出了一种基于叶面数字孪生模型的烟草病害风险预测方法与系统,涉及烟草种植管理、农业微气象、数字孪生及病害风险预测。背景技术:1、现有方法多以烟田或管理分区...
一种基于叶面数字孪生模型的烟草病害风险预测方法与系统与流程

本发明提出了一种基于叶面数字孪生模型的烟草病害风险预测方法与系统,涉及烟草种植管理、农业微气象、数字孪生及病害风险预测。

背景技术:

1、现有方法多以烟田或管理分区为最小风险单元,难以区分叶片正面与背面、

2、上部叶与下部叶、迎风侧与背风侧、郁闭区域与通风区域的湿润持续时间差异。当整块烟田采用同一风险等级时,局部高风险叶面可能被平均值掩盖,局部低风险区域又可能因区域告警而被过度防控。

3、叶面湿润持续时间是叶部病害预测的重要变量,但叶面湿润传感器存在安装方位敏感、代表范围有限、不同传感器阈值不统一等问题。仅以单个或少量传感器的湿润读数外推整个烟株冠层,难以形成叶片尺度的连续空间分布。已有数字烟田系统主要表达田块边界、土壤墒情、冠层指数或植株长势,未能将叶面几何、叶面能量平衡、水汽交换和水膜质量平衡统一到可持续更新的叶面状态中。部分系统虽然使用机器学习直接输出风险等级,但其输入与输出之间缺少可解释的关键中间变量,难以说明某一高风险区域由结露、水膜残留、冠层遮蔽还是通风不足所致。因此,需要一种以叶面尺度物理状态为基础、能够把宏观环境驱动映射为叶面湿润演化过程,并进一步把该过程转换为病原菌适生窗口的技术方案,以实现烟草叶部病害从事后识别向事前预测、从田块平均风险向叶面空间风险的转变。

技术实现思路

1、有鉴于此,为了弥补现有技术的空白和不足,本发明提出了一种基于叶面数字孪生模型的烟草病害风险预测方法与系统,以解决背景技术中出现的问题。

2、本发明旨在解决解决现有技术不能准确表征烟草叶片表面微气候、不能形成叶面湿润状态的空间连续表达、不能预测连续叶面湿润时长以及难以输出具体病害爆发时间窗的问题。

3、本发明提出一种基于叶面数字孪生模型的烟草病害风险预测方法与系统,包括以下内容:

4、根据本发明的第一方面,本发明提出一种基于叶面数字孪生模型的烟草病害风险预测方法,其特征在于,包括以下内容:

5、步骤s1:获取烟草种植区域的多源环境观测数据、未来气象边界序列和烟株冠层数据;

6、步骤s2:基于烟株冠层数据构建烟草叶面数字孪生模型;

7、步骤s3:基于多源环境观测数据和烟草叶面数字孪生模型,逐时间步计算各叶面网格单元的叶面温度、叶面水汽状态和叶面水膜厚度,形成当前叶面孪生状态;

8、步骤s4:对由叶面温度和露点温度得到的结露接近度因子、由叶面水膜厚度得到的水膜因子、叶面高湿因子、遮蔽保湿因子及干燥能力因子分别进行无量纲化处理并加权融合,获得各叶面网格单元的叶面湿润势值,由多个叶面湿润势值形成叶面湿润势场lwpf;

9、步骤s5:以当前叶面孪生状态为初始条件,以未来气象边界序列为外部驱动,滚动更新烟草叶面数字孪生模型,得到未来预设时间窗内的lwpf序列,并依据 lwpf序列确定累计叶面湿润持续时间和最大连续叶面湿润持续时间。

10、步骤s6:将最大连续叶面湿润持续时间、累计叶面湿润持续时间、叶面温度适生时长和叶面水膜状态输入目标病害的病原菌适生模型,得到病原菌萌发指数gi。

11、步骤s7:将病原菌萌发指数gi与目标病害对应的病害特异辅助因子融合,得到叶面网格单元的病害风险指数 dri;病害特异辅助因子从降雨、土壤含水率、历史病害、叶龄、品种抗性、初始菌源和邻域传播因子中选择;

12、步骤s8:对未来各时间片的病害风险指数进行连续超阈判断,确定病害爆发窗口,并输出爆发窗口起止时间、高风险叶面区域、高风险植株区域、风险等级及主要风险贡献因子。

13、进一步地,步骤s1包括以下内容:

14、在步骤s1中,所述多源环境观测数据至少包括空气温度、空气湿度、风速、太阳辐射和降水信息,所述烟株冠层数据至少包括冠层图像、冠层点云、叶片空间位置、叶片朝向、叶面积指数或冠层郁闭度中的一种。

15、进一步地,步骤s2包括以下内容:

16、在步骤s2中,所述叶面数字孪生模型包括叶面几何子模型、叶面微气候子模型和叶面水膜演化子模型,并以叶面网格单元为状态更新单元。

17、进一步地,步骤s3包括以下内容:

18、在步骤s3中,叶面温度优选通过叶面能量平衡求解;叶面水汽状态包括叶面高湿状态,采用实际水汽压或水汽压亏缺表示;叶面水膜厚度采用叶面水膜演化子模型表示,其中叶面水膜演化子模型的输入包括降雨截留、露水凝结、雾滴附着和灌溉飞溅水膜输出包括蒸发、沿叶排水和网格间迁移。

19、进一步地,步骤s4包括以下内容:

20、在步骤s4中,先将结露接近度、水膜、高湿保湿、遮蔽保湿和干燥能力转换为相同取值区间的无量纲因子;

21、将上述无量纲因子输入湿润势融合函数,得到各个叶面网格单元的叶面湿润势值lwpfij,个叶面网格单元的叶面湿润势值形成叶面湿润势场lwpf;

22、其中lwpf可以以三维叶面着色图、叶片展开图或田块栅格图输出,并保留每个网格单元的因子贡献向量。

23、进一步地,步骤s5包括以下内容:

24、在步骤s5中,滚动更新烟草叶面数字孪生模型包括:时间步滚动执行叶面能量平衡、水汽状态更新和水膜质量平衡,得到未来状态;

25、然后依据叶位、遮蔽系数、叶面朝向、局部风速、历史lwpf和水膜厚度将网格单元聚合为若干叶面风险簇,对每个风险簇进行代表性预测,再把预测结果映射回网格单元,得到累计叶面湿润持续时间和最大连续叶面湿润持续时间。

26、其中最大连续叶面湿润持续时间 lwdcont,ij表示预测窗内最长的连续湿润时间段长度。

27、进一步地,步骤s6包括以下内容:

28、在步骤s6中,针对目标病害配置病害参数模板;其中模板包括适生温度响应函数、最小连续湿润时长、最适连续湿润时长、水膜响应函数、叶龄修正系数、品种抗性系数和初始菌源系数;对于以叶面湿润和温度为主要侵染条件的叶部病害,其中温度适生响应可以采用梯形函数、高斯函数或由培养试验拟合的响应曲线;其中病害参数模板的数值可根据目标病原菌、烟草品种和就地试验数据进行修正,不以单一固定阈值限定。

29、进一步地,步骤s7包括以下内容:

30、在步骤s7中,依据目标病害模板选择病害特异辅助因子;病害风险指数可以采用加权模型、概率图模型或监督学习模型计算;其中病害特异辅助因子包括:

31、降雨或飞溅传播因子,宿主叶龄和品种易感因子,初始菌源因子,历史病害因子,邻域传播因子;其中对于不依赖土壤湿度的叶部病害,不使用土壤含水率;对于根茎类病害,将土壤含水率、土温和积水持续时间作为额外辅助因子。

32、进一步地,步骤s8包括以下内容:

33、在步骤 s8中,针对未来每个时间片计算区域平均dri、超过高风险阈值的网格比例和高风险连通区域面积;区域平均dri大于第一阈值、高风险网格比例大于第二阈值,且上述状态连续保持不少于预设持续时间时,将对应连续时间段确定为病害爆发窗口;

34、输出结果包括病害爆发窗口起始时间和结束时间、高风险叶片、高风险叶位、高风险植株、风险等级、预测置信区间、主要正向贡献因子和主要负向贡献因子;其中主要贡献因子根据lwpf因子贡献向量、病原菌适生模型敏感度和dri模型特征贡献共同确定。

35、根据本发明的第二方面,本发明提出一种基于叶面数字孪生模型的烟草病害风险预测系统,其特征在于,包括一种电子设备和一种计算机可读存储介质,其中所述电子设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如本发明中任一项所述的一种基于叶面数字孪生模型的烟草病害风险预测方法;所述计算机程序被处理器执行时实现如本发明中任一项所述的一种基于叶面数字孪生模型的烟草病害风险预测方法。

36、本发明具有以下优点:

37、第一,本发明将田间气象观测转换为叶片网格单元的叶面状态,使病害风险

38、预测由田块平均尺度细化到不同叶位、不同朝向和不同遮蔽程度的叶面尺度。

39、第二,本发明利用 lwpf  对不同量纲的结露、水膜、高湿、遮蔽和干燥因子进行归一化融合,避免将温度差、风速、辐射和相对湿度直接相加造成的量纲不一致,并保留各风险贡献因子的可解释性。

40、第三,本发明以当前数字孪生状态和未来气象边界序列为条件滚动预测未来

41、lwpf,能够提取最大连续湿润时长,而不只统计离散时间片的累计高湿时长,更符合病原菌萌发和侵染对连续自由水条件的需求。

42、第四,本发明通过病害参数模板将 lwpf  所表征的叶面湿润条件转换为目标病害特异的病原菌萌发指数和病害风险指数,可适配赤星病、炭疽病、霜霉病等与叶面湿润显著相关的烟草叶部病害。

43、第五,本发明利用叶面湿润传感器、红外叶温或病害验证结果对数字孪生状态和lwpf  参数进行在线校正,能够适应不同烟区、烟草品种、种植密度和冠层结构。

44、第六,本发明输出病害爆发窗口的起止时间、空间高风险区域和主要贡献因子,为定时巡检、分区防控和减少非必要施药提供依据。