麦类作物学报

作者：郁凌华，邢程，荀静，缪新伟，王军，曹文昕，岳伟

单位：1.安徽省滁州市气象局,安徽滁州 239000； 2.安徽省滁州市农业农村技术推广中心,安徽滁州 239000； 3.安徽省滁州市南谯区农业农村技术推广中心,安徽滁州 239000； 5.安徽省农业气象中心' target='_blank'> 4.安徽省农业科学院作物研究所,安徽合肥 230031 5.安徽省农业气象中心,安徽合肥 230031

关键词：灰色关联分析,粒子群算法,支持向量回归,气象,小麦赤霉病,病穗率,

基金：安徽省气象局研究型业务科技攻关项目(YJG202103)；安徽省科技重大专项(202003a06020010)；滁州市气象科研项目(CZQXKY202003)

为探寻小麦赤霉病病穗率预测方法，基于滁州市2005-2020年小麦赤霉病病穗率资料和对应气象资料，运用相关性及灰色关联分析法(GRA)确定小麦赤霉病主要气象影响因子并作为支持向量回归(SVR)模型的输入向量，再利用粒子群算法(PSO)优化SVR模型的惩罚因子C和核函数参数g，建立基于粒子群算法优化的小麦赤霉病预测支持向量回归模型。同时针对本地不同小麦品种，构建PSO-SVR-SOUTH和PSO-SVR-NORTH的PSO-SVR分模型，应用3种模型对滁州地区小麦赤霉病病穗率进行预测。结果表明，拔节期至灌浆期是影响滁州小麦赤霉病的重要时段，各生育时期内降水量、雨日数、湿度、日照等气象因子与赤霉病有高关联；PSO-SVR赤霉病病穗率预测模型的起报时间越接近灌浆期，其预测精度越高，测试样本的预测值与实测值相关系数最高达0.68，均方根误差最小为9.55%；按照不同小麦品种构建的PSO-SVR-SOUTH和PSO-SVR-NORTH模型的预测效果要优于原PSO-SVR模型，其中最迟起报时间的PSO-SVR-SOUTH和PSO-SVR-NORTH模型的平均绝对误差分别较原PSO-SVR模型减少了63.7%和20.8%，均方根误差RMSE较原有模型分别降低了61.6%和40.6%，相关系数分别提高了38.2%和29.4%，拟合优度R2则分别提高了1.4倍和1.1倍。该模型业务服务效果较好，可用于本地小麦赤霉病预测。

来源：2023年第11期

《麦类作物学报》期刊编辑部

查看麦类作物学报杂志2023年第11期