一种玉米螟区域中受虫害株率的分布预测方法与流程

本发明涉及病虫害防治技术领域，更具体地，涉及玉米螟区域中受虫害株率的分布预测方法。

背景技术：

玉米螟是玉米的主要害虫，轻发生年份可造成玉米减产5％-10％，大发生年份可造成玉米减产30％以上。现有关于玉米螟的研究基本停留在县级或更大区域，满足不了在小区域(如田块)内按需投放赤眼蜂和变量喷施药剂的要求，将造成较为严重的药剂浪费和环境污染。大尺度、小区域范围内的研究和应用，首先应明晰玉米螟的时空分布特征。这种精准防治需求，在中国提出2020年实现肥药双减的目标下，显得日益迫切。

当前在玉米螟的时空扩散研究方面，一般针对大区域进行采样、预测和防治，难以用函数进行描述。有研究利用地统计学半变异函数，对小区域内欧洲玉米螟幼虫的扩散特性进行研究，揭示了幼虫的空间扩散和分布规律。但通过受虫害株率调查，快速反映其小区域内空间分布为变量防治提供参考等方面研究较少。

技术实现要素：

本发明提供一种克服上述问题或者至少部分地解决上述问题的玉米螟区域中受虫害株率的分布预测方法。

根据本发明的一个方面，提供一种玉米螟区域中受虫害株率的分布预测方法，包括：

s1、基于修正后的玉米螟空间分布预测模型，获得玉米螟区域中各采样点的受虫害株率，并基于各采样点受虫害株率的标准偏差和平均值，获得受虫害株率的空间变异系数；

s2、当所述受虫害株率的空间变异系数大于第一阈值且所述各采样点的受虫害株率符合正态分布时，基于多个半变异函数模型拟合受虫害株率的误差，选取最佳半变异函数模型；以及

s3、基于所述最佳半变异函数模型，利用普通克里金插值方法，获得玉米螟区域的受虫害株率的分布情况。

本发明利用实测的受虫害株率数据，修正玉米螟的空间分布预测模型，基于修正后的玉米螟空间分布预测模型，预测采样点的受虫害株率，再基于受虫害株率的的变异情况判断是否有必要进行空间插值，进而指导后续喷药的方式，通过受虫害株率获得最佳的半变异函数模型，更精确地推测玉米螟的空间扩散特性，通过普通克里金插值方法获得整个玉米螟区域的受虫害株率，解决了现有分析方法忽略空间相关性以及无法对小区域玉米螟进行预测的缺点。

附图说明

图1为根据本发明实施例的玉米螟区域中受虫害株率的分布预测方法的流程示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

为了克服现有技术主要针对大范围玉米螟区域，通过气候条件、往年发生程度等影响因素进行概括性预测，忽略了空间相关性，进而预测结果误差较大的问题，本发明提供了一种针对小区域的玉米螟区域中受虫害株率的分布预测方法。

图1示出了本发明实施例的分布预测方法的流程示意图，如图可知，本预测方法包括：

s1、基于修正后的玉米螟空间分布预测模型，获得玉米螟区域中各采样点的受虫害株率，并基于各采样点受虫害株率的标准偏差和平均值，获得受虫害株率的空间变异系数；

s2、当所述受虫害株率的空间变异系数大于第一阈值且所述各采样点的受虫害株率符合正态分布时，基于多个半变异函数模型拟合受虫害株率的误差，选取最佳半变异函数模型；以及

s3、基于所述最佳半变异函数模型，利用普通克里金插值方法，获得玉米螟区域的受虫害株率的分布情况。

本发明利用实测的受虫害株率数据，修正玉米螟的空间分布预测模型，基于修正后的玉米螟空间分布预测模型，预测采样点的受虫害株率，再基于受虫害株率的的变异情况判断是否有必要进行空间插值，进而指导后续喷药的方式，通过受虫害株率获得最佳的半变异函数模型，更精确地推测玉米螟的空间扩散特性，通过普通克里金插值方法获得整个玉米螟区域的受虫害株率，解决了现有分析方法忽略空间相关性以及无法对小区域玉米螟进行预测的缺点。

对于本发明步骤s1中各采样点的受虫害株率的获取方法，显然可以在春天时通过人工采集获得，虽然最终也可以获得玉米螟区域的受虫害株率的分布情况，但由于是在春天预测的，实际上已经为时已晚，那么，能否在春天玉米螟成虫大量繁殖前，就预测出玉米螟区域的受虫害株率，是眼下另一个急需解决的问题。

玉米螟的发育和危害有其自身的发展规律。玉米成熟前，玉米螟幼虫钻入秸秆中，70％-80％的玉米螟在秸秆垛中越冬，约20％的玉米螟在玉米根部越冬。因此，玉米垛中的玉米螟将成为第二年一代玉米螟的主要虫源。95％的一代玉米螟成虫迁飞距离在4km范围内，80％的玉米螟成虫迁飞距离在1km范围内；98％的二代玉米螟成虫迁飞距离在2km范围内。由此可见，玉米螟不是远距离迁移昆虫，这是预测玉米螟区域分布的基本依据。

影响玉米螟扩散和发育的因素很多，主要与虫源数量和扩散距离相关。玉米螟具有空间扩散行为的是幼虫和成虫，且以成虫的大范围扩散为主。而成虫需经排卵发育成幼虫，幼虫再对作物进行破坏。由于幼虫的迁徙半径极小以至于可以忽略不计，因此，可以通过受虫害株率推测成虫的空间扩散特性。反之，利用受虫害株率的调查数据，也可以推测区域内受虫害株率的空间分布变异。

当前玉米螟的预测预报主要针对大范围进行，通过气候条件、往年发生程度等影响因素，进行概率性的预测。针对小区域的精准预测是一项具有较高难度的挑战性工作，其原因在于玉米螟主要通过成虫的空间飞行进行扩散，通过产卵、发育成幼虫对玉米进行伤害，这之间需要经过一定的时间，而外部因素又会对产卵和幼虫发育产生必然的干扰。也就是说，幼虫调查数据(受虫害株率)并不能真实反映成虫扩散的实际情形。

在一个实施例中，步骤s1具体包括：所述步骤s1中获得玉米螟区域中各采样点的受虫害株率，包括：

s1.1、基于玉米螟的扩散距离矩阵、修正后的玉米螟空间分布预测模型以及虫源基数矩阵，建立虫源基数与受虫害株率的相关度函数；以及

s1.2、基于所述相关度函数和采集的虫源基数，获得所述受虫害株率。

在一个实施例中，所述步骤s1.1包括：

将扩散距离矩阵中的每个元素代入修正后的玉米螟空间分布预测模型，获得扩散权重矩阵；

将所述扩散权重矩阵与所述虫源基数矩阵相乘，获得受虫害株率拟合矩阵；以及

对所述受虫害株率拟合矩阵和受虫害株率矩阵进行回归分析，获得虫源基数与受虫害株率的相关度函数；

其中，所述扩散距离矩阵中的元素为每个受害虫株率采样点至每个虫源基数采样点的扩散距离；

所述虫源基数矩阵中的元素为每个虫源基数采样点的虫源基数；以及

所述受虫害株率矩阵中的元素为每个受虫害株率采样点的受虫害株率。

基于虫源基数对受虫害株率进行预测，是一种易于理解的方法，因为绝大部分的一代玉米螟幼虫是经由秸秆垛中的越冬幼虫发育而来的，因此，在一个实施例中，通过对玉米螟虫源区域进行网格划分，获得若干个网格点，对各网格点中的秸秆垛进行随机采样，各网格点随机选取20根玉米秸秆，计算各网格点的玉米螟的虫源基数，也称之为百杆含虫量，该值介于0-1之间。

由于扩散距离是虫源数量拟合受虫害株率的关键权重，玉米螟成虫的分布密度，随着扩散距离的增加，呈快速下降的趋势。具体地说，在2km范围内，下降速度较快；之后，下降速度变缓；超出4km范围时，则几乎可以忽略不计。据此，本发明经综合比较，获得公式(1)作为扩散权重系数与扩散距离的关系式，即原始玉米螟空间分布预测模型。

k＝-0.071d+0.167(1)

其中，d为扩散距离矩阵中的元素，单位为km，d小于2.3，k为扩散权重系数。

基于每一个受虫害株率采样点至每一个虫源基数采样点的空间距离d，构成距离矩阵d。

其中，d[(xm,ym)(xn,yn)]表示第m个越冬期采样点到第n个虫源基数采样点的空间距离，基于gnss坐标获得。

将距离矩阵d中的每个元素代入原始玉米螟空间分布预测的公式中，获得权重矩阵k，显然，权重矩阵k也是一个m行n列的矩阵。

基于每一个网格点的百杆含虫量，获得百杆含虫量矩阵x，矩阵x是一个1行，n列的矩阵，n等于虫源基数采样点的个数：

x＝[a1a2…an]^t

其中，an表示第n个虫源基数采样点的百杆含虫量。

将权重矩阵k与百杆含虫量矩阵x相乘，可得拟合矩阵x′。

基于每一个越冬期采样点的受虫害株率，获得受虫害株率矩阵y，矩阵y是一个m行1列的矩阵，m等于受虫害株率采样点的个数：

y＝[b1b2…bm]

其中，bm表示第m个受虫害株率采样点的受虫害株率。

对矩阵x′和矩阵y进行回归分析，获得用于表达虫源基数和虫害株率矩阵间定量关系的表达式。例如，y＝0.11x′+13.06。

当基于所述原始玉米螟空间分布预测模型，预测越冬后受虫害株率采样点的受虫害株率，根据越冬后实际采集的受虫害株率和预测的受虫害株率的相关度，修正所述原始玉米螟空间分布预测模型，获得所述修正后的玉米螟空间分布预测模型，如公式(2)。

k＝-0.011d³+0.083d²-0.22d+0.22(2)

公式(2)中的-0.011、0.083以及0.22是申请人通过无数次艰苦的推导获得的，正是因为这几个值的存在，才为构建虫源基数和受虫害株率的相关度函数的准确性建立了基础。

因此，根据采集的越冬期的虫源基数推测越冬期后的受虫害株率，再根据推测的受虫害株率数据，与实际的受虫害株率进行比对，若相关系数大于第二阈值，说明相关度函数的准确性较高，以后不需要再通过人工获取采样点的受虫害株率。并且，由于是在越冬期就可以获得将来时刻的受虫害株率数据，可以提前为农药释放做出计划，大大提高了预测的价值。

在获得述修正后的玉米螟空间分布预测模型之前，还包括：获取玉米螟区域的图像，通过目视解译，提取所述图像中的秸秆垛和玉米地的空间分布。

目视解译是遥感图像解译的一种，又称目视判读，或目视判译，是遥感成像的逆过程。它指专业人员通过直接观察或借助辅助判读仪器在遥感图像上获取特定目标地物信息的过程。

对玉米地进行随机采样，各采样点随机抽取100株玉米，记录各采样点的受虫害株率和采样点的gnss坐标，受虫害株率的值介于0-1之间。

gnss的全称是全球导航卫星系统(globalnavigationsatellitesystem)，它泛指所有的卫星导航系统，包括全球的、区域的和增强的卫星导航系统，如美国的gps、俄罗斯的glonass、欧洲的galileo、中国的北斗卫星导航系统，以及相关的增强系统。

在一个实施例中，基于所有采样点的受虫害株率，求出受虫害株率的标准差以及平均值，将受虫害株率的标准差以及平均值的比值作为变异系数(cv)。定义第一阈值为10％，若cv<10％，说明变量有轻微变异；若10％<cv<100％，说明变量具有中等程度的变异；若cv>100％，说明变量具有强度变异。

根据变异系数划分的等级称之为变异程度。变异系数的高低决定有没有必要进行克里金插值，如果变异系数较低，说明该区域内的受虫害株率没有差异，则不需要进行插值。变异系数大，说明该区域内的受虫害株率差别大，有进行空间插值的必要，也就是为了变量喷施药剂，否则就可以直接采用均匀喷药。

在玉米螟区域扩散研究方面，传统统计分析方法忽略了空间相关性，而地统计学因考虑样本间的相关性而具有其优越性，地统计学是以具有空间分布特点的区域化变量理论为基础，研究自然现象空间变异与空间结构的一门方法。地统计学以半方差函数为主要工具，在土壤、农业、气象和生态等领域应用广泛。

当受虫害株率的变异系数具有中度或强度变异时，本发明进一步计算所述各采样点的受虫害株率符合正态分布，当符合正态分布时，遴选最佳的半变异函数模型，以利用克里金插值方法，对玉米螟受虫害株率的空间分布进行拟合，从而为玉米螟按小区域防治，提供理论依据和可行方法。

在一个实施例中，将采样点的受虫害株率值作为输入项，分别利用球状、指数和高斯三种半变异函数模型拟合出误差结果，基于3种半变异函数模型得出的me(平均预测误差)、mse(平均标准差)、rmse(均方根误差)和ase(平均克里格标准差)及rmsse(一致性估计均方根标准差)的值，获得受虫害株率空间分布的最佳半变异函数模型。

由于me、mse、rmse和ase的值越接近于0及rmsse的值越接近于1，说明模型的计算误差越小，因此，经综合分析，0阶指数模型是受虫害株率空间分布的最佳半变异函数模型。

在一个实施例中，将选定的最佳半变异函数模型通过arcmap软件得到该模型的拟合参数：变程值、块金值和基台值。基台值表示区域内部总的变异性，也就是半变异函数随着距离增加到一定程度后出现的平稳值，当变异函数值超过基台值时，即半变异函数值不随样本间隔距离改变，不存在空间相关性。在查看半变异函数的模型时，会发现模型在特点距离处呈现水平状态。模型首次呈现水平状态的距离称之为变程。比该变程仅的距离分隔的样本位置与空间自相关，而距离源于该变程的样本位置不与空间自相关。理论上在零间距(步长＝0)处，半变异函数的值为0，但是，在极小间距处，半变异函数通常显示块金效应，即值大于0。例如，如果半变异函数模型在y轴的截距为2，则块金为2。

在一个实施例中，通过具有拟合参数的半变异函数模型，运用普通克里金插值方法，就可以获得整个玉米螟区域的受虫害株率的分布图。基于该分布图，即可进一步生成喷药处方图或天敌投放图，实现按需进行药剂变量喷施和玉米螟天敌投放。

在一个实施例中，本预测方法还包括：

对受虫害株率划分等级，将插值后的受虫害株率分布情况的对应的等级显示在玉米螟区域的图像上，获得受虫害株率等级分布图。

在一个实施例中，本预测方法还包括：

基于受虫害株率等级分布图，获得喷药计量或玉米螟天敌的投放量，将喷药计量或玉米螟天敌的投放量显示在玉米螟区域的图像上，获得喷药处方图或天敌投放图。

与均一防治对比，变量防治可以有效节约药剂、减轻污染。变量防治用药量可通过下式计算：

式中，δ为总用药量/kg；i为玉米螟发生等级；ai为等级i的农田面积/ha；σi为等级i的用药量/kg·ha^-1。

经验证，针对相同面积的农田进行喷药，在效果相同的情况下，本预测方法通过结合受虫害株率的等级指定的喷药量比均一防治的喷药量节省药量12.7％。

最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。