基于PSO-SVR模型的小麦赤霉病病穗率预测方法

文献类型： 中文期刊

第一作者： 郁凌华

作者： 郁凌华;邢程;荀静;缪新伟;王军;曹文昕;岳伟

作者机构： 安徽省滁州市气象局;安徽省滁州市农业农村技术推广中心;安徽省滁州市南谯区农业农村技术推广中心;安徽省农业科学院作物研究所;安徽省农业气象中心

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

期刊名称： 麦类作物学报

ISSN： 1009-1041

年卷期： 2023 年 011 期

页码： 1434-1445

收录情况： 北大核心 ; CSCD

摘要： 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R~2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。

分类号： S435.121.45

  • 相关文献

[1]信阳地区小麦赤霉病发生与春季降水的相关性分析. 姜明波,翟顺国,王守强,程泽强,韩国琼,刘先明. 2018

[2]江苏姜堰不同品种与播期小麦赤霉病抗性比较. 张海燕,董飞,徐剑宏,朱凤,田子华. 2019

[3]耕作方式和药剂处理对小麦产量和赤霉病发生的影响. 吴晓丽,李朝苏,刘淼,李明,李式昭,熊涛,汤永禄. 2024

[4]有机磷和氨基甲酸酯类药剂防治粟线虫病的研究. 刘信义,王志学,李继思,张汉富. 1985

[5]水稻不育系稻粒黑粉病病穗率与病粒率间的关系研究. 黄富,潘学贤,程开禄,汪远宏. 1995

[6]宜香系列水稻品种对稻曲病的抗性研究. 石军,李德强,张琴,李小艳,罗艺婉,江青山,赵德明,黄富. 2013

[7]稻曲病发病程度与产量的相关性. 王梅,周永力,赵震宇,郭庆元,谢学文. 2007

[8]基于粒子群优化BP神经网络的水产养殖水温及pH预测模型. 徐大明,周超,孙传恒,杜永贵. 2016

[9]基于参数优化支持向量机的水稻施氮水平分类研究. 周琼,杨红云,杨珺,孙玉婷,杨文姬,石强强. 2017

[10]基于单神经元PID的温室系统多变量解耦控制研究. 姬鹏飞,姬鹏飞,付娅琦,杨北方. 2020

[11]粒子群优化的神经网络PID沼气干发酵温度控制. 刘浩,沈星,曲浩丽,王鹏军. 2017

[12]基于改进粒子群优化极限学习机的养殖氨态氮含量预测模型. 徐大明,杜永贵,孙传恒,周超. 2017

[13]基于改进MSVR的鲜食葡萄运输过程中环境因子与感官品质建模. 冯建英,贺苗,李鑫,朱志强,穆维松. 2022

[14]基于正交试验的粒子群优化算法对火焰原子吸收光谱法分析金元素参数的优化. 王鹏,何涛,白金峰,冯小娟,寇少磊,吕明超,赵浩,邓一荣,范慧,甘黎明. 2024

[15]基于PSO算法的增氧灌溉TDF-IMC-PID控制研究. 刘德,马月虹,刘娜,王彦. 2021

[16]基于改进粒子群的农田W SN路由优化方法. 缪祎晟,赵春江,吴华瑞. 2022

[17]融合K-调和均值和模拟退火粒子群的混合聚类算法. 毛力,刘兴阳,沈明明. 2011

[18]基于天牛群优化算法的灌区渠系配水研究. 田桂林,苏枫,邹红,吕谋超,申继先,秦京涛,范习超. 2022

[19]罗非鱼池塘养殖溶解氧预测研究. 施珮,袁永明,张红燕,贺艳辉. 2016

[20]基于时间序列SVR模型的玉米价格预测研究. 张宝文,王川,杨春英,王来刚. 2020

作者其他论文 更多>>

微信小程序