【技术实现步骤摘要】
本专利技术涉及病原菌孢子的预测方法，尤其涉及基于孢子捕捉的田间气传性真菌病害病原菌孢子的预测方法，属于气传性真菌病害病原菌接种体数量的预测预报领域。
技术介绍
1、作物气传性真菌病害是影响作物安全生产的重要生物灾害，具有长期性、暴发性、灾变性和强流行性等特点，常常造成巨大的损失。化学杀菌剂防治在当前和今后一段时间内仍然是作物气传真菌性病害防治的重要措施之一。但是，过度依赖杀菌剂会导致环境污染和农产品质量安全等重大问题，及时准确的病害监测预警可为病害防治提供依据，从而减少化学农药的使用。
2、气传性真菌病害病原菌孢子具有体积小、质量轻，可随气流远距离传播等特点，空气中的病菌孢子数量是病害发生和流行的重要驱动因素，对病害的监测和预警具有重要意义。近年来，随着病菌孢子捕捉技术的快速发展与应用，作物病害监测预警技术取得了重要进展。其中，burkard 7-d定容式孢子捕捉器应用范围较广，空气通过一个窄孔口被吸入，当孢子被吸入后，着落于表面有胶带的‘鼓’上，而‘鼓’与1个每7d旋转1圈的定时钟相连，可以连续捕捉7d的病原菌孢子(曹学仁和周益林，2016)。病菌孢子捕捉技术就是通过监测空气中病原菌孢子的数量，来预测作物病害的流行强度，从而优化杀菌剂施用方案，使保护性和抗产孢类杀菌剂的选择和适时应用的决策更加科学合理。
3、基于病菌孢子捕捉技术，已经显示了气传性真菌病害的病原菌孢子数与气象变量的密切相关性，并且建立了基于气象参数的孢子量回归模型。，但在模型应用上较为机械、时间精度较差，且尚未开发出用于挖掘病菌孢子数量随
4、传统的分析方法忽略了连续的孢子计数之间具有自相关性特征；时间序列数据容易产生传统回归模型中随机误差项的序列相关；不正确/盲目地使用相关性分析挖掘气象变量对气传病原菌孢子捕获量的影响；利用气象变量拟合空气中孢子量的经验回归方程依赖于观察或试验积累的数据，可能导致较大的误差。
技术实现思路
1、本专利技术的主要目的是提供基于孢子捕捉的田间气传性真菌病害病原菌孢子的预测预报方法。
2、本专利技术的上述目的是通过以下技术方案来实现的：
3、一种基于孢子捕捉的田间气传性真菌病害病原菌孢子的预测方法，包括：
4、(ⅰ)获取孢子计数数据及气象数据构建孢子计数数据和气象数据的时间序列数据集；
5、(ⅱ)构建田间气传孢子的一元时间序列模型；
6、(ⅲ)利用多元时间序列分析方法分析孢子计数时序和对应的孢子计数数据和气象数据的时间序列数据集之间的动态关系；
7、(ⅳ)根据当前的历史孢子计数观察数据(总时间跨度为7-d运行周期的整数倍)依次实现步骤(ⅰ)-(ⅲ)所述的步骤之后遴选出的相对最优的24-h孢子计数时间序列模型和3-h孢子计数时间序列模型对未来孢子数据进行预测预报。
8、本专利技术的一种优选的具体实施方案，步骤(ⅰ)中所述的孢子计数数据和气象数据的时间序列数据集的构建方法包括：
9、(1)获取田间的上个7-d运行周期的田间空气中的病菌孢子样本；(2)对获取的病菌孢子样本进行计数，计数的最小时间单元分别为3-h和24-h，按照具体的病原真菌分类单元分开统计孢子数量；(3)连续地3-h和24-h孢子计数数据按照病原菌分类单元分别生成时间序列数据集，逐小时的气象数据分别按照3-h和24-h的时间跨度进行平均并与3-h和24-h孢子计数数据一一对应生成孢子计数数据和气象数据的时间序列数据集。
10、进一步优选的，步骤(1)中获取田间的上个7-d运行周期的田间空气中的病菌孢子样本的方法包括：在田块中心架设burkard-7d定容式孢子捕捉器，定时钟设置为7d，于上午10:00启动病菌孢子捕捉并于7d后换‘鼓’，取回上个7-d运行周期的田间空气中的孢子样本；
11、进一步优选的，步骤(2)中所述的计数是利用奥林巴斯bx43研究级显微镜在放大400倍视野下对病菌孢子样本进行计数；
12、本专利技术一种优选的具体实施方案，步骤(ⅱ)中所述的构建田间气传孢子的时间序列模型的方法包括：
13、(1)利用r(mfuzz包)中的模糊c-均值聚类(fuzzy c-means clustering)算法识别3-h孢子计数数据在24h当中的时间模式，分析孢子计数数据的日动态，挖掘3-h数据的周期性自相关特征并将其作为时间序列建模中能够反映季节效应周期长度的参考依据；24-h数据考虑时序短期自相关特征，利用一元时间序列的分析方法挖掘3-h和24-h孢子计数历史观测数据的时间依赖性；
14、(2)若3-h计数数据确存在季节效应，利用arima模型对具有季节效应的序列建模；根据序列时序图确定arima模型的变体形式：若随序列趋势的递增，每个季节的振幅维持相对稳定(周期波动范围近似平行)，选择arima加法模型(arima(p，d，q)×(0，1，0)s)，模型结构为
15、
16、式中：s为周期步长，d为提取趋势信息所用的差分阶数，
17、{εt}为白噪声序列，且e(εt)＝0，
18、θ(b)＝1-θ1b-…-θqbq，为q阶移动平均系数多项式，
19、φ(b)＝1-φ1b-…-φpbp，为p阶自回归系数多项式；
20、(3)若随序列趋势的递增，每个季节的振幅也增大(周期波动范围随趋势递增而扩大)，选择乘法模型(arima(p，d，q)×(p，d，q)s)，模型结构为：
21、
22、用低阶arma(p，q)模型提取序列短期相关性，用周期步长(根据聚类分析结果)为单位的arma(p，q)s提取季节相关性
23、式中：
24、θ(b)＝1-θ1b-…-θqbq，
25、φ(b)＝1-φ1b-…-φpbp，
26、θs(b)＝1-θ1bs-…-θqbqs，
27、φs(b)＝1-φ1bs-…-φpbps；
28、(4)若3-h计数数据无明显季节效应，3-h和24-h计数数据利用arima(p，d，q)模型建模，模型结构为：
29、其中，b为延迟算子，d为差分符号；xt为时间序列；θ(b)为移动平均系数多项式；φ(b)为自回归系数多项式，εt为零均值白噪声序列。
30、(5)根据拟合模型的显著性检验、模型参数的显著性检验、模型拟合的最小信息量准则(即akaike information criterion，aic准则)、模型拟合效果以及拟合模型残差占原时序方差的百分比，筛选并最终确定3-h和24-h孢子时序模型的相对最优解；
31、其中，所述模型的显著性检验为本文档来自技高网...
【技术保护点】
1.一种基于孢子捕捉的田间气传性真菌病害病原菌孢子的预测预报方法，其特征在于，包括：
2.根据权利要求1所述的预测预报方法，其特征在于，步骤(Ⅰ)中所述的孢子计数数据和气象数据的时间序列数据集的构建方法包括：
3.根据权利要求1所述的预测预报方法，其特征在于，步骤(Ⅱ)中所述的构建田间气传孢子的时间序列模型的方法包括：
4.根据权利要求3所述的预测预报方法，其特征在于，所述模型的显著性检验为残差序列的白噪声序列检验，如果残差序列还残留着相关信息，则拟合模型不显著，否则认为拟合模型显著有效；
5.根据权利要求1所述的预测预报方法，其特征在于，步骤(Ⅲ)中所述的利用多元时间序列分析方法分析孢子计数时序和对应的孢子计数数据和气象数据的时间序列数据集之间的动态关系包括：
6.根据权利要求1所述的预测预报方法，其特征在于，步骤(Ⅳ)中所述的根据当前的历史孢子计数观察数据是总时间跨度为7-d运行周期的整数倍。
7.根据权利要求1所述的预测预报方法，其特征在于，步骤(Ⅳ)中根据当前的历史孢子计数观察数据依次实现步骤(Ⅰ)-
8.根据权利要求1所述的预测预报方法，其特征在于，步骤(Ⅳ)中利用已知的历史孢子计数数据信息{x1,x2,……,xn-1,xn}，在最小均方误差预测原理下对时间序列未来某个时刻孢子计数取值xt+l进行预测预报；孢子数据预测预报为根据历史观察数据预测未来7天的日孢子计数；根据基于孢子捕捉的田间气传孢子时间模式分析中，遴选的3-h和24-h孢子计数相对最优时序模型分别实现预测；对于24-h孢子计数时序预测模型输出的预测数据即为日孢子计数，对于3-h孢子计数时序预测模型输出的预测数据对应换算为日孢子计数。
9.根据权利要求1所述的预测预报方法，其特征在于，步骤(Ⅳ)中孢子数据预测预报为根据历史观察数据建立的时间序列模型预测未来7天的日孢子计数，对于24-h孢子计数时序预测模型输出的预测数据即为日孢子计数，对于3-h孢子计数时序预测模型输出的预测数据对应换算为日孢子计数。
10.根据权利要求1所述的预测预报方法，其特征在于，步骤(Ⅳ)中对未来孢子数据进行预测预报还进一步包括对孢子计数的实时短期预测和预测数据的滚动更新，包括：新一轮7-d孢子捕捉运行结束后将新的孢子计数信息加入旧的信息中，重新拟合模型，再利用拟合后的模型预测下个未来7天的孢子计数，实现孢子计数的实时短期预测和预测数据的滚动更新。
...【技术特征摘要】
1.一种基于孢子捕捉的田间气传性真菌病害病原菌孢子的预测预报方法，其特征在于，包括：
2.根据权利要求1所述的预测预报方法，其特征在于，步骤(ⅰ)中所述的孢子计数数据和气象数据的时间序列数据集的构建方法包括：
3.根据权利要求1所述的预测预报方法，其特征在于，步骤(ⅱ)中所述的构建田间气传孢子的时间序列模型的方法包括：
4.根据权利要求3所述的预测预报方法，其特征在于，所述模型的显著性检验为残差序列的白噪声序列检验，如果残差序列还残留着相关信息，则拟合模型不显著，否则认为拟合模型显著有效；
5.根据权利要求1所述的预测预报方法，其特征在于，步骤(ⅲ)中所述的利用多元时间序列分析方法分析孢子计数时序和对应的孢子计数数据和气象数据的时间序列数据集之间的动态关系包括：
6.根据权利要求1所述的预测预报方法，其特征在于，步骤(ⅳ)中所述的根据当前的历史孢子计数观察数据是总时间跨度为7-d运行周期的整数倍。
7.根据权利要求1所述的预测预报方法，其特征在于，步骤(ⅳ)中根据当前的历史孢子计数观察数据依次实现步骤(ⅰ)-(ⅲ)所述的步骤之后遴选出的相对最优的24-h孢子计数时间序列模型和3-h孢子计数时间序列模型对未来孢子数据进行预测预报。
【专利技术属性】
技术研发人员：王奥霖，刘伟，范洁茹，周益林，曹世勤，孙振宇，
申请(专利权)人：中国农业科学院植物保护研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。