极端气候对作物产量影响的评估方法

摘要

本发明涉及一种极端气候对作物产量影响的评估方法，具体是在被测区域内选择代表性研究站点，收集各研究站点的历史气象数据、土壤资料数据和作物管理措施数据，校正作物机理模型APSIM；利用作物机理模型APSIM对各研究站点在长时间序列下的作物生育期、作物产量和作物生物量进行模拟；选择能够表达作物受极端气候事件影响的极端气候指数，基于气象观测数据计算作物不同生长阶段的极端气候指数；通过遗传算法优选出对作物产量模拟效果最好的极端气候指数组合；将作物生物量模拟值和极端气候指数组合输入随机森林模型，建立基于特征选择、机器学习和作物模型的混合模型；利用该混合模型模拟被测区域在极端气候条件下的作物产量，评价混合模型的产量模拟水平。

说明书

技术领域

本发明涉及一种农作物产量的预测方法，具体地说是一种极端气候对作物产量影响的评估方法。

背景技术

在制约农业生产的自然资源中，气候条件是最为重要的组成部分。气候变化对农业生产的影响已引起各国科学家们的广泛关注和高度重视。随着全球气候变暖，极端气候事件频发产生的农业气象灾害(包括高温热害、低温冻害、干旱、洪涝)对作物生产造成了严重影响。因此，准确模拟和评估极端气候事件对作物产量的影响是理解和预测未来气候变化对农业生产影响的前提和基础。

过去几十年里，基于过程机理的作物模型的开发和发展日趋完善，并越来越广泛地被利用于评估和量化气候变化对作物生产(包括物候、产量和耗水等)的影响。然而，现有作物机理模型主要模拟常态气候条件和气候变化下作物的生长过程和产量形成，缺乏考虑作物生产对极端气候事件的响应过程，这就常常使得模型模拟结果低估了气候变化对作物产量的负面影响。

发明内容

本发明的目的就是提供一种极端气候对作物产量影响的评估方法，以能够有效地评价不同极端气候因子(包括：高温、低温、强降水和干旱)对作物产量的综合影响。

本发明的目的是这样实现的：

一种极端气候对作物产量影响的评估方法，包括以下步骤：

S1、在被测区域内确定若干研究站点，收集各研究站点的历史气象数据、土壤资料数据和作物资料数据，将上述数据输入作物机理模型APSIM，采用试错法确定作物机理模型APSIM的参数值，并根据各研究站点观测的作物物候和产量数据，对确定的模型参数进行校正和验证；

S2、利用校正好参数的作物机理模型APSIM对各研究站点在长时间序列下的作物生育期、作物产量和作物生物量进行模拟，以获得作物生育期、作物产量和作物生物量的模拟值；

S3、根据作物在不同生长阶段容易受到的极端气候事件，选择极端气候指数，并在作物机理模型APSIM输出作物关键生育期模拟值的基础上，利用气象观测数据来计算并确定作物不同生长阶段的极端气候指数；

S4、利用遗传算法从包括极端高温指数、极端低温指数和极端降雨指数这三类极端气候指数中选择出对作物产量模拟效果最好的极端气候指数组合；

S5、将步骤S2获得的作物生物量模拟值以及步骤S4优选的极端气候指数组合一并输入随机森林(RF)机器学习模型，建立起基于特征选择、机器学习和作物模型的混合模型；利用该混合模型模拟被测区域在极端气候条件下的作物产量，并根据各研究站点观测的作物产量数据，评价混合模型的产量模拟水平；最后，通过混合模型输出结果，评估被测区域关键极端气候指数对作物产量模拟的相对贡献。

进一步地，所述极端高温指数包括高温日数(HD)、高温强度(HSI)和高温持续指数(HCD)；所述极端低温指数包括霜冻日数(FD)、霜冻强度(CSI)和冷持续指数(FCD)；所述极端降雨指数包括强降水日数(R25)、持续湿润指数(CWD)和持续干燥指数(CDD)。

针对三类极端气候指数，分别计算其在不同作物生长阶段的值；极端高温指数的计算期间为：拔节到开花(JF)以及开花到成熟(FM)这两个阶段；极端低温指数的计算期间为：播种到拔节(SJ)以及拔节到开花(JF)这两个阶段；极端降雨指数的计算期间为：播种到拔节(SJ)、拔节到开花(JF)以及开花到成熟(FM)这三个阶段；按照三类极端气候指数与作物不同生长阶段的组合，共获得21个极端气候指数。

进一步地，将作物生物量模拟值以及优选的极端气候指数组合作为预测变量，以观测产量作为目标值，对随机森林(RF)机器学习模型进行训练，以确定随机森林(RF)机器学习模型中的关键参数值，构建出基于特征选择、机器学习和作物模型的混合模型。

进一步地，步骤S5中的混合模型的作物产量模拟水平是利用均方根误差(RMSE)和相关系数(R

S5-1均方根误差(RMSE)的计算公式为：

其中，X

S5-2相关系数(R

其中，

机器学习算法凭借其在处理非线性问题上的优势，已经在作物产量预测建模上得到广泛的应用。机器学习算法以数据为对象，它通过提取数据特征，发现数据中的知识并抽象出模型，做出对数据的预测。开展机器学习任务前，通常要对获取的数据先进行特征选择，去除允余特征，降低学习任务难度。本发明使用遗传算法对候选极端气候指数进行特征选择。

遗传算法(GA)是一种基于自然选择和遗传学机理的生物进化过程搜索最优解的方法。该算法是从一组经过编码的个体所组成的候选解集开始，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解。在每一代，根据问题域中个体的适应度大小选择个体，并借助于遗传算子进行组合交叉和变异，产生出代表新的解集的种群。重复这一过程，直到满足某种收敛指标为止。利用R语言软件中的Caret程序包进行特征提取，其中种群数量(popSize)设置为50，交叉概率(pcrossover)设置为0.8，突变概率(pmutation)设置为0.1。

作物机理模型(APSIM)是一种能够模拟农业系统各主要组分的农业生产系统模拟模型，该模型可用于模拟农业系统中作物生长过程及土壤水氮的动态，特别适用于评价农作系统生产潜力及耕作措施的产量效益受气候波动和环境变化的影响。APSIM模型可以让用户很方便地通过选择一系列的作物、土壤以及其它子模块来配置自己的作物模型。模块之间的逻辑关系可以非常简单地通过模块的“插拔”功能来规定。因其具有灵活性和可操作性的特点，APSIM模型被认为是一个模型系统的灵活软件环境。

随机森林(RF)模型是一种通过集成学习法组合多个互不相关决策树的机器学习算法。RF模型利用Bootstrap重抽样方法从原始数据中抽取多个样本，并对每个Bootstrap样本构建基预测器(如CART)，然后对所有基预测器的预测结果进行组合，并通过投票方式得出最终结果。利用R语言软件中的randomforest程序包进行RF建模。在RF模型中，有两个主要参数需要设置：树的棵数(ntree)和树节点抽选的变量个数(mtry)。通过选取候选调优参数值的集合，来对模型进行调优。

本发明基于特征选择的方法优选出影响作物生长的关键极端气候因子，结合机器学习算法和作物机理模型模拟，可以充分考虑极端气候条件对作物产量的影响，进而提高气候变化背景下作物产量的模拟能力。

本发明利用研究站点的气象数据、土壤资料和作物管理措施数据驱动APSIM作物机理模型，对不同研究站点长时间序列下的作物产量进行模拟；并利用气象观测数据计算极端气候指数，利用遗传算法特征选择方法优选出对作物产量模拟效果最好的极端气候指数组合；将作物生物量模拟值和优选的极端气候指数组合输入随机森林模型，建立基于特征选择、机器学习和作物模型的混合模型，利用混合模型模拟考虑极端气候条件下的作物产量，并评估关键极端气候指数的贡献，对理解和预测未来气候变化对农业生产的影响和提出适应气候变化的应对措施具有重要意义。

附图说明

图1是本发明评估方法的流程图。

图2是作物模型和混合模型的模拟表现图；其中，(a)是本发明作物模型模拟冬小麦产量验证图，(b)是混合模型模拟冬小麦产量验证图。

图3是冬小麦生育期、产量和生物量的APSIM模型模拟值的时间序列图。

图4是21个极端气候指数的时间序列图。

图5是关键极端气候指数对作物产量模拟的相对贡献图。

具体实施方式

下面结合附图和实施例对本发明作进一步详述。

实施例：

如图1所示，以华北地区作为被测区域，对该区域的极端气候对冬小麦产量的影响进行评估，评估方法如下：

S1、在华北地区内确定下列32个研究站点(见表1)，收集各研究站点的历史气象数据、土壤资料数据和作物数据。历史气象数据为1981–2009的详细气候数据，包括日最高温、最低温、辐射和降雨量等。土壤资料数据包括土壤有机质含量、田间持水量等。作物数据包括冬小麦物候期、产量、品种和施肥灌溉管理措施等。

表1：研究站点信息

根据作物机理模型APSIM的需要，将上述研究站点对应年份的日气象数据、土壤数据和田间管理措施数据(播种方式、灌溉、施肥、收获等)，输入作物机理模型APSIM中，采用试错法确定作物机理模型中作物品种的参数值(冬小麦品种的主要参数包括tt_end_of_juvenile,Startgf_to_mat,Vern_sens,Photop_sens、Potential_grain_filling_rate,Grains_per_gram_stem,Max_grain_size)，并根据各研究站点观测的冬小麦物候和产量数据，对确定的模型参数进行校正和验证。

根据华北地区各研究站点对模拟产量和实测产量的对比分析，得到相关系数R

S2、利用校正好参数的作物机理模型APSIM，并严格按照观测资料输入气象数据、土壤数据和田间管理措施数据，对各研究站点在长时间序列下的冬小麦生育期、冬小麦产量和冬小麦生物量进行模拟，输出华北地区1981-2009年冬小麦生育期、冬小麦产量和冬小麦生物量的模拟值(见图3)。

S3、根据冬小麦在不同生长阶段容易受到的极端气候事件设计了三个极端高温指数，包括高温日数(HD)、高温强度(HSI)和高温持续指数(HCD)；三个极端低温指数，包括霜冻日数(FD)、霜冻强度(CSI)和冷持续指数(FCD)；以及三个极端降雨指数，包括强降水日数(R25)、持续湿润指数(CWD)和持续干燥指数(CDD)。其中，极端高温指数的计算期间为：拔节到开花(JF)以及开花到成熟(FM)这两个阶段；极端低温指数的计算期间为：播种到拔节(SJ)以及拔节到开花(JF)这两个阶段；极端降雨指数的计算期间为：播种到拔节(SJ)、拔节到开花(JF)以及开花到成熟(FM)这三个阶段。按照三类极端气候指数与冬小麦不同生长阶段的组合，共获得21个极端气候指数。冬小麦不同生长阶段极端气候指数的定义见表2。基于作物机理模型APSIM输出冬小麦关键生育期模拟值，利用气象观测数据来计算冬小麦在不同生长阶段的极端气候指数，华北地区极端气候指数的计算结果见图4。

表2：冬小麦在不同生长阶段的极端气候指数

S4、利用遗传算法(GA)从上述的21个极端气候指数中优选出对冬小麦产量模拟效果最好的极端气候指数组合。设置GA的种群数量(popSize)为50，交叉概率(pcrossover)为0.8，突变概率(pmutation)为0.1，以均方根误差(RMSE)最小为适应度函数，计算寻找最优的极端气候指数组合。最优组合为HD_FM、HSI_FM、HCD_FM、FD_SJ、CSI_SJ、CSI_JF、FCD_SJ、R25_SJ、CWD_FM和CDD_JF共10个指数。

S5、将步骤S2获得的冬小麦生物量模拟值以及步骤S4选择的10个极端气候指数作为预测变量，观测产量作为目标值对随机森林模型(RF)进行训练，确定RF模型中的关键参数值。在RF模型中，有两个主要参数需要设置：1、树的棵数(ntree)；2、树节点抽选的变量个数(mtry)。树的棵数(ntree)的取值设置为100–1500，步长为100；树节点抽选的变量个数(mtry)的取值设置为1–15，步长为1。

通过选取由不同的ntree和mtry所组成的候选调优参数值集合来对RF模型进行调优。当ntree＝400，mtry＝7时，构建的基于特征选择、机器学习和作物模型的混合模型模拟冬小麦产量的均方根误差(RMSE)最小，效果最佳。

利用该混合模型模拟华北地区在极端气候条件下的冬小麦产量，并根据各研究站点观测的作物产量数据评价混合模型的产量模拟水平。具体是利用均方根误差(RMSE)和相关系数(R

1、均方根误差(RMSE)的计算公式为：

其中，X

2、相关系数(R

其中，

如图2(b)所示，通过评价指标计算，混合模型对冬小麦产量的模拟效果远远高于APSIM作物模型，其中，相关系数R

如图5所示，通过混合模型输出结果评估了关键极端气候指数对冬小麦产量模拟的相对贡献，总体来看，极端温度指数对冬小麦产量模拟的相对贡献大于极端降雨指数，其中相对贡献最大的5个极端气候指数依次是CSI_SJ、FD_SJ、HSI_FM、FCD_SJ和HD_FM。