[发明专利]耦合作物模型和机器学习的作物育种适应时间预测方法

说明书

本发明公开了一种耦合作物模型和机器学习的作物育种适应时间预测方法，包括如下步骤：S1：作物模型的校准和管理情景的模拟，以获得作物的生育期(DOY)和产量(Y)；S2：选择关键特征变量，S3：构建混合评估模型，包括结合机器学习方法，选出精度最高的混合评估模型；S4：评估气候变化的影响，包括计算每个品种的产量变化(Yc)；以及S5：识别育种适应的时间；包括计算各时间窗口内是否至少有任意的一半年份的所述产量变化的中值超过适应性阈值，如果满足条件，则确定该格点需要育种干预，育种适应的时间为所述时间窗口的中间时刻t；由此最终得到研究区在特定未来气候情景下需要育种适应的时间和地点。

技术领域

本发明涉及农业信息技术领域，具体而言涉及一种耦合作物模型和机器学习的作物育种适应时间预测方法。

背景技术

气候变化导致极端气候事件的频率和强度显著增加(如极端高温，干旱和热浪等)，对全球粮食安全构成了严重威胁。品种更新是农业生产系统应对气候变化的关键措施，涉及培育(breeding)，交付(delivery)和采用(adoption)三个环节，一般需要长达15-30年的时间且耗费大量资金。因此，应提前对育种适应时间进行科学的预测，以免浪费资金。然而，完成在区域尺度上系统评估气候变化对现有品种的影响是确定何时何地需要育种适应的前提。

目前气候变化对作物品种的影响评估主要有两种方法：(1)统计模型，即在基准时段建立气象因子和产量之间的回归关系，然后将未来气候情景下气象要素的趋势带入统计模型估算气候变化的影响；但是该方法只能评估气候变化对单一品种的影响，无法系统研究现有品种对气候变化的响应；(2)作物模型，其可以在天甚至小时尺度人为再现作物从播种到成熟的连续过程，反映作物生长对不同环境和管理因素的响应方式。在气候变化影响评估中，只需将基准时段和未来情景下的气象、土壤和管理数据输入作物模型模拟得到其对应的产量，然后将两个时段的产量进行对比即可估算气候变化的影响。现有的作物模型可分为两类：站点模型，是针对特定的田间试验设计的，虽然成功地刻画了管理措施对产量形成的影响，但是只能进行单点模拟。通过品种参数区域化和气象要素空间插值技术可以实现模型的区域化应用，但无可避免地引入了新误差；格点作物模型，其虽然可以表征区域空间差异，但是构建与运行需要大量的驱动数据，且由于地表参数以及品种和管理方式存在较大的空间异质性，使得其参数厘定非常困难，大区域研究依然不易实现。此外，格点模型主要考虑气象要素的变化对作物产量的影响，往往忽略了农艺措施的贡献。

现有的育种适应研究大多利用田间增温实验或作物模型基于假设品种的模拟来探讨培育抗高温和干旱的品种能否弥补气候变化导致的产量损失，目前还没有预测育种适应时间的框架。

因此，需要构建一种灵活高效的可在区域尺度上定量气候变化的影响，同时能够考虑品种等管理措施贡献的方法，该方法是预测育种适应时间的基础。

发明内容

本发明人在研究过程中认识到，机器学习是统计方法的直接继承，区别在于其利用权重进行预测而不对输入信息做任何假设，故对含有噪声的数据更加稳健，能够更好地刻画农业系统的复杂非线性关系；此外，机器学习完全是数据依赖的，即其预测的空间尺度取决于输入数据，可灵活地进行多尺度的应用。因此，将站点模型的机理过程和机器学习模型数据驱动的的优势相结合，利用作物模型的输出训练机器学习算法构建一种混合评估模型，来刻画特定环境下气候、土壤、管理和品种与产量之间的复杂关系，然后将这一关系应用到一个均质的区域，即可在区域尺度上评估气候变化对不同品种的影响，为下一步育种适应时间的预测奠定基础。

并且，用于气候变化预测的交叉阈值分析能够确定某一事件发生的时间和地点(如估算全球温度在何时何地将高出前工业时代2℃)，将该方法应用到气候变化适应性措施的研究，可对育种适应的时间和地点进行预测，能够为决策者提供现有品种何时何地将不可种植的早期信号，进而促进育种投资，这对保障国家和地区粮食安全至关重要。