[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

摘要

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。

主权项

1.一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：/nS1：作物模型的校准和管理情景的模拟，包括：获取研究区内实验站点的土壤数据(S),气象数据(W)和农业生产数据(A)，并利用这些数据对作物模型进行校准，然后利用校准的作物模型来进行各种管理情景的模拟，以获得各种模拟情景下作物的生育期(DOY)和产量(Y)；/nS2：选择关键特征变量，包括：对于每个模拟情景，根据上述模拟获得的生育期(DOY)，提取作物从播种到成熟每天的气象数据，计算生育期内的农气指标；将每个模拟情景对应的影响作物生长发育的特征变量进行整合，建立特征变量表；通过Pearson相关分析计算各特征变量之间的相关系，并且利用机器学习模型对特征变量的相对于产量的重要性进行分析排序，将相关性大于预定值(例如0.75)的特征变量以及对产量贡献不显著的特征变量去除，其余特征变量作为关键特征变量保留；/nS3：构建混合评估模型，包括：将上述每次模拟对应的产量(Y)插入相应的特征变量表，然后将各模拟情景以一定的比例划分为训练集和测试集，采用Python中的网格搜索(GridsearchCV)方法，基于所述训练集并利用所述关键特征变量和产量(Y)来优化机器学习模型的超参数，然后在测试集上利用10折交叉验证(10-fold cross validation)混合评估模型的精度，选出精度最高的混合评估模型；/nS4：评估气候变化的影响，包括：分别将基准时段和未来时段的气候情景下每个品种格点尺度的关键特征变量输入所述精度最高的混合评估模型，得到基准时段和未来时段的栅格产量，比较并计算每个品种的产量变化(Yc)，产量变化公式计算如下；/n