为精确监测和评估小麦在成熟期受连阴雨胁迫后穗霉变发芽情况。该研究以2023年5月底黄淮西部一次大范围连阴雨天气过程为例,从气象致灾危险性和遥感变量表征小麦承灾能力两方面,综合应用气象和多源卫星遥感资料,构建模型因子。分别用Spe...为精确监测和评估小麦在成熟期受连阴雨胁迫后穗霉变发芽情况。该研究以2023年5月底黄淮西部一次大范围连阴雨天气过程为例,从气象致灾危险性和遥感变量表征小麦承灾能力两方面,综合应用气象和多源卫星遥感资料,构建模型因子。分别用Spearman和Pearson相关性分析,以及ReliefF特征选择方法进行关键因子筛选,形成3组因子,分别应用Logistic回归等5种分类器和多元线性回归等5种回归方法构建模型,实现了对灾变的精准识别、程度分级和指数回归预测。通过对不同模型性能评估和各因子影响的对比分析,结果表明:所选分类器在气象与遥感因子协同及各独自建模情形下,均能识别穗发芽霉变并准确预测其等级,识别的准确率(accuracy,AC)在0.649~0.811,等级预测的AC在0.432~0.622之间;在穗发芽霉变指数(ear germination and moldiness index,EGMI)预测方面,构建的PCFXGBR模型表现最佳,R^(2)为0.25,均方根误差(root mean square error,RMSE)为15.68,平均绝对误差(mean absolute error,MAE)为11.93。研究发现,遥感模型在灾变识别上更具优势,而气象模型在灾变程度分级上更优,结合两者的气象-遥感协同模型性能最佳。该研究成果为小麦连阴雨减损与灾后评估提供了有力的技术支持。展开更多
文摘为精确监测和评估小麦在成熟期受连阴雨胁迫后穗霉变发芽情况。该研究以2023年5月底黄淮西部一次大范围连阴雨天气过程为例,从气象致灾危险性和遥感变量表征小麦承灾能力两方面,综合应用气象和多源卫星遥感资料,构建模型因子。分别用Spearman和Pearson相关性分析,以及ReliefF特征选择方法进行关键因子筛选,形成3组因子,分别应用Logistic回归等5种分类器和多元线性回归等5种回归方法构建模型,实现了对灾变的精准识别、程度分级和指数回归预测。通过对不同模型性能评估和各因子影响的对比分析,结果表明:所选分类器在气象与遥感因子协同及各独自建模情形下,均能识别穗发芽霉变并准确预测其等级,识别的准确率(accuracy,AC)在0.649~0.811,等级预测的AC在0.432~0.622之间;在穗发芽霉变指数(ear germination and moldiness index,EGMI)预测方面,构建的PCFXGBR模型表现最佳,R^(2)为0.25,均方根误差(root mean square error,RMSE)为15.68,平均绝对误差(mean absolute error,MAE)为11.93。研究发现,遥感模型在灾变识别上更具优势,而气象模型在灾变程度分级上更优,结合两者的气象-遥感协同模型性能最佳。该研究成果为小麦连阴雨减损与灾后评估提供了有力的技术支持。