水稻FT-AI-GSCMPP虫害防控模型研究及应用*

王兴旺，郑汉垣，范慧峰

(1. 上海农林职业技术学院,上海市,201699; 2. 上海大学计算机工程与科学学院,上海市,200444;3. 上海松江区水稻研究所,上海市,201620)

0 引言

水稻是重要粮食作物,我国以稻米为主食的人口比例达到60%左右[1],水稻种植面积约为30 213.2 khm2,占粮食种植总面积的27%左右,水稻总产量约为210 Mt,占粮食总产量的33%左右[2-5]。松江稻米是上海特色粮食产品,主要品种为“松香粳1018”等,其米粒柔软具有弹性,表面光滑且口感清香略甜,在江浙沪一带极为畅销[6-8]。2022年上海市松江区水稻种植面积约为11.3 khm2,年产量约为97.8 kt。目前水稻受虫害危害严重,上海市松江区水稻虫害发生严重种植面积约3.7 khm2,致使水稻减产约10.8 kt,种植户遭受到巨大经济损失[9],水稻虫害主要包括稻象甲、黏虫、蚜虫、稻瘿蚊等约30种害虫[10]。

研究人员对虫害防控做了大量的研究工作,旨在探索虫害发生规律,加强虫害防控并提升虫害防控工作效率。韩雨昊等[11]建立一种基于CART算法的虫害模型,并将其应用到田间虫害数量预测,为虫害预警提供了重要的科学依据;徐会杰等[12]对YOLOv3模型进行改进,提出一种新的玉米叶片病虫害检测模型,解决了玉米页面检测中漏检率高与鲁棒性差等问题;Mandal等[13]将Z型控制方法应用于构建作物害虫天敌模型,通过所提出的Z型控制器实现任何期望的害虫种群数量,从而实现控制害虫的目标。王江晴等[14]为解决神经网络参数量和计算复杂度过大问题,提出一种轻量化VGG的植物病虫害识别模型,通过试验研究发现在复杂计算环境下,病虫害的识别准确率和识别时间得到大幅度提升。Hou等[15]以虫害种群密度作为虫害综合治理的控制指标,建立了具有群体防御行为的虫害综合治理Filippov模型,通过试验验证了所建立模型的动力学、滑模动力学、实平衡、虚平衡和伪平衡的存在性和全局稳定性。

常用水稻虫害防控模型主要包括Malthus模型、Logistic模型等[16],可以对水稻进行虫害防控,但在资源对种群抑制作用、农药对害虫天敌毒杀作用等方面考虑不多,具有一定的局限性,致使虫害防控效率不够高。随着现代化农业的发展,水稻生产需要更高效、更智能化的虫害防控模型进行虫害防控,对水稻虫害防控模型的研究和应用势在必行。由于常用虫害防控模型对水稻虫害防控不够理想,本研究在水稻虫害种群广义系统模型(GSMPP)的基础上进行改进。考虑到GSMPP对于人工防控因素考虑不全面,将清除病残叶、喷洒农药等人工干预因子加入模型,并引入模糊理论,建立和创新一种基于模糊理论的人工干预因子水稻虫害种群广义系统控制模型(FT-AI-GSCMPP),在上海松江水稻种植基地开展了系列试验并将虫害防控模型应用于“松香粳1018”等水稻品种生产。

1 材料与方法

1.1 试验材料

试验以“松香粳1018”水稻品种为试材,试验地为上海市松江区水稻种植基地,试验地位于上海市西南部(东经121°45′,北纬31°,海拔103.7 m),气候温和湿润,适宜种植水稻。试验地年平均气温约17.6 ℃,年平均降水量约1 079.4 mm,年平均日照总时数约1 784.7 h,全年无霜期约230 d。试验地土壤种类介于砂土与黏土之间,以“青紫泥”居多,土壤肥力好,有机质含量约29.64 g/kg,有效磷含量约58.47 mg/kg,全氮含量约1.85 g/kg。试验材料行距约30 cm,株距约25 cm,分为早、中、晚稻三种类型种植。

1.2 数据获取与处理

上海松江水稻种植基地种植水稻约11.3 khm2,其中“松香粳1018”稻种种植面积约4.8 khm2,水稻种植基地布设了16处物联网信息采集设备,具备开展数据信息采集的完备条件。本研究对2019年1月—2022年12月期间“松香粳1018”种植情况进行数据信息采集,数据调查采集方法采用传感器监测法、抽样调查法、观察法等,数据采集内容主要为水稻种群密度数据、虫害种群密度数据、清除残叶数据、喷洒农药种类及剂量数据、虫害种群的捕获效率数据等,每5～7 d调查并采集1次数据。

本研究使用2019年1—12月虫害发生情况数据用于建模,使用2020年1月—2022年12月数据用于模型检验。

1.3 建立GSMPP模型

为有效提升水稻虫害防控工作效率,合理控制水稻种群密度、虫害种群密度、虫害天敌种群密度,本研究建立水稻虫害种群广义系统模型(GSMPP)[17],虫害种群处在如式(1)所示的平衡状态。

(1)

式中:m——虫害天敌种群对虫害种群的捕获效率;

x2(t)——t时刻虫害种群密度;

d——虫害种群的死亡率;

r2——虫害种群的内禀增长率;

k2——虫害种群的最大环境容纳量;

p——天敌种群密度。

设k2与x1(t)成正比,即k2=cx1(t),x1(t)表示t时刻水稻种群的种群密度,c表示水稻种群对虫害种群的影响系数,则得到

(2)

设水稻种群密度x1(t)符合逻辑增长,则

(3)

式中:k1——水稻种群的最大环境容纳量;

r1——水稻种群的内禀增长率。

根据虫害种群与水稻种群之间的作用关系,由式(3)得到

(4)

式中:a——虫害种群对水稻种群的影响系数。

水稻虫害种群的广义系统模型为

(5)

根据式(5)设计控制器的步骤如下。

步骤1:根据式(5)建立控制模型。

步骤2:由模糊神经网络得到相应的模糊模型并对所建控制模型进行逼近。

步骤3:针对模糊模型设计控制器,达到全局稳定的目标,从而实现式(5)控制模型的全局稳定,完成对模型的控制。

1.4 提出并建立AI-GSCMPP模型

GSMPP模型能够在一定程度上控制水稻种群密度、虫害种群密度,但缺乏考虑人工虫害防控因素,本研究对GSMPP模型进行改进,将清除病残叶和喷洒农药等因子加入模型,建立了基于人工干预因子的水稻虫害种群广义系统控制模型 (AI-GSCMPP)[18]。其中u1(t)表示清除病残叶因子,u2(t)表示喷洒农药因子,从而得到式(5)的控制模型式(6)。

(6)

η1(t)=x1(t)-x1*(t)

η2(t)=x2(t)-x2*(t)

则式(6)演化为

(7)

式中:x1*(t)——t时刻水稻种群密度平衡点坐标;

x2*(t)——t时刻虫害种群密度平衡点坐标;

η1(t)——t时刻水稻种群密度与水稻种群密度平衡点之差;

η2(t)——t时刻虫害种群密度与虫害种群密度平衡点之差;

式(7)即为基于人工干预因子的水稻虫害种群广义系统控制模型 (AI-GSCMPP)。

1.5 提出并建立FT-AI-GSCMPP模型

AI-GSMPP模型能够提升水稻虫害防控效率,但是由于涉及变量较多,对于系统动态描述比较困难,难以高效实施水稻虫害防控,为解决这一问题,本研究在AI-GSCMPP模型的基础上引入模糊理论,对水稻虫害实施非线性智能防控,建立了基于模糊理论的人工干预因子水稻虫害种群广义系统控制模型(FT-AI-GSCMPP)[19],模糊系统结构为

(8)

式中:x(t)——输入变量;

Y[x(t)]——x(t)的线性向量函数;

λi[x(t)]——相应规则的输出权重;

N——模糊规则个数;

Yi[x(t)]——不同模糊规则个数下x(t)的线性向量函数。

根据式(8)可得模糊广义系统模型为

(9)

当输出具有相同规则时,式(9)可以转化为

(10)

模糊规则数目N的确定与模糊规则的专家经验和实际采集数据量密切相关,本研究利用神经网络方法来满足模糊广义系统的逼近精度,确立模糊规则为5,得到式(9)的模糊广义系统模型,如式(11)所示。

(11)

模糊集的隶属度函数为

(12)

式中:ωij(xj)——隶属度函数;

cij——隶属度函数中心;

σij——隶属度函数的宽度。

1.5.1 模型训练

步骤1:式(9)中,准备2 000组水稻种群密度数据和虫害种群密度数据。

步骤2:式(11)中,初始化宽度和权值数据,采用模糊c均值算法计算初始中心cij,进行模糊划分。

步骤3:用BP误差逆传播算法对式(11)初始中心cij、后件连接权和宽度进行修正。

ωk(k=1,2)表示实际输出,ωEk表示期望输出,ε表示精度,则误差为

(13)

执行第一次循环,根据步骤2中的初始值,按照式(14)参数的修正算法

(14)

(15)

(16)

得到相应的模糊广义系统模型为

(17)

1.5.2 控制器设计

针对式(17),设计控制器为

(18)

控制器中Ki=NiQ-1,矩阵Ni,Q和Yji=YjiT(i,j=1,…,5)满足

ETQ=QTE≥0

(19)

QTAiT+NiTBT+AiQ+BNi

(20)

AiQ+AjQ+QTAiT+QTAjT+BNj+BNi+NjTBT+NiTBT≤Yij+YijT

[Yij]5×5<0

(21)

则式(17)全局渐近于原点。

将式(18)代入式(17),得到

(22)

在控制器作用下,水稻种群密度达到较高状态,虫害种群密度达到较低状态,达到水稻虫害防控目的。

1.6 试验方法

1.6.1 虫害防控分类检验

本研究于2020年1月—2022年12月在上海松江水稻种植基地开展了不同类型的水稻虫害防控检验,主要包括五种模型对单种虫害防控检验、五种模型对多种虫害防控检验、五种模型对多种虫害不同年份发生率检验等。

1.6.2 水稻生产应用

本研究于2022年1—12月将Logistic、Holling、Lotka-Volterra、Malthus、FT-AI-GSCMPP五种虫害防控模型应用于上海松江水稻种植基地实际生产中,应用稻种为“松香粳1018”,该稻种在松江种植面积约为4.8 khm2,为了管理方便,划分出五个面积相同而位置不同的水稻种植区域,每个区域对应不同的虫害防控模型进行管理,合理控制水稻种群密度、虫害种群密度、虫害天敌种群密度,并采用清除病残叶和喷洒农药等技术手段对水稻虫害进行防控。

2 结果与分析

本研究将建立的FT-AI-GSCMPP模型与Logistic、Holling、Lotka-Volterra、Malthus等四种常用的虫害防控模型对水稻进行虫害防控试验与生产应用,将虫害发生情况数据信息分为训练集、验证集、测试集三个部分,分别占比为70%、15%、15%。试验计算环境为:联想Think Server TS90X E-2324G 4核3.1～4.6 GHz服务器,512G RAM,I79700KF CPU,8×4T固态硬盘,RTX3060TI 8G G6X显卡。

2.1 模型检验

2.1.1 模型完善性检验

为了验证模型设计是否完善,本研究对FT-AI-GSCMPP模型进行了完善性检验,检验结果如表1所示。表1中λ、θ、x、t、u五个参数的标准差分别为1.526 87、0.032 56、0.021 85、1.658 95、0.005 43,所对应的P值分别为0.002 3、0.005 4、0.008 5、0.002 9、0.003 8,均小于0.01,全部通过了完善性检验,说明FT-AI-GSCMPP模型设计较为完善,误差较小,该模型可以对水稻虫害进行正常防控。

表1 FT-AI-GSCMPP模型完善性检验Tab. 1 Perfection test of FT-AI-GSCMPP model

2.1.2 模型平稳性检验

为了保证虫害防控模型能够正常对水稻进行虫害防控,必须验证FT-AI-GSCMPP模型的平稳性,本研究采用单位根检验法,利用Eviews10.0软件进行计算和数据分析,结果如表2所示。表2中原序列的5%临界值为-2.954 623,小于所对应的T统计量的-1.654 687,表明数据序列还不平稳;一阶差分处理后,5%临界值大于T统计量的-4.521 368,表明数据序列已经平稳,FT-AI-GSCMPP可以对水稻虫害进行正常防控。

表2 FT-AI-GSCMPP平稳性检验Tab. 2 FT-AI-GSCMPP stability test

2.2 虫害防控分类检验

为了验证虫害防控模型对水稻虫害的防控能力和效果,本研究开展了不同模型对稻象甲防控检验,数据统计如表3～表5所示。表3统计了五种水稻虫害防控模型对稻象甲防控数据,稻象甲在上海松江水稻种植基地发生较为严重,该虫取食稻叶后,使稻叶倒折,给种植户带来严重经济损失。Logistic、Holling、Lotka-Volterra、Malthus、FT-AI-GSCMPP五种模型的百丛虫量平均值分别为26.62头、30.57头、35.65头、21.58头、16.42头,模型间百丛虫量达到显著水平,Lotka-Volterra百丛虫量平均值最大,为35.65头,FT-AI-GSCMPP百丛虫量平均值最小,为16.42头,缩减率为53.94%,五种模型中FT-AI-GSCMPP的稻象甲种群密度达到最小。FT-AI-GSCMPP的虫量防效平均值最大,为95.67%,平均值最小为Lotka-Volterra的71.63%,虫害防效提升了24.04%。由于虫量防效较好,FT-AI-GSCMPP的卷叶率平均值最小,为0.56%,其卷叶防效平均值最大,为94.12%。从而得出结论,FT-AI-GSCMPP对稻象甲的防控能力最强。

表3 不同模型对稻象甲防控检验Tab. 3 Inspection of different models for rice weevil control

表4统计了五种模型对三种虫害防控检验结果,观察表4,对于黏虫而言,百丛虫量平均值最大为Lotka-Volterra的25.23头,平均值最小为FT-AI-GSCMPP的12.38头,降低了50.93%;虫口减退率平均值最大为FT-AI-GSCMPP的91.84%,平均值最小为Lotka-Volterra的70.68%,提升了21.16%。对于蚜虫而言,百丛虫量平均值最大为Holling的26.37头,平均值最小为FT-AI-GSCMPP的17.26头,降低了34.55%;虫口减退率平均值最大为FT-AI-GSCMPP的90.68%,平均值最小为Holling的71.86%,提升了18.82%。对于稻瘿蚊而言,百丛虫量平均值最大为Logistic的22.95头,平均值最小为FT-AI-GSCMPP的13.41头,降低了41.57%;虫口减退率平均值最大为FT-AI-GSCMPP的92.65%,平均值最小为Logistic的72.64%,提升了20.01%。综合所有防控检验结果,FT-AI-GSCMPP对于黏虫、蚜虫、稻瘿蚊三种虫害防控最稳定且效果最好。

表4 五种模型对三种虫害防控检验Tab. 4 Test of five models for controlling three pests

表5统计了五种模型对三种虫害连续三年的发生率检验结果。

表5 五种模型对虫害发生率检验Tab. 5 Test of five models for pest incidence

对于钻心虫发生率而言,2020年、2021年、2022年钻心虫发生率平均值最大分别为Lotka-Volterra的21.85%、Lotka-Volterra的18.65%和Holling的10.94%,2020年、2021年、2022年钻心虫发生率平均值最小分别为FT-AI-GSCMPP的18.24%、13.65%和6.96%,FT-AI-GSCMPP在三年钻心虫发生率一直保持最小且钻心虫发生率平均值最大值和最小值都有下降趋势;对于稻飞虱发生率而言,2020年、2021年、2022年稻飞虱发生率平均值最大分别为Lotka-Volterra的30.69%、27.85%和16.74%,稻飞虱发生率平均值最小分别为FT-AI-GSCMPP的22.52%、20.34%、9.98%;对于稻蓟马发生率而言,2020年、2021年、2022年稻蓟马发生率平均值最大分别为Lotka-Volterra的16.21%、15.32%和Holling的8.65%,稻蓟马发生率平均值最小分别为FT-AI-GSCMPP的11.25%、9.57%、3.53%。综合2020年、2021年、2022年钻心虫发生率、稻飞虱发生率和稻蓟马发生率来看,FT-AI-GSCMPP的三种虫害发生率能够保持最小且稳定,在五种模型中FT-AI-GSCMPP对于钻心虫、稻飞虱、稻蓟马的虫害防控效果最佳。

2.3 水稻生产应用

为了检验水稻虫害防控模型对水稻实际生产的影响作用,本研究统计了不同模型对水稻生长影响数据,分别如表6～表8所示。 表6表示五种水稻虫害防控模型对水稻生长产生的影响,观察表6,根长平均值最大为FT-AI-GSCMPP的24.21 cm,平均值最小为Holling的16.87 cm,增长率为43.51%,虫害防控模型对水稻根长影响显著,其中FT-AI-GSCMPP达到最优;株高的平均值最大为FT-AI-GSCMPP的59.79 cm,平均值最小为Lotka-Volterra的53.21 cm,增长率为12.37%,虫害防控模型对株高影响不显著;地上部鲜重FT-AI-GSCMPP的平均值达到最大,地下部鲜重FT-AI-GSCMPP达到次大值,叶片的SPAD值FT-AI-GSCMPP的平均值也达到最大。综合来看,虫害防控模型对水稻的根长、地上部鲜重、地下部鲜重等指标影响显著,对株高、叶片SPAD值影响不显著,FT-AI-GSCMPP表现较好。

表6 不同模型对水稻生长影响Tab. 6 Effects of different models on rice growth

表7表示不同虫害防控模型对水稻品质影响数据统计,其中糙米率平均值各虫害防控模型差异不显著,Malthus和FT-AI-GSCMPP糙米率平均值非常接近,FT-AI-GSCMPP的糙米率平均值达到最大,为80.95%,说明Malthus和FT-AI-GSCMPP两个虫害防控模型使得稻谷去壳后所得的糙米比重较高;对于精米率和整精米率而言,FT-AI-GSCMPP的平均值均达到最大,分别为75.63%和72.33%;对蛋白质含量而言,Malthus的平均值最大为7.02%,平均值的最小值为Lotka-Volterra的5.16%,均小于8%,全部具有较好的适口性;对于直链淀粉含量而言,平均值最大为Logistic的18.25%,平均值的最小值为Holling的15.23%,均在15%～20%之间,各模型均具有较好的食味性。综合所有数据来看,FT-AI-GSCMPP的糙米率、精米率和整精米率的平均值均达到最大,对水稻生产效率和品质促进作用最好。

表7 不同模型对水稻品质影响Tab. 7 Effects of different models on rice quality

从模型P值来看,糙米率、蛋白质含量、直链淀粉含量三个指标的模型P值分别为0.672、0.528、0.349,均大于0.05,说明虫害防控模型对糙米率、蛋白质含量、直链淀粉含量影响不显著。精米率的模型P值为0.015,小于0.05,虫害防控模型对精米率的影响显著,整精米率的模型P值为0.013,小于0.05,表明该指标受虫害防控模型影响显著。综合所有结果,虫害防控模型对于精米率和整精米率有较好的促进作用,FT-AI-GSCMPP达到最优。

表8统计了五种虫害防控模型对水稻产量影响数据,对于结实率而言,结实率的平均值最大为FT-AI-GSCMPP的93.38%,结实率平均值最小为Lotka-Volterra的90.38%,整体相差不大,五种虫害防控模型所管理的水稻籽粒含量均较好;对于每穗粒数而言,Malthus和FT-AI-GSCMPP粒数平均值较高且接近,Malthus的每穗粒数平均值达到最大,为91.13粒;对于穗数而言,FT-AI-GSCMPP为34.58万穗/667 m2,平均值达到所有模型最大,表明FT-AI-GSCMPP对水稻穗数增加有较好的促进作用;对于千粒重而言,各模型间差异不显著,比较接近。实际产量中FT-AI-GSCMPP平均值达到最大,为686.37 kg/667 m2,领先于其它模型。综合所有数据,虫害防控模型对于水稻有较好的增产增收作用,FT-AI-GSCMPP在所有模型中表现最突出。

表8 不同模型对水稻产量影响Tab. 8 Effects of different models on rice yield

3 讨论

Logistic[20]、Holling[21-23]、Lotka-Volterra[24-27]、Malthus[28-31]是四种比较常用的虫害防控模型,可用于水稻虫害防控。常用虫害防控模型通常会研究虫害种群密度、作物种群密度、虫害天敌种群密度之间的相互作用关系,研究范围集中在以虫害防控模型为核心的化学防控研究领域,随着脉冲微分方程的发展[32],喷洒农药前后虫害天敌种群密度和虫害种群密度备受研究人员关注,对于新技术的融入和实际生产应用讨论不多,Logistic、Holling、Lotka-Volterra、Malthus等模型重点研究虫害防控模型的相关理论及其性质,对实际生产中虫害防控因素考虑不够全面,对于上海松江水稻虫害防控生产需求还存在一定的差距。

目前常用的虫害防控模型重点考虑以化学防控为主,对作物种群密度、虫害种群密度、虫害天敌种群密度对实际生产影响和作用研究不够充分,导致虫害防控效率不够理想[33]。为了合理控制水稻种群密度、虫害种群密度、虫害天敌种群密度,本研究在水稻虫害种群广义系统模型(GSMPP)的基础上进行改进,考虑到人工干预因素的影响,将清除病残叶和喷洒农药等因子融入模型,建立了基于人工干预因子的水稻虫害种群广义系统控制模型(AI-GSCMPP)。AI-GSMPP能够较好提升水稻虫害防控效率,但涉及变量较多,对于系统动态描述比较困难,难以高效实施水稻虫害防控,仍需进一步改进和优化。

Logistic、Holling、Lotka-Volterra、Malthus等虫害防控模型需要建立精确的数学模型,建模过程涉及变量较多且描述复杂,理解和应用难度较大,难以提升水稻生产虫害防控工作效率[34]。模糊理论是以隶属度函数为核心技术的理论方法,设计过程无需建立被控对象精确数学模型,目前在智能防控和智能决策领域有广泛应用[35]。

综合考虑模糊理论的应用领域和优势,本研究在虫害防控模型中引入模糊理论,对水稻虫害实施非线性智能防控,建立了基于模糊理论的人工干预因子水稻虫害种群广义系统控制模型(FT-AI-GSCMPP)。通过虫害防控模型对稻象甲、黏虫、蚜虫、稻瘿蚊防控效果分析,FT-AI-GSCMPP在虫量防效和虫口减退率方面领先于其他常用虫害防控模型;通过对2020年、2021年、2022年钻心虫、稻飞虱、稻蓟马三种虫害发生率数据统计,FT-AI-GSCMPP的平均发生率最低,且成逐年下降趋势。将五种虫害防控模型在水稻实际生产中进行应用,发现虫害防控模型对水稻的根长、株高、地上部鲜重、地下部鲜重、SPAD等指标有一定促进作用且FT-AI-GSCMPP表现最佳,FT-AI-GSCMPP对于精米率、整精米率、实际产量等指标的促进作用也表现较好。

4 结论

1) 为了合理控制水稻种群密度、虫害种群密度,有效提升水稻虫害防控效率,本研究建立了水稻虫害种群广义系统模型(GSMPP)。为了进一步提升模型工作效率,本研究对GSMPP进行改进和创新,将清除病残叶和喷洒农药等因子加入模型并利用模糊理论进一步降低模型变量数和实施复杂性,建立了基于模糊理论的人工干预因子水稻虫害种群广义系统控制模型(FT-AI-GSCMPP),该模型具有防控效率高、误差小、稳定性强等特点,能够对水稻虫害实施非线性智能防控,可用于水稻虫害防控等研究领域。

2) 水稻试验结果表明FT-AI-GSCMPP对稻象甲的虫量防效为95.67%,卷叶防效为94.12%;FT-AI-GSCMPP对黏虫、蚜虫、稻瘿蚊的虫口减退率分别达到91.84%、90.68%和92.65%。水稻生产应用结果显示FT-AI-GSCMPP对水稻的结实率、每穗粒数、穗数、千粒重、实际产量分别达到93.38%、91.04粒、34.58万穗/667 m2、28.16 g、686.37 kg/667 m2。FT-AI-GSCMPP的虫量防效、虫口减退率、卷叶防效、结实率等指标领先于其他虫害防控模型。

3) 本研究考虑首先将FT-AI-GSCMPP在上海松江水稻虫害防控实际生产进行应用,进而逐步扩大至江浙沪地区水稻生产虫害防控,今后的研究工作将围绕着如何进一步提升虫害防控模型的防控效率和病害防控因子的融入来展开。