近日，水土保持科学与工程学院（水土保持研究所）赵刚教授团队在 European Journal of Agronomy上发表最新研究“Integrating machine learning and change detection for enhanced crop disease forecasting in rice farming: A multi-regional study”。科研团队成功开发了一种集成机器学习（ML）和变化检测（CD）模型的水稻病害的严重程度和始发感染预测方法，为精准农业领域带来技术创新。这项研究跨越中国、印度和日本等主要水稻种植区域，对全球粮食安全具有深远的影响。赵刚教授作为本研究的第一作者和个通讯作者，德国BASF数字农业的Quanying Zhao博士、Andreas Johnen研究员和Antonio Fernandes Nogueira Junior博士，德国莱布尼茨农业研究所农业景观研究中心（ZALF）的Heidi Webber教授，以及意大利圣心大学的Vittorio Rossi教授为合作者。
水稻作为全球超过一半人口的主要食物来源，其产量常因病害遭受严重损失。准确预测病害发生、发病时间和发展趋势，以优化杀菌剂的使用，对减轻病害导致的水稻产量损失至关重要。研究团队整合了来自207个地点每周病害观察、作物管理及气象数据，通过模拟早期疾病发展曲线和趋势，开发了一种新的变化检测 (CD) 模型，称为滚动线性回归模型 (RLR)。并将该RLR模型与表现最佳的随机森林回归模型（RandomForestRegressor）相结合，形成了一种高效的病害预测工具，能有效预测四种水稻病害（叶瘟、穗颈瘟、纹枯病、稻曲病）的发生、严重程度和发病日期。
研究结果表明，RandomForestRegressor在模拟病害严重程度方面表现卓越。而新开发的RLR模型在预测病害发生和发病时间方面具有显著优势。此外，RandomForestRegressor + RLR模型在预测疾病发生方面表现最佳，优于其他 29 个 ML +CD 模型，并且该混合模型在预测病害发病时间上也表现出色，误差天数少于6天的准确率为 74% ~ 87%。
ML和CD混合模型在不同环境条件下具有强大的泛化能力，对于大规模水稻病害风险预测极为有效。这项研究不仅提高了病害预测的精度，还为农业决策支持系统提供了一种新的工具，有助于优化水稻病害管理实践。
该研究得到了陕西省重点研发项目[2023-ZDLNY-64]的资助。
原文链接：https://www.sciencedirect.com/science/article/pii/S1161030124002387?dgcid=author
图1 使用组合机器学习 (ML) 模型和变化检测 (CD) 模型来预测农作物病害严重程度、发生情况和发病日期的工作流程。(原文图3)
图2 滚动线性回归(RLR)变化检测模型与随机森林回归模型相结合在预测疾病发病日期方面的表现。(a)以3天为间隔的五个类别准确率的占比。(b)四种疾病模拟的发病日期和观察到的发病日期之间的误差天数的直方图分布。(原文图9)
编辑：王容娜
终审：韩锁昌
附件下载：
