徐 敏，趙艷霞，張 顧，高 蘋，楊榮明

（1.江蘇省氣候中心，南京 210008；2.中國氣象科學(xué)研究院，北京 100081；3.江蘇省氣象服務(wù)中心，南京 210008；4.江蘇省植物保護(hù)植物檢疫站，南京 210036）

0 引 言

小麥赤霉病防治時(shí)期不同，用藥效果差異較大，始花期是其最佳防治期。在小麥揚(yáng)花6.0%～37.5%時(shí)施藥，病指防效可達(dá)72.0%～79.0%；過早或過遲用藥，病指防效均低于 45.0[1-4]。赤霉病是威脅小麥產(chǎn)量和品質(zhì)的重大流行性病害，而且已成為小麥生產(chǎn)可持續(xù)發(fā)展的重要影響因素之一[5-6]，因此，開展小麥?zhǔn)蓟ㄆ陬A(yù)報(bào)研究對(duì)赤霉病精準(zhǔn)防治具有重要意義[7]。

以意大利山洪預(yù)警系統(tǒng)為例，歐盟一些國家所建設(shè)的山洪預(yù)警系統(tǒng)主要包括三個(gè)方面的內(nèi)容：一個(gè)可視化的便于操作的平臺(tái)；具有不同功能的模塊，包括服務(wù)器優(yōu)化計(jì)算分析模塊，實(shí)時(shí)數(shù)據(jù)接收和存儲(chǔ)模塊，雷達(dá)數(shù)據(jù)管理和處理模塊；綜合形成預(yù)警信息的決策信息生成系統(tǒng)。在監(jiān)測預(yù)警系統(tǒng)建設(shè)中，歐盟非常重視基礎(chǔ)工作，例如建立相對(duì)比較詳細(xì)的自然和社會(huì)經(jīng)濟(jì)數(shù)據(jù)庫，開展降雨與流量的耦合監(jiān)測和分析，進(jìn)行山洪災(zāi)害事件現(xiàn)場調(diào)查和數(shù)據(jù)整編入庫等。

兩種針刺工藝路線主要區(qū)別在于進(jìn)入預(yù)刺之前，PPS含基布濾料會(huì)作為夾心層鋪在凈氣面（底層）上，然后迎塵面 （面層）纖網(wǎng)會(huì)鋪在PPS基布上，形成三層結(jié)構(gòu)，PPS無基布濾料在進(jìn)入預(yù)刺之前不會(huì)有放卷PPS基布在兩層纖網(wǎng)中間，針刺環(huán)節(jié)只會(huì)發(fā)生纖維與纖維之間的抱合。由于無基布濾料沒有基布作為加強(qiáng)層，在針刺工藝參數(shù)設(shè)置上，會(huì)適當(dāng)降低針刺密度，增加針刺深度，增加針刺機(jī)工作輥速度，增加梳理機(jī)喂入量，以降低對(duì)纖維的損傷，同時(shí)保障纖維之間的抱合力。

根據(jù)冬小麥生長發(fā)育與氣象條件之間的關(guān)系及自身的生理特性，國內(nèi)外學(xué)者針對(duì)其生育期監(jiān)測預(yù)測開展了系列研究，方法主要有 3類：一是通過冬小麥生育期模型進(jìn)行預(yù)測，二是通過衛(wèi)星遙感監(jiān)測資料提取冬小麥關(guān)鍵物候期，三是通過統(tǒng)計(jì)預(yù)報(bào)法或經(jīng)驗(yàn)進(jìn)行預(yù)測。生長模型充分考慮了冬小麥生長發(fā)育的生理過程，因此在本地化應(yīng)用之前需要大量的試驗(yàn)數(shù)據(jù)為基礎(chǔ)，對(duì)敏感參數(shù)進(jìn)行校正，還要針對(duì)研究區(qū)域的氣候特征和冬小麥品種等，調(diào)試出不同品種的模型參數(shù)，而冬小麥品種繁多，所以作物模型在實(shí)際應(yīng)用中還存在一定難度和限制[8]。遙感技術(shù)的發(fā)展為大面積監(jiān)測作物關(guān)鍵物候期提供了新的手段[9]，如2016年楊琳等[10]利用MODIS NDVI數(shù)據(jù)提取了冬小麥返青期、抽穗期、成熟期的普遍期，由于采用動(dòng)態(tài)閾值法提取物候期需要人為設(shè)定閾值，并且沒有考慮閾值的空間變化，會(huì)影響物候提取的精度。20世紀(jì)80年代起，中國農(nóng)業(yè)氣象工作者在作物發(fā)育期預(yù)報(bào)方面總結(jié)了積溫法[11]、溫濕法[12]等統(tǒng)計(jì)預(yù)報(bào)方法，還總結(jié)了平均間隔法、物候?qū)W法等經(jīng)驗(yàn)預(yù)測法，統(tǒng)計(jì)方法和經(jīng)驗(yàn)法較前 2種方法相對(duì)簡單易算，但由于影響生育期的多重因子之間存在較為復(fù)雜的非線性關(guān)系，在一定程度上限制了預(yù)報(bào)精度的提升。前人的研究為冬小麥生育期預(yù)報(bào)研究奠定了基礎(chǔ)，但在預(yù)報(bào)精度、實(shí)際應(yīng)用可操作性等方面還有待改進(jìn)，而且專門針對(duì)冬小麥?zhǔn)蓟ㄆ陬A(yù)報(bào)方法的研究尚未見詳細(xì)報(bào)道。因此，本文將利用機(jī)器學(xué)習(xí)算法在客觀度量各預(yù)報(bào)因子重要性的基礎(chǔ)上，考慮因子間的非線性作用，建立始花期預(yù)報(bào)模型，擬進(jìn)一步提高預(yù)報(bào)精度，且具有可行性。

1)MOR方案和MY方案的模擬的結(jié)果在雨帶的走勢上與實(shí)況十分吻合,都成功模擬出東北—西南走勢的雨帶,但在雨帶的位置上,MOR方案模擬的效果要更接近實(shí)際情況;對(duì)于最大累積降水量的模擬,MOR方案和MY方案的最大累積降水量都超過實(shí)際情況,但相比于MOR方案,在最大累積降水量的模擬上,MY方案效果與實(shí)際更為接近。

結(jié)合上述“地平線歐洲”和“地平線2020”比較分析，可以看出“地平線歐洲”的四大重大轉(zhuǎn)變同中歐科技合作的共識(shí)契合度高，是支持未來中歐科技合作的有力政策執(zhí)行工具。對(duì)歐科技合作中，中國科技界可以在中歐科技合作共識(shí)基礎(chǔ)上，結(jié)合中國科技發(fā)展自身利益需求，充分利用“地平線歐洲”這一歐盟科技政策執(zhí)行工具，特別是該計(jì)劃下的資金、資源和政策，推動(dòng)和實(shí)現(xiàn)雙方在共同利益領(lǐng)域互利互惠的科技合作。啟示建議如下：

1 資料與方法

1.1 數(shù)據(jù)資料

冬小麥生育期觀測資料和氣象觀測資料均來自于江蘇省氣象局，其中，江蘇省冬小麥生育期觀測資料普遍始于20世紀(jì)80年代初期，觀測站點(diǎn)共10個(gè)：昆山、如皋、興化、大豐、盱眙、濱海、淮安、沭陽、贛榆、徐州。冬小麥播種期、出苗期、三葉期、分蘗期、越冬期、返青期、起身期、拔節(jié)期、孕穗期、始穗期、抽穗普遍期、始花期、開花普遍期、乳熟期等，均由專業(yè)的農(nóng)業(yè)氣象技術(shù)人員按照《農(nóng)業(yè)氣象觀測規(guī)范 冬小麥》（QX/T 299-2015）觀測所得，一般發(fā)育期在下午觀測，開花期在上午觀測，其中抽穗與開花期每日觀測，穗期和花期是以觀測的總株（莖）數(shù)進(jìn)入發(fā)育期的株（莖）數(shù)所占的百分率確定，當(dāng)?shù)谝淮芜M(jìn)入開花期的株（莖）數(shù)百分率≥10%時(shí)，該日期記錄為始花期。

氣象數(shù)據(jù)為各站點(diǎn)生育期觀測年份對(duì)應(yīng)的逐日氣象觀測資料，主要包括平均氣溫（℃）、≥0℃活動(dòng)積溫（℃）、最低氣溫≤0℃的累計(jì)日數(shù)（d）、降水量（mm）、降水日數(shù)（d）、日照時(shí)數(shù)（h）、日照百分率≥60%的日數(shù)（d）。

2.3.2 基于BP算法建立始花期預(yù)報(bào)模型

在大數(shù)據(jù)時(shí)代的背景下，機(jī)器學(xué)習(xí)算法在預(yù)測模型構(gòu)建及特征變量重要性評(píng)估等方面開始凸顯優(yōu)勢[13]，已成為現(xiàn)代農(nóng)業(yè)氣象科研和業(yè)務(wù)發(fā)展的重要工具[14]，如隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)等，這些算法不要求樣本數(shù)據(jù)滿足特定的分布形式，具備解決高維變量的能力[15]，已在玉米發(fā)育程度自動(dòng)識(shí)別[16]、大豆精細(xì)識(shí)別[17]、梨花花期預(yù)報(bào)[18]、油菜花期預(yù)報(bào)[19]、赤霉病病穗率預(yù)測[20]中進(jìn)行了較好地應(yīng)用。本文采用隨機(jī)森林算法、反向神經(jīng)網(wǎng)絡(luò)算法、多元線性回歸算法分別建立冬小麥?zhǔn)蓟ㄆ诘念A(yù)報(bào)模型，并對(duì)模型精度進(jìn)行較為全面的比較。研究結(jié)果可為優(yōu)選較合適的算法建立冬小麥?zhǔn)蓟ㄆ陬A(yù)報(bào)模型提供依據(jù)，同時(shí)也為進(jìn)一步提高預(yù)報(bào)精度提供了新思路。

1.2 資料預(yù)處理和區(qū)域劃分

始花期數(shù)據(jù)采用日序法轉(zhuǎn)換為數(shù)值型數(shù)據(jù)，即1月1日、1月2日、1月3日……分別為1、2、3……，其余類推。由于江蘇南北跨度較大，氣候條件的差異影響著始花期的遲早，按照氣候相似性原則，結(jié)合農(nóng)業(yè)區(qū)劃，以淮河灌溉總渠和長江為界線，分為蘇北、蘇中、蘇南3個(gè)區(qū)域，文中搜集到10個(gè)觀測站點(diǎn)，按照所在地區(qū)，徐州、贛榆、淮安、沭陽、濱?？勺鳛樘K北地區(qū)的代表站點(diǎn)，大豐、如皋、興化、盱眙可作為蘇中地區(qū)的代表站點(diǎn)，昆山可作為蘇南地區(qū)的代表站點(diǎn)。

1.3 方法介紹

1.3.1 隨機(jī)森林算法

藥士歉然一笑，回道：“小姐錯(cuò)了，孕者脈相為滑脈，即脈往來流利，應(yīng)指圓滑，呈連珠滾玉盤之狀，并非是兩個(gè)脈。此女子脈相特殊，體內(nèi)如有兩顆心臟，同跳同止，頻率一致，但她的心子，確實(shí)只有一顆，這種怪相，我也從來未曾遇見過?！?/p>

隨機(jī)森林（Random Forest，RF）算法是以決策樹為基分類器的一個(gè)集成學(xué)習(xí)模型｛H(x,θk);k=1,…｝，｛θk｝表示獨(dú)立同分布的隨機(jī)變量，輸入特征變量X時(shí)，每一棵樹只投一票給其認(rèn)為最佳的分類結(jié)果。所謂決策樹[21]，是單個(gè)分類器，是一種從無次序、無規(guī)則的訓(xùn)練樣本中推理出決策樹表示形式的分類規(guī)則的方法，相當(dāng)于一種布爾函數(shù)。RF的分類結(jié)果由每棵樹投票中得票數(shù)最多的類確定[22]，最終分類決策模型見公式（1）：

式中H(x)表示隨機(jī)森林模型；hi(x)表示每個(gè)決策樹分類器；Y為目標(biāo)變量，即始花期；I(hi(x)=Y)為指示性函數(shù)，采用R語言進(jìn)行編程計(jì)算。

隨機(jī)森林的樣本數(shù)據(jù)集由影響始花期的氣象因子、播種期日序、始花期日序構(gòu)成。首先采用隨機(jī)抽樣的方法，按照一定比例確定訓(xùn)練集和測試集；然后通過自助法從原始樣本集采樣得到構(gòu)建N棵樹所需的N個(gè)子集，每次未被抽到的數(shù)據(jù)稱為袋外數(shù)據(jù)，用來進(jìn)行內(nèi)部誤差估計(jì)和特征變量重要性評(píng)價(jià)。選用“精度平均減少值”，含義等價(jià)于“均方差增加值”（Increase in Mean Square Error，IncMSE）[23]作為特征變量重要性的評(píng)價(jià)指標(biāo)，IncMSE值越大，說明該變量越重要，反之則相對(duì)不重要。通過特征變量重要性排序，可篩選出對(duì)始花期影響較大的變量，刪除一些和始花期無關(guān)或者冗余的特征變量，從而簡化特征數(shù)據(jù)集，使得預(yù)測模型更精確。

1.3.2 反向神經(jīng)網(wǎng)絡(luò)算法

反向傳播（Back Propagation，BP）神經(jīng)元網(wǎng)絡(luò)算法是基于 Delta 學(xué)習(xí)規(guī)則[24]，利用梯度搜索技術(shù)，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，最終實(shí)現(xiàn)網(wǎng)絡(luò)的實(shí)際輸出與期望輸出的均方差最小化。文中采用 3層拓?fù)浣Y(jié)構(gòu)，即含輸入層、隱含層、輸出層，其中隱含層節(jié)點(diǎn)數(shù)采用經(jīng)驗(yàn)公式法[25]根據(jù)輸入層因子個(gè)數(shù)來設(shè)定，訓(xùn)練過程中，設(shè)置模型收斂誤差為0.001，最大迭代次數(shù)為1 000次。

2.3.3 基于多元線性回歸算法建立始花期預(yù)報(bào)模型

多元線性回歸算法[26]（Multiple Linear Regression，MLR）是根據(jù)自變量的取值來預(yù)測因變量的取值。文中采用“步進(jìn)法”，即需對(duì)方程中引入的每個(gè)新變量進(jìn)行檢驗(yàn)，納入自變量的顯著性概率P值需小于0.05，剔除自變量的概率P值需大于0.1，以此類推，直至方程穩(wěn)定。采用“德賓-沃森”法檢驗(yàn)自變量之間的自相關(guān)性，若檢驗(yàn)值接近0或4時(shí)，則存在自相關(guān)；若越接近2，則不存在自相關(guān)；采用容差的倒數(shù)（VIF）診斷自變量之間的共線性程度，0＜VIF＜10、10≤VIF＜100、VIF≥100分別表明不存在多重共線性、存在較強(qiáng)的多重共線性、存在嚴(yán)重的共線性問題。對(duì)整個(gè)回歸方程采用F檢驗(yàn)，若F值對(duì)應(yīng)的Sig值小于0.05，則表明建立的回歸方程有效。

以轉(zhuǎn)歸為因變量。經(jīng)單因素Logistic回歸分析，在α=0.10水平上，年齡、性別、肺部疾病史、原患疾病、ILD發(fā)生時(shí)間共5個(gè)指標(biāo)有顯著性影響，可能作為吉非替尼致ILD死亡的危險(xiǎn)因素。見表1。

采用決定系數(shù)（Coefficient of Determination，R2）、均方根誤差（Root Mean Square Error，RMSE）和預(yù)報(bào)準(zhǔn)確率（Ratio of Accuracy，RA），對(duì)始花期預(yù)報(bào)模型的精度進(jìn)行評(píng)價(jià)，其中決定系數(shù)R2是用來衡量預(yù)測模型對(duì)觀測值的擬合程度，它的值越接近1表明模型效果越好。

式中n為樣本總數(shù)，yai、ysi分別表示實(shí)際始花期和模擬始花期，、分別表示實(shí)際始花期平均值和模擬始花期的平均值。式（4）中Nj表示偏差天數(shù)為j天的年數(shù)，j表示始花期模擬值與實(shí)際值的偏差天數(shù)（j≤3 d）。

2 結(jié)果與分析

2.1 冬小麥?zhǔn)蓟ㄆ诨咎卣?/h3>

從表1可見，10個(gè)站冬小麥?zhǔn)蓟ㄆ跉v史最遲與最早相差天數(shù)都在21 d以上，不同區(qū)域間始花期存在差異，蘇北、蘇中、蘇南地區(qū)的平均始花期日序分別是120、115、110 d。標(biāo)準(zhǔn)差大小可以表示始花期的離散度，蘇北和蘇中地區(qū)始花期的標(biāo)準(zhǔn)差都是 5～6 d，蘇南地區(qū)始花期標(biāo)準(zhǔn)差是7 d。有觀測記錄以來歷史極端最早始花期是2002年4月5日，發(fā)生在昆山站，歷史極端最遲始花期是2012年5月13日，發(fā)生在沭陽站。各站冬小麥?zhǔn)蓟ㄆ诖嬖谀觌H波動(dòng)，且標(biāo)準(zhǔn)差較大，所以有必要通過建立預(yù)報(bào)模型對(duì)始花期進(jìn)行預(yù)報(bào)。從總的變化趨勢來看，濱海、淮安、昆山、如皋有較明顯的提前趨勢，線性傾向率分別為 4.3、3.2、3.2、2.6 d/(10 a)；徐州、贛榆、大豐略有提前趨勢，主要集中在 2010年以來；沭陽、興化、沭陽變化趨勢不明顯。采用偏度和峰度檢驗(yàn)法[26]，對(duì)各站歷年始花期出現(xiàn)的時(shí)間序列進(jìn)行正態(tài)分布性檢驗(yàn)，首先計(jì)算出始花期時(shí)間序列的偏度、偏度標(biāo)準(zhǔn)誤差、峰度、峰度標(biāo)準(zhǔn)誤差，然后計(jì)算相應(yīng)的Z評(píng)分（Z-score），即偏度Z-score=偏度值/標(biāo)準(zhǔn)誤差，峰度Z-score=峰度值/標(biāo)準(zhǔn)誤差，在α=0.05的檢驗(yàn)水平下，發(fā)現(xiàn)10個(gè)站的偏度Z-score和峰度Z-score均在±1.96之間，則表明各站冬小麥?zhǔn)蓟ㄆ谫Y料符合正態(tài)分布的特征，說明可以通過建立多元線性回歸模型對(duì)始花期進(jìn)行預(yù)報(bào)。

表1 冬小麥?zhǔn)蓟ㄆ谟^測時(shí)段和特征信息Table 1 Observation period and characteristic information of the first flowering stage of winter wheat

2.2 影響始花期的預(yù)報(bào)因子篩選及其評(píng)價(jià)

冬小麥在生長過程中需要具備一定的熱量、光照和水分，光溫水條件的匹配程度影響著生育進(jìn)程的快慢，因此，為了篩選出對(duì)始花期有影響且符合生物學(xué)意義的氣象因子，將溫度、降水、日照 3類因子均作為預(yù)報(bào)因子的初選因子?？紤]到所選預(yù)報(bào)因子距離實(shí)際始花期應(yīng)有一定提前量，因此預(yù)報(bào)因子的統(tǒng)計(jì)終止日期設(shè)定為 3月末，選用的具體氣象因子見表2。利用建立的始花期預(yù)報(bào)模型在4月1日對(duì)各站的始花期進(jìn)行預(yù)測，由于始花期歷史極端最早日期是4月5日，因此所建立的預(yù)報(bào)模型可以提前 5 d進(jìn)行預(yù)測；最遲始花期中興化站日期最早，為5月2日，預(yù)報(bào)模型最早可以提前32 d。另外，考慮到播種期的早晚對(duì)生育進(jìn)程也會(huì)有一定影響，因此將播種日序（記為D）也作為預(yù)報(bào)因子。

表2 影響冬小麥?zhǔn)蓟ㄆ诘臍庀笠蜃覶able 2 Meteorological factors affecting the first flowering stage of winter wheat

以27個(gè)氣象因子（表2）和播種日序作為RF算法的輸入向量，樹節(jié)點(diǎn)預(yù)選的變量個(gè)數(shù)Mtry根據(jù)28個(gè)預(yù)報(bào)因子總數(shù)分別設(shè)定為7、8、9、10、11，決策樹棵數(shù)Ntree設(shè)定為600，以始花期為輸出向量，利用RF算法分別對(duì)10個(gè)站點(diǎn)的輸入向量進(jìn)行重要性排序，計(jì)算各特征向量的IncMSE。在成百上千次的機(jī)器學(xué)習(xí)過程中，并非每一次計(jì)算出的變量重要性排序結(jié)果都完全一致[27]，此時(shí)可通過計(jì)算 IncMSE平均值來避免個(gè)別預(yù)報(bào)因子排位靠前的偶然性。對(duì)每個(gè)Mtry參數(shù)各計(jì)算50次，則各站需計(jì)算250次，針對(duì)蘇南、蘇中、蘇北3個(gè)區(qū)域，將各區(qū)域內(nèi)對(duì)應(yīng)站點(diǎn)的IncMSE進(jìn)行平均，得到IncMSE區(qū)域平均值，以此進(jìn)行各區(qū)域預(yù)報(bào)因子的重要性排序，篩選出重要特征變量再進(jìn)行 RF建模可降低不重要變量對(duì)模型精度的干擾。

1.3.4 模型精度評(píng)價(jià)方法

從圖1可見，蘇南、蘇中、蘇北地區(qū)影響冬小麥?zhǔn)蓟ㄆ诘囊蜃又信旁谇傲械闹匾蜃踊疽恢?，排在前五位的均為溫度類因子，分別為上年12月—當(dāng)年3月日均溫≥0 ℃活動(dòng)積溫、上年12月—當(dāng)年3月平均氣溫、上年12月—當(dāng)年3月最低氣溫≤0 ℃的累計(jì)日數(shù)、當(dāng)年3月平均氣溫、上年12月—當(dāng)年2月日均溫≥0 ℃的活動(dòng)積溫，這5個(gè)因子的IncMSE累計(jì)占比在蘇南、蘇中、蘇北地區(qū)分別為64.0%、59.3%、64.8%，說明這5個(gè)因子對(duì)始花期的影響作用最為明顯。選取蘇南、蘇中、蘇北地區(qū)代表站點(diǎn)，即以昆山、如皋、徐州為例，計(jì)算始花期與各預(yù)報(bào)因子的相關(guān)系數(shù)，發(fā)現(xiàn)以上 5個(gè)因子與始花期存在高相關(guān)性，上年12月—當(dāng)年3月日均溫≥0 ℃活動(dòng)積溫、上年12月—當(dāng)年3月平均氣溫、上年12月—當(dāng)年2月日均溫≥0 ℃的活動(dòng)積溫、當(dāng)年3月平均氣溫與始花期呈現(xiàn)顯著的反相關(guān)，相關(guān)系數(shù)絕對(duì)值均在0.643以上，通過了0.001的顯著性檢驗(yàn)，其中上年12月—當(dāng)年3月日均溫≥0 ℃活動(dòng)積溫與始花期的相關(guān)性最高，相關(guān)系數(shù)分別為?0.834（昆山）、?0.839（如皋）、?0.781（徐州），上年12月-當(dāng)年3月最低氣溫≤0 ℃的累計(jì)日數(shù)與始花期呈現(xiàn)顯著的正相關(guān)，相關(guān)系數(shù)分別為0.790（昆山）、0.742（如皋）、0.643（徐州），這5個(gè)因子與始花期的相關(guān)系數(shù)普遍高于其他預(yù)報(bào)因子。當(dāng)IncMSE值出現(xiàn)明顯拐點(diǎn)，可將出現(xiàn)拐點(diǎn)前的特征變量確定為相對(duì)重要的變量，可見蘇南、蘇中、蘇北地區(qū)降水類和日照類因子對(duì)始花期影響的重要性均明顯弱于溫度類因子，從相關(guān)系數(shù)數(shù)值上也反應(yīng)出了 3類預(yù)報(bào)因子間同樣的重要性差異特征。結(jié)合冬小麥生育期生長發(fā)育特點(diǎn)，出苗、分蘗、越冬、返青、拔節(jié)、孕穗等生育階段，熱量條件都是最為重要的外界環(huán)境因子，溫度過低會(huì)抑制其生長甚至造成凍害，溫度偏高則會(huì)使得發(fā)育期提前。

大部分地區(qū)上年12月日照百分率≥60%的日數(shù)和當(dāng)年1月日照百分率≥60%的日數(shù)與始花期呈弱的正相關(guān)，這可能與該階段小麥處于春化階段有關(guān)，春化階段需要有一定的低溫時(shí)段，這樣才有利于完成營養(yǎng)生長向生殖生長的過渡，若日照時(shí)數(shù)較多往往意味著天氣晴朗，氣溫通常會(huì)相對(duì)高一些，則完成春化的時(shí)間相對(duì)稍長一些，則易推遲抽穗開花，3月日照百分率≥60%日數(shù)與始花期均是呈弱的負(fù)相關(guān)，因?yàn)榇藭r(shí)冬小麥處于光照階段，若日照時(shí)數(shù)多，則利于光合產(chǎn)物積累，易使抽穗期提前，則始花期也相應(yīng)提前?？傮w來看始花期與日照長短的相關(guān)性明顯弱于氣溫因子與始花期的相關(guān)性，這與品種特征有關(guān)，因?yàn)榻K大部分地區(qū)種植半冬性小麥、小部分地區(qū)種植春性品種，半冬性品種對(duì)日照長短的反應(yīng)大多數(shù)屬于中等型，而春性品種則屬于反應(yīng)遲鈍型，即日照時(shí)數(shù)多少主要影響光合作用，對(duì)發(fā)育進(jìn)程的影響相對(duì)弱一些[28]。

不同時(shí)段降水量與始花期的相關(guān)性不同，這與冬小麥生長過程中的水分需求特性總體是一致的[29]，12月的降水量與始花期呈弱的負(fù)相關(guān)，因?yàn)榇藭r(shí)正值播種出苗期，水分需求量較大，充足的水分利于播種出苗，反之若水分不足則易出現(xiàn)旱情，使得出苗不齊，生長放緩；1—2月冬小麥處于越冬期，需水量小，而此時(shí)江蘇也通常處于少雨季，因此該階段的降水量與始花期幾乎不存在相關(guān)性；3月的降水量與始花期呈弱的正相關(guān)，此時(shí)進(jìn)入春季，暖濕氣流開始活躍，降水開始增多，若降水過多易導(dǎo)致濕漬害，尤其是里下河地區(qū)，地勢較為低平，更容易出現(xiàn)濕漬害，影響根系生長，使得小麥發(fā)育延遲。

2.3.1 基于RF算法建立始花期預(yù)報(bào)模型

從IncMSE來看，蘇南、蘇中、蘇北播種期的重要性分別排在第7位、第23位、第11位；從相關(guān)系數(shù)來看，各地區(qū)播種期與始花期基本呈弱的正相關(guān)，南部地區(qū)的相關(guān)性稍高于北部地區(qū)，這可能與播期早晚有關(guān)，蘇南地區(qū)播種期以11月上旬居多，要晚于蘇中和蘇北地區(qū)，而蘇南地區(qū)始花期通常又早于其他 2個(gè)地區(qū)，所以蘇南的播種期對(duì)始花期的影響相對(duì)要稍微大一些。

直接接觸式膜蒸餾實(shí)驗(yàn)結(jié)果如圖 1和圖 2所示。由圖 1可知，膜通量隨著實(shí)驗(yàn)的進(jìn)行逐漸減小，最后膜通量趨于零。這是因?yàn)殡S著原料液中的水進(jìn)入透過側(cè)，進(jìn)料側(cè)鹽溶液的濃度逐步增大，鹽溶液的蒸汽分壓不斷減小，導(dǎo)致膜兩側(cè)的蒸汽壓差下降直至趨于零。與其他膜相比膜1的通量9 h時(shí)達(dá)到最低點(diǎn)之后膜通量又開始上升，圖 2中膜 1的鹽截率在500 min前穩(wěn)定在0.999，從500 min后逐漸下降至0.9左右。所以，大約從9 h時(shí)鹽截率下降，膜失去部分疏水性，膜通量上升。

綜合考慮IncMSE和相關(guān)系數(shù)，結(jié)合冬小麥生育期生物學(xué)特性，篩選出各地區(qū)始花期的關(guān)鍵預(yù)報(bào)因子（見表3），其中溫度類因子11個(gè)、降水類因子3個(gè)、日照類因子4個(gè)。同時(shí)兼顧人為播種早晚的影響，所以仍保留播種期這一影響因子。

2.3 基于3種算法的始花期預(yù)報(bào)模型構(gòu)建和精度對(duì)比

操動(dòng)機(jī)構(gòu)由手動(dòng)或者電動(dòng)的方式完成合閘，而合閘能量可以轉(zhuǎn)變成電磁能和彈簧的位能及重力位能等，可以促動(dòng)斷路器的動(dòng)作。提高斷路器結(jié)構(gòu)與傳動(dòng)機(jī)構(gòu)的機(jī)械性能，一旦機(jī)構(gòu)發(fā)生故障，就會(huì)使斷路器發(fā)生拒動(dòng)，而電磁操動(dòng)機(jī)構(gòu)是由螺管電磁鐵執(zhí)行動(dòng)作，電磁鐵線圈電壓與電流可以說是影響電磁鐵處理能力重要的因素[1]。

以表3中篩選出的影響始花期的重要特征變量為輸入向量，樹節(jié)點(diǎn)預(yù)選的變量個(gè)數(shù)Mtry根據(jù)預(yù)報(bào)因子總數(shù)19而分別設(shè)定為 4、5、6、7、8，決策樹棵數(shù)Ntree設(shè)定為600，始花期為輸出向量，利用RF算法分別建立10個(gè)站的始花期預(yù)報(bào)模型，為了避免高相關(guān)模型的偶然性，均重復(fù)建模50次，每次建模均隨機(jī)抽取3/4的樣本作為訓(xùn)練樣本、1/4的樣本作為測試樣本。各站建立的50個(gè)始花期預(yù)報(bào)模型，其模擬值與實(shí)際始花期的相關(guān)系數(shù)存在差異，由于訓(xùn)練樣本的相關(guān)系數(shù)均很高，基本都在0.96～0.98之間，所以根據(jù)測試樣本相關(guān)系數(shù)的高低來挑選RF模型，測試樣本相關(guān)系數(shù)最高的RF模型稱為最優(yōu)模型，由于參數(shù)Mtry設(shè)定了5個(gè)值，因此每個(gè)參數(shù)值將得到一個(gè)最優(yōu)RF模型，分別記為RF1、RF2、RF3、RF4、RF5，將篩選出的5個(gè)最優(yōu)模型進(jìn)行等權(quán)重集成，在一定程度上可以減少模型的隨機(jī)誤差和高相關(guān)的偶然性[30]。

表3 篩選出的影響冬小麥?zhǔn)蓟ㄆ诘闹匾卣髯兞縏able 3 Important characteristic variables affecting first flowering stage of winter wheat

受篇幅所限，以蘇南、蘇中、蘇北的代表站點(diǎn)為例，圖2可見，無論是單個(gè)最優(yōu)模型的模擬值還是最優(yōu)模型集成后的模擬值，均很好地模擬出了近四十年實(shí)際始花期的波動(dòng)趨勢，波動(dòng)幅度與實(shí)際始花期在極端年份存在一定差異，即對(duì)于始花期明顯提前和推遲的極端情況，模擬幅度小于實(shí)際變化幅度。

另外，由于篩選出的溫度特征量存在相互重疊的現(xiàn)象，因此在實(shí)際計(jì)算中嘗試了選取不同溫度特征量的組合進(jìn)行建模，發(fā)現(xiàn)將表2中篩選出的11個(gè)溫度因子全部放入時(shí)，預(yù)報(bào)精度相對(duì)高一些，這可能與RF算法本身有關(guān)。

經(jīng)歷了家道中落的魯迅厭惡了周圍熟悉的人群,為擺脫這種舊有的人事關(guān)系和改變自己的命運(yùn)，1898年，魯迅前往南京尋求別樣的人生,并先后進(jìn)入江南水師學(xué)堂、江南陸師學(xué)堂附設(shè)的礦路學(xué)堂學(xué)習(xí)。在此期間，學(xué)習(xí)的魯迅接觸到維新變法的宣傳刊物《時(shí)務(wù)報(bào)》，作為熱血青年的魯迅，救國救民的壯志開始生根，受惠于維新變法派留學(xué)生的變法舉措留學(xué)日本。就這樣，魯迅抱著尋求新知、拯救過敏的熱情來到了東京。魯迅進(jìn)的第一所預(yù)備學(xué)校是東京弘文學(xué)院,并加入了革命團(tuán)體浙學(xué)會(huì)，成為一個(gè)激進(jìn)的革命者，且頗為勇敢。從剪辮子事件就可看出，在剪辮之后不僅毫無畏懼，還特地“斷發(fā)照相”，以資紀(jì)念，并題了一首詩——自題小像，贈(zèng)給友人許壽裳。詩云：

通常移動(dòng)式篩分站上的輸送機(jī)液壓驅(qū)動(dòng)滾筒結(jié)構(gòu)有兩種：一種結(jié)構(gòu)是液壓馬達(dá)+聯(lián)軸器(或者減速機(jī))+滾筒，如圖2；另一種是馬達(dá)直接通過聯(lián)接法蘭和滾筒聯(lián)接，如圖3。但這兩種方式都無法解決輸送機(jī)軸向尺寸過大的問題，也有一種內(nèi)藏式液壓滾筒[2]，但這種滾筒損壞后維修較為困難。因此在第二種結(jié)構(gòu)形式的基礎(chǔ)上，采用特定的軸承和液壓馬達(dá)，設(shè)計(jì)了一種半內(nèi)藏式液壓馬達(dá)驅(qū)動(dòng)滾筒，如圖4。既解決了輸送機(jī)軸向尺寸過大的問題，在維修方面也比全內(nèi)藏式液壓滾筒簡單方便。

基于BP算法的始花期建模步驟是：首先將篩選出的影響始花期的預(yù)報(bào)因子（表3）進(jìn)行歸一化處理，作為輸入層；然后對(duì)影響因子數(shù)據(jù)集進(jìn)行網(wǎng)絡(luò)訓(xùn)練，隱含層神經(jīng)元傳遞函數(shù)采用非線性變換函數(shù)—Sigmoid函數(shù)，該函數(shù)特點(diǎn)是本身及其導(dǎo)數(shù)都是連續(xù)的，因而在處理上十分方便，神經(jīng)節(jié)點(diǎn)的變量個(gè)數(shù)Net根據(jù)預(yù)報(bào)因子總數(shù)19而分別設(shè)定為37、38、39、40、41，均重復(fù)建模20次，每次建模均隨機(jī)抽取樣本的 75%進(jìn)行模型訓(xùn)練；輸出層神經(jīng)元傳遞函數(shù)采用線性函數(shù) Purelin，訓(xùn)練函數(shù)采用Trainlm，隨機(jī)抽取樣本的 25%用于模型測試。計(jì)算各站建立的 20個(gè)始花期預(yù)報(bào)模型模擬值與實(shí)際值的相關(guān)系數(shù)，發(fā)現(xiàn)無論是訓(xùn)練樣本還是測試樣本，相關(guān)系數(shù)差異比較大，同樣按照RF算法中的最優(yōu)模型篩選思路，根據(jù)模擬效果的高相關(guān)系數(shù)篩選出每個(gè)神經(jīng)節(jié)點(diǎn)下模擬效果最好的模型，由于參數(shù)Net設(shè)定了5個(gè)值，因此每個(gè)參數(shù)值將得到一個(gè)最優(yōu)BP模型，分別記為BP1、BP2、BP3、BP4、BP5，將篩選出的5個(gè)最優(yōu)模型進(jìn)行等權(quán)重集成。

從圖3可以看出，無論是單個(gè)最優(yōu)模型的模擬值還是最優(yōu)模型集成后的模擬值，均較好地模擬出了近 40 a實(shí)際始花期的波動(dòng)趨勢，但波動(dòng)幅度均明顯大于實(shí)際變化幅度，而且對(duì)于始花期較為極端的年份，不同最優(yōu)模型之間差異也比較大，5個(gè)最優(yōu)模型集成后的模擬效果總體好于單個(gè)最優(yōu)模型。

1.3.3 多元線性回歸算法

在利用多元線性回歸算法建模時(shí)，若將表2中所有的因子直接作為自變量進(jìn)行建模，則自變量之間易出現(xiàn)嚴(yán)重的多重共線性問題，而且計(jì)算量大、模型準(zhǔn)確率偏低，因此在建模前，根據(jù)RF算法計(jì)算出的IncMSE值，將出現(xiàn)明顯拐點(diǎn)前的特征變量作為多元線性回歸中自變量的初選因子。建立的回歸模型如下：

式中Y為冬小麥?zhǔn)蓟ㄆ?，其下?biāo)為站名。

始花期預(yù)報(bào)模型（5）～（14）總體模擬效果均通過了F檢驗(yàn)，自變量均通過了T檢驗(yàn)，預(yù)報(bào)模型自變量個(gè)數(shù)≥2時(shí)，自變量之間的VIF基本都小于10，即不存在共線性問題。各模型始花期歷史擬合值與實(shí)際值的相關(guān)系數(shù)在0.543～0.944之間，均通過了0.001顯著性檢驗(yàn)，其中昆山站和如皋站相關(guān)系數(shù)最高，分別為0.944、0.904，對(duì)始花期波動(dòng)特征模擬效果相對(duì)較好；盱眙站和沭陽站相關(guān)系數(shù)最小，分別為0.592、0.543，對(duì)始花期極端低值模擬偏差比較大。模擬效果與入選的自變量密切相關(guān)，從各模型最終入選的自變量可以看出，均含有溫度因子，尤其是上年12月－當(dāng)年3月日均溫≥0 ℃活動(dòng)積溫是最主要影響因子，昆山站入選的自變量有4個(gè)，個(gè)數(shù)最多，其次是如皋站3個(gè)，這2個(gè)站的德賓-沃森值均接近2，說明預(yù)報(bào)模型的自變量之間不存在自相關(guān)，其余站點(diǎn)的自變量個(gè)數(shù)僅有1～2個(gè)，這與“步進(jìn)法”中嚴(yán)格的自變量篩選標(biāo)準(zhǔn)有關(guān)，當(dāng)原來引入的解釋變量由于后面解釋變量的引入變得不再顯著時(shí)，則將其刪除，所以模型中最終只能保留對(duì)始花期影響顯著的自變量。

其中公式（5）、（7）、（8）中Tave.winter和Tave.12前面的符號(hào)為正號(hào)，這與冬小麥生長過程中的生理特性有關(guān)，小麥在幼苗階段需要通過一定的低溫時(shí)期，即需要經(jīng)過春化作用，才能正常開花，進(jìn)而完成營養(yǎng)生長向生殖生長的過渡，是小麥發(fā)育過程中一個(gè)重要的質(zhì)變過程[31-32]。公式（5）和（8）中Tave.winter是指冬季平均氣溫、公式（7）中的Tave.12是指12月平均氣溫，這2個(gè)因子都處于春化階段，若平均溫度高，說明低溫時(shí)段相對(duì)偏少，則春化階段需要較長的時(shí)間，則易導(dǎo)致開花期推遲。

2.3.4 3種算法的模擬精度比較

如果在中文檢測不出結(jié)果，但該研究結(jié)果又是該論文的核心內(nèi)容，則要考慮是否是直接從外文學(xué)術(shù)文獻(xiàn)中翻譯過來的。方法是將核心壓縮出來的內(nèi)容翻譯成英文，語法和表達(dá)式并不重要，但對(duì)其中的關(guān)鍵詞和數(shù)據(jù)翻譯必須準(zhǔn)確，翻譯完成后，復(fù)制到谷歌(英文版)上搜索。該方法的準(zhǔn)確率要看責(zé)任編輯的總結(jié)能力以及英語翻譯能力。

教學(xué)查房是臨床實(shí)踐教學(xué)的一個(gè)重要環(huán)節(jié)，是醫(yī)學(xué)生培養(yǎng)的必經(jīng)過程。通過教學(xué)查房，留學(xué)生開始進(jìn)入醫(yī)生角色，深入臨床實(shí)踐。在腫瘤學(xué)教學(xué)查房中，教師應(yīng)不斷提升自身教學(xué)水平，應(yīng)用適應(yīng)于留學(xué)生特點(diǎn)的方式進(jìn)行教學(xué)活動(dòng)，鼓勵(lì)學(xué)生積極參與、主動(dòng)思考，培養(yǎng)學(xué)生綜合能力，促進(jìn)師生協(xié)作交流，完善教學(xué)中的不足，最終提高留學(xué)生教學(xué)質(zhì)量。

通過計(jì)算決定系數(shù)（R2）、均方根誤差（RMSE）、預(yù)報(bào)準(zhǔn)確率（RA），比較3種算法下的始花期模擬精度。從表4可見，RF、BP、MLR算法下各站的R2分別在0.850～0.932、0.599～0.930、0.295～0.892之間，RF算法下R2明顯整體大于其他2種方法，數(shù)值更接近于1，說明 RF算法下的模型對(duì)始花期波動(dòng)趨勢擬合度最好，MLR算法對(duì)不同站之間的趨勢擬合度高低差異最大，對(duì)于同一個(gè)站點(diǎn)，R2數(shù)值高低排序?yàn)镽F＞BP＞MLR；RF、BP、MLR算法下各站的RMSE分別在3.9～6.5 d、3.5～7.9 d、4.0～6.4 d之間，3種算法下的模型對(duì)始花期波動(dòng)幅度的模擬均存在一定偏差，而且不同站點(diǎn)的偏差幅度有高有低，對(duì)于同一個(gè)站點(diǎn)，RMSE數(shù)值高低排序?yàn)锽P＞MLR＞RF，即BP算法下總體的波動(dòng)幅度模擬偏差更大一些；RF、BP、MLR算法下各站的 RA分別在76.5%～92.5%、60.0%～92.1%、40.0%～85.0%之間，對(duì)于同一個(gè)站點(diǎn)，RA數(shù)值高低排序?yàn)镽F＞BP＞MLR，即 RF算法下模型預(yù)報(bào)準(zhǔn)確率最高，大部分站點(diǎn)都在 85.0%以上，BP算法次之、大部分站點(diǎn)在82.0%以上，MLR算法僅有 3個(gè)站的預(yù)報(bào)準(zhǔn)確率在82.1%～85.0%之間，其余均在 76.3%以下。因此，綜合考慮3種算法下模型對(duì)始花期變化趨勢、波動(dòng)幅度、準(zhǔn)確率的模擬能力，RF算法模擬精度最高，BP算法次之，MLR算法相對(duì)低一些。

表4 基于3種算法的冬小麥?zhǔn)蓟ㄆ陬A(yù)報(bào)模型模擬精度對(duì)比Table 4 Comparison of simulation accuracy of forecasting model of first flowering stage of winter wheat based the three algorithm

3 討 論

預(yù)報(bào)因子的初步篩選是冬小麥?zhǔn)蓟ㄆ陬A(yù)報(bào)模型建立的基礎(chǔ)，RF算法具有篩選重要特征變量的優(yōu)勢，得出的預(yù)報(bào)因子重要性排序與預(yù)報(bào)因子和始花期相關(guān)系數(shù)的高低相吻合，經(jīng)過比較，3種算法下，將篩選出的重要特征變量作為預(yù)報(bào)因子，均可降低不重要變量對(duì)模型精度的干擾，從而提高模型模擬性能，因此，特征變量的篩選是訓(xùn)練始花期預(yù)報(bào)模型的基礎(chǔ)和提升預(yù)報(bào)模型精度的有效方法，這與劉峻明等[33]、岳繼博等[34]的研究結(jié)論一致。RF和BP兩種機(jī)器學(xué)習(xí)算法的模擬精度要高于MLR算法的模擬精度，因?yàn)轭A(yù)報(bào)因子和始花期之間的關(guān)系并不是簡單的線性關(guān)系，而是存在較為復(fù)雜的非線性關(guān)系，所以MLR算法中入選的自變量個(gè)數(shù)普遍偏少，過少的自變量無法較好表征對(duì)始花期的影響。RF算法收斂規(guī)則遵循大數(shù)定律、泛化誤差具有收斂性，訓(xùn)練速度快，且不易產(chǎn)生過擬合；BP算法采用梯度下降的原理，收斂速度慢，易陷入局部極值點(diǎn)，導(dǎo)致神經(jīng)網(wǎng)絡(luò)的分類精度下降，所以RF算法下的建模速度要快于BP算法，且精度更高，但對(duì)于始花期極端年份的模擬過于“保守”，而BP算法則存在始花期波動(dòng)幅度模擬過大的問題。RF算法中的樹節(jié)點(diǎn)個(gè)數(shù)Mtry、BP算法中的神經(jīng)節(jié)點(diǎn)個(gè)數(shù)Net是這兩種機(jī)器學(xué)習(xí)算法中的重要參數(shù)，兩種算法在訓(xùn)練模型時(shí)均是采取了隨機(jī)抽樣的方法，每次建立的模型精度存在差異，RF算法下訓(xùn)練樣本的模擬精度均很高，BP算法下訓(xùn)練樣本的模擬精度則不穩(wěn)定，選取每個(gè)節(jié)點(diǎn)數(shù)對(duì)應(yīng)的最優(yōu)模型，對(duì)其預(yù)報(bào)結(jié)果集成能有效提高模型精度、減小隨機(jī)誤差。由于冬小麥?zhǔn)蓟ㄆ诓粌H與氣象因子、播種期有關(guān)，實(shí)際還與田間管理、肥料的施用、作物品種等因素有關(guān)，因此，機(jī)器學(xué)習(xí)算法下的預(yù)報(bào)結(jié)果仍然存在一定的偏差，在實(shí)際應(yīng)用時(shí)還需要結(jié)合田間實(shí)際情況。

綜合而言，文中利用機(jī)器學(xué)習(xí)算法建立始花期預(yù)報(bào)模型的思路為預(yù)報(bào)冬小麥?zhǔn)蓟ㄆ谔峁┝诵碌姆椒ê退悸?，而且?duì) RF、BP、MLR三種算法的模擬精度的對(duì)比分析結(jié)果，可為選用更合理的預(yù)報(bào)模型提供依據(jù)。RF機(jī)器學(xué)習(xí)算法可在冬小麥?zhǔn)蓟ㄆ陬A(yù)測中進(jìn)行應(yīng)用，建立的預(yù)報(bào)模型較BP和MLR算法更具可靠性和準(zhǔn)確性。預(yù)報(bào)結(jié)果可為農(nóng)業(yè)部門抓住用藥最佳時(shí)機(jī)提供指導(dǎo)，增強(qiáng)防治效果，保障小麥質(zhì)量安全，減少盲目用藥，減輕農(nóng)藥面源污染。

4 結(jié) 論

本文以冬小麥?zhǔn)蓟ㄆ跒檠芯繉?duì)象，利用隨機(jī)森林機(jī)器學(xué)習(xí)算法，以精度平均減少值為評(píng)價(jià)指標(biāo)，結(jié)合冬小麥生育期生長發(fā)育特點(diǎn)，篩選出對(duì)始花期影響較為重要的因子，分別利用隨機(jī)森林算法和反向傳播神經(jīng)網(wǎng)絡(luò)算法，隨機(jī)選取訓(xùn)練樣本和測試樣本，經(jīng)過成百上千次的學(xué)習(xí)，建立最優(yōu)預(yù)測模型，并進(jìn)行模型模擬精度的驗(yàn)證；同時(shí)還利用多元線性回歸算法進(jìn)行建模，比較了 3種算法下模型的模擬精度，得到以下主要結(jié)論：

1）冬小麥?zhǔn)蓟ㄆ诖嬖谳^為明顯的年際波動(dòng)，大部分地區(qū)有提前趨勢，各地冬小麥?zhǔn)蓟ㄆ跉v史最遲與最早相差天數(shù)都在21 d以上，不同區(qū)域間始花期存在差異。

2）隨機(jī)森林算法重要性度量表明，溫度類因子對(duì)始花期影響的重要性明顯大于降水類和日照類，重要性排在前5位的因子是：上年12月－當(dāng)年3月日均溫≥0 ℃活動(dòng)積溫、上年 12月-當(dāng)年 3月平均氣溫、上年 12月-當(dāng)年3月最低氣溫≤0 ℃的累計(jì)日數(shù)、當(dāng)年3月平均氣溫、上年12月-當(dāng)年2月日均溫≥0 ℃的活動(dòng)積溫。

3）3種算法建立的始花期預(yù)報(bào)模型，均可在4月初對(duì)冬小麥?zhǔn)蓟ㄆ谶M(jìn)行預(yù)報(bào)，按照歷史上始花期的極端年份，則最遲可以提前5 d預(yù)報(bào)，最早可以提前32 d預(yù)報(bào)。RF算法模擬精度最高，BP算法次之，MLR算法相對(duì)低一些。