基于机器学习与多维度气象特征的湖北省稻瘟病预测研究

Prediction of the rice blast in Hubei Province based on machine learning and multi-dimensional meteorological features

摘要

为提升湖北省稻瘟病早期预警能力，保障水稻稳产减灾，本研究以湖北省稻瘟病发病率为研究对象，基于水稻主要生育期（5—8月），从动力、光热、水分3个维度选取48个月度气象特征变量。通过对比多种机器学习方法，本研究采用XGBoost（eXtreme Gradient Boosting）方法构建预测模型，并结合SHAP（SHapley Additive exPlanations）框架进行特征解析，系统探究影响湖北省稻瘟病发病率的关键气象特征。结果表明：1）XGBoost方法在准确率、召回率和F1分数上均优于传统机器学习方法；2）本研究识别出15个关键气象特征，其中5月最大阵风最关键，对模型的贡献度达13.19%；同时，不同生育期主导特征存在差异，播种出苗期以最大阵风和地面气压为主，拔节孕穗期对平均低温和地面气压敏感，抽穗扬花期以最大持续风速和降雨天数为关键；3）各特征对稻瘟病发病率存在非线性阈值效应，部分特征（如6—7月土壤湿度）超过阈值会提高发病率，而另一部分特征（如5—7月地面气压）则表现为负向作用；4）特征间存在显著交互效应，如5月强阵风会削弱高地面气压的负向作用。本研究构建的结合SHAP可解释框架的XGBoost稻瘟病预测模型，可有效预测湖北省稻瘟病发病率，为病害防控策略制定提供技术支持。

Abstract

To improve the early warning capability of rice blast in Hubei Province， and stabilize rice yield while mitigating disaster losses， this study takes the incidence rate of rice blast across Hubei Province as the research object. Based on rice’s primary growth stages （May to August）， 48 monthly meteorological indicators are selected from three dimensions： dynamic condition， radiation and thermal condition， and moisture condition. By comparing multiple machine learning approaches， the XGBoost （eXtreme Gradient Boosting） method is selected to build the rice blast prediction model， and the SHAP （SHapley Additive exPlanations） interpretable framework is employed to systematically explore the key meteorological indicators affecting the incidence of rice blast in Hubei Province. The results indicate that： 1） The XGBoost method outperforms traditional machine learning approaches in terms of accuracy， recall， and F1-score. 2） 15 key meteorological indicators affecting rice blast incidence are identified via SHAP analysis， among which the maximum wind gust in May is the critical indicator， contributing 13.19% to the model’s predictive performance. The dominant indicators also vary across different rice growth stages. During the sowing-seedling stage， maximum wind gust and surface pressure are the primary indicators； during the jointing-booting stage， average minimum temperature and surface pressure are the most influential indicators； and during the heading-flowering stage， maximum sustained wind speed and days of rain emerge as the key indicators. 3） Various meteorological indicators exhibit obvious non-linear threshold effects on rice blast incidence， where some indicators （e.g. soil moisture from June to July） exacerbate risk when exceeding thresholds， while others （e.g. surface pressure from May to July） act as negative indicators. 4） Significant interaction effects are revealed among different meteorological indicators on rice blast incidence. For example， strong wind gust in May weaken the inhibitory effect of high surface pressure on disease incidence. This study combined XGBoost with the SHAP interpretable framework for rice blast prediction， which can effectively predict the risk of rice blast in Hubei Province and provide technical support for disease prevention.

Graphical abstract

关键词

稻瘟病 / 病害预测 / 机器学习 / XGBoost / SHAP

Key words

rice blast / disease prediction / machine learning / XGBoost / SHAP

水稻是全球半数以上人口的主食，其中亚洲消费需求持续增长，预期需求增速超过产量增速^［1］，维持水稻产量稳定对区域粮食安全至关重要。然而，稻瘟病作为一种暴发性极强的气象敏感型病害，每年约造成全球10%~30%的减产^［2］，严重威胁农业生产安全。随着全球极端天气事件频发，病害发生规律与传播风险日趋复杂^［3］，构建监测预警与精准防控体系对降低病害损失具有实际意义。人工智能技术的快速发展，为完善这一体系提供了新的思路与有效技术手段。湖北省作为长江中游的水稻主产区，种植面积常年维持在200万 hm²以上，亚热带季风湿润气候造就了复杂的农业生态环境，使其成为稻瘟病常发的典型地区。因此，系统识别影响湖北省稻瘟病发病率的关键气象特征，构建高精度且可解释的预测模型，可为区域病害早期预警与精准防控提供科学依据。

围绕气象特征与稻瘟病的关系，国内外学者已开展了大量研究。已有研究系统梳理了全球52个稻瘟病预测模型，发现气温、相对湿度和降雨量是最常用的输入指标，但绝大多数模型仅能预测叶瘟，且因可解释性不足及预测精度波动，难以满足实际需求^［4］。此外，现有模型在对特征的捕捉能力及特征选择的科学性上存在显著局限，进一步制约了稻瘟病预测模型的性能提升。

在模型方面，Guo等^［5］构建Logistic与两阶段障碍模型预测稻穗瘟，尽管该模型预测准确率达到78.39%，但其对温湿度、降雨等气象特征之间复杂的交互作用捕捉能力有限，模型预测误差在某些情境下仍然较大。近年来，机器学习方法因其能够自动学习特征间的高阶交互和非线性映射，在稻瘟病预测中获得了越来越广泛的应用。Gopalakrishnan等^［6］基于印度泰米尔纳德邦3个样本点的稻瘟病数据，对比了计数时间序列、人工神经网络和支持向量回归3种预测方法，发现人工神经网络在不同地点的预测准确性均优于其他模型，能够有效捕捉气象特征与稻瘟病发病率间的复杂非线性关系。然而，人工神经网络作为典型“黑箱”模型，其结构设计和超参数优化高度依赖专家经验，训练过程易陷入局部最优，且模型结果解释性较差。随着集成学习理论和决策树增强方法的高速发展，以XGBoost（eXtreme Gradient Boosting）为代表的梯度提升树方法在处理复杂结构化表格数据时，展现出更优的预测精度与稳健性。Sahoo等^［7］基于东印度1 105个田间调查样本，利用随机森林、梯度提升机、XGBoost、人工神经网络和支持向量机5种方法预测水稻病害发生情况，结果表明XGBoost方法在复杂农业气象数据中具有显著的预测优势。

在特征筛选方面，Sriwanna^［8］研究发现能见度、降雨量、日照时数、最大风速和降雨天数是预测稻瘟病最有效的5个气象特征，其重要性甚至超过传统温湿度特征。然而，不同地理区域因气候差异，同一气象特征对稻瘟病发病率的影响方向和强度存在差异。以温度为例，印度泰米尔纳德邦最高温度与稻瘟病发病率呈显著负相关^［6］，而在中国江西省，最高温度却与稻瘟病发病率呈正相关^［9］。随着研究的深入，学者们逐渐认识到，水稻关键生育期的精细化气象条件对稻瘟病的影响远大于全年平均气象特征。因此，近年来稻瘟病预测研究愈发注重月度气象特征的整合。户雪敏等^［10］研究发现河南信阳地区6月下旬最低相对湿度、5月上旬最低相对湿度与最低气温、6月中旬日照时数以及8月上旬累计降雨量是影响当地稻瘟病发病率的关键月度特征，基于BP神经网络构建的预测模型准确率达98.06%。刘恩龙等^［11］在云南芒市的研究则以非水稻种植期月平均气温与水稻种植期月平均气温为自变量，建立了稻瘟病发病率逐步回归预测模型，该模型回验准确率达94.5%，显著优于仅基于单因子的预测效果。

尽管上述研究在理解气象特征与稻瘟病关系方面取得了进展，但仍存在以下不足。其一，现有模型大多侧重预测精度，忽视可解释性，导致关键特征的作用方向及作用阈值不明确。其二，现有模型多采用年度或生长季累积气象特征，缺乏对水稻关键生育期月度精细化气象特征的系统考量。针对上述不足，本研究建立水稻生育期月度气象特征数据集，引入XGBoost方法构建湖北省稻瘟病发病率预测模型，并结合SHAP（SHapley Additive exPlanations）可解释框架进行特征归因与交互效应分析，以揭示月度气象特征对稻瘟病发病率的影响。本研究的创新之处在于：1）以月度气象特征（聚焦水稻生育期关键月份）预测稻瘟病发病率，精准量化不同月份气象特征对发病率的差异化影响；2）引入SHAP可解释框架，系统量化风压、光热、水分3个维度气象特征对稻瘟病发病率的相对贡献，并识别出关键气象特征临界阈值与交互效应，为湖北省稻瘟病的早期预警与差异化精准防控策略制定提供技术支撑。

1　研究区域、数据与方法

1.1　研究区域

本研究以长江中游水稻主产区湖北省为研究区域。该省地势西高东低，自西向东横跨鄂西山区、鄂中平原及鄂东丘陵，复杂的地形地貌孕育了典型的亚热带季风湿润气候，为稻瘟病菌定殖与流行提供了多样的生态条件。为精准解析气象特征对稻瘟病发病率的影响，本研究依据历史病害记录，剔除数据缺失区域，最终筛选出稻瘟病常发的41个典型县域作为核心研究区域，其中鄂中平原15个、鄂西山区13个、鄂东丘陵13个，具体分布如图1所示。

基于2015—2024年全国农业技术推广服务中心稻瘟病发病率数据，鄂西山区13个县域研究期内稻瘟病年均发病率最高（约21.28%），明显高于全样本均值14.07%，鄂东丘陵次之（约13.04%），鄂中平原最低（约8.72%），整体呈现西高东低的空间格局。从时间趋势来看，研究区域稻瘟病发病率呈明显年际波动，2015—2017年为相对高发期，各年度全样本发病率均值均超过20%，2017年以后总体呈波动下降态势，2021年出现小幅回升后再度下降。值得注意的是，尽管研究期内整体发病率呈下降趋势，但2024年鄂西山区（恩施州来凤县、襄阳市谷城县）等部分县域仍高于20%，表明该区域稻瘟病发生风险依然不容忽视。

1.2　指标选取及数据来源

1.2.1　指标选取

本研究因变量为稻瘟病发病率，定义为稻瘟病发病面积占水稻播种总面积之比。鉴于机器学习方法为二分类方法，本研究参考国际应用生物科学中心（Centre for Agriculture and Bioscience International，CABI）的防治启动阈值，以5%作为判定稻瘟病是否发生的临界标准¹。具体而言，当某一县域的年度稻瘟病发病率超过5%时，将其判定为发病年，取值为1，反之则为0。

本研究自变量为气象特征，参考农业气象要素分类体系，选取动力因素（地面气压、最大阵风和最大持续风速）、光热因素（平均高温、平均低温和太阳辐射）和水分因素（相对湿度、降雨天数、降雨量、降雨持续时间、潜在蒸散和土壤湿度）3个维度共12个指标。其中，动力因素主要通过调控稻瘟病菌分生孢子的释放、悬浮与空中扩散，影响病害的侵染强度与跨区域传播潜力^［12］。为表征动力因素，本研究以最大阵风和最大持续风速衡量风速，以地面气压衡量气压。光热因素则通过影响病菌孢子的萌发速率、侵染效率及水稻植株的基础抗性水平，直接影响稻瘟病的田间流行强度与时间进程。研究表明，当温度低于14 ℃或高于33 ℃时，稻瘟病菌侵染受到抑制^［13］；在连续光照条件下稻瘟病菌丝生长较慢，且附着胞会因发育不良而导致其侵染率降低^［14］。因此，本研究以平均高温和平均低温衡量温度，以太阳辐射指标反映光照条件。水分因素是诱发稻瘟病的关键特征，已有研究表明空气相对湿度越高、降雨持续时间越长，发病越重^［15］，土壤湿度和潜在蒸散综合反映地表水分平衡与作物水分胁迫状态。据此，本研究选取相对湿度、降雨天数、降雨量、降雨持续时间、潜在蒸散和土壤湿度作为衡量水分因素的具体指标。

考虑到稻瘟病发病率与水稻生育期密切相关，本研究将气象特征的分析窗口聚焦于5—8月。该时段覆盖了湖北省水稻播种出苗（5月）、拔节孕穗（6—7月）及抽穗扬花（7—8月）等关键生育期，是稻瘟病菌侵染与流行最敏感的风险窗口期。需注意的是，由于湖北省内早稻、中稻与晚稻种植并存，且各地播期和品种熟期存在差异，不同区域水稻的生育进程在7月呈现明显的空间交错。具体而言，早稻抽穗扬花期与中稻拔节孕穗期在7月上中旬交汇，而部分中稻抽穗扬花期可延续至7月下旬至8月上旬。

1.2.2　数据来源

本研究稻瘟病发病面积数据来源于全国农业技术推广服务中心，水稻播种面积来源于《湖北农村统计年鉴》（2016—2025）²。气象数据方面，降雨天数、降雨量、降雨持续、平均高温、平均低温、地面气压与相对湿度数据来源于国家冰川冻土沙漠科学数据中心发布的融合多源数据的中国高分辨率多要素气象驱动产品（ChinaMet）³，该数据集通过融合多源遥感数据、再分析资料及多个气象站的观测数据构建，提供长时序、高时空分辨率的逐日气象数据，为区域气象研究提供坚实的数据支撑。本研究通过月度平均法对ChinaMet数据集逐日数据进行处理，并经标准化变换构建本研究所需的月度气象特征。太阳辐射、潜在蒸散与土壤湿度数据来源于TerraClimate数据集⁴，该数据集结合气候常数与时间序列再分析数据，构建兼具高空间精细度与月度长时序动态的气象特征数据集，在农业生产、生态分析等领域具有广泛应用。基于其月度分辨率，本研究提取相关气象特征指标，并进行标准化处理后纳入月度气象特征数据集。最大阵风、最大持续风速数据来源于美国国家海洋与大气管理局（National Oceanic and Atmospheric Administration，NOAA）下设的国家环境信息中心（National Centers for Environmental Information，NCEI）发布的全球逐日气象观测（Global Surface Summary of the Day，GSOD）数据集⁵，该数据集汇聚了来自全球多个气象站的原始观测记录，经过严格的质量控制与一致性检验。基于各气象站点空间分布特性，本研究采用反距离权重法（Inverse distance weighting，IDW）对GSOD数据进行空间插值与标准化处理，以构建各区县月度气象特征数据。

各气象特征指标描述性统计如表1所示。

1.3　研究方法

稻瘟病发病率受多维度气象特征影响，呈现非线性与时空异质性，传统统计建模方法难以有效刻画发病率与气象特征间的复杂关系，预测精度存在明显局限。随着机器学习技术的发展，已有研究将其引入稻瘟病预测领域，利用其出色的特征提取与复杂模式识别能力，高效捕捉稻瘟病发病率与多维度气象特征间的内在关联，从而大幅提升稻瘟病预测模型的准确度与稳健性。

1.3.1　传统机器学习方法

在稻瘟病预测模型构建过程中，机器学习方法的选择是决定模型预测精度与机理解释能力的关键。参考Sriwanna^［8］的研究，本研究选用5种传统机器学习方法构建湖北省稻瘟病发病率预测模型，具体包括：支持向量机（Support vector machine，SVM）、决策树（Decision tree，DT）、多层感知机（Multilayer perceptron，MLP）、K近邻（K-Nearest Neighbor，KNN）及朴素贝叶斯（Naive Bayes，NB）。

支持向量机（SVM）旨在寻找能够实现最优分类的超平面，以最大化不同类别样本间的分类间隔^［17］。其核心优势在于引入核函数映射，通过将非线性可分的低维数据隐式映射到高维空间，实现复杂数据的线性化重构，从而完成样本数据的高效分类与识别。SVM方法在处理小样本、高维度数据时往往展现出优越的泛化性能与稳健的分类决策能力^［18］，能够高效挖掘气象特征与稻瘟病发病率间的映射关系，获取诱发稻瘟病的关键气象特征，为实现稻瘟病精准监测与预警提供重要的技术支持。本研究SVM方法的核函数采用径向基核函数，C参数设置为1。

决策树（DT）通过构建树状分支结构，实现对不同类别样本的高效分层判别^［19］。其核心在于通过贪婪方法动态筛选最优分裂特征，持续划分数据集以提升子集纯度，模型决策路径层级清晰，具备直观的逻辑可解释性。决策树方法在使用时无需对数据进行预处理，并自带缺失值处理机制，能够有效简化数据处理流程，并直观勾勒多维度气象特征的分层影响路径，协助筛选出对稻瘟病发病具有决定性意义的阈值区间，为理解稻瘟病发生的关键气象特征触发机制提供透明且可靠的判别工具。本研究DT方法的最大树深设置为5，叶节点最小样本数设置为2，分裂策略为最优分割。

多层感知机（MLP）作为经典前馈人工神经网络，通过构建多层神经元连接架构实现输入与输出间复杂映射关系的拟合^［20］。其核心优势在于引入非线性激活函数，能够自主挖掘并拟合不同数据间高度复杂的关联特征，具备强大的模式识别能力。MLP方法在处理大规模数据时具有极高的灵活性，能够充分捕捉变量间的深层交互关系，并深度解析多维度气象特征间的协同驱动效应，为实现稻瘟病精准预测提供高效的建模手段。本研究MLP方法采用全连接层架构（隐藏层配置为64和32个神经元），激活函数选用线性整流函数（ReLU），学习率设置为0.001。

K近邻（KNN）作为经典的非参数化监督学习方法，旨在通过度量待测样本与训练集样本的空间距离，依据邻近样本的分布属性实现对未知样本的判别与预测^［21］。其核心优势在于无需预先训练显式参数模型，通过识别相似样本的分布特征实现数据建模，模型原理简洁且容错性良好，适用于处理非线性且分布复杂的数据集。KNN方法在处理高维特征数据时，可有效捕捉样本间隐含的空间关联特征，具备较强的自适应能力，能够精准匹配多维度气象特征与稻瘟病发病样本的空间分布规律，解析不同气象特征组合下的病害发生情况，为揭示稻瘟病的发生规律提供可靠的数据支撑。本研究KNN方法的近邻数设置为5，采用距离加权方式完成样本判别。

朴素贝叶斯（NB）是基于概率统计的监督学习方法，旨在通过样本先验概率推算后验概率，进而实现对未知样本的概率判别与分类预测^［22］。其核心优势在于依托概率统计规则完成建模运算，大幅降低模型计算复杂度且无需复杂迭代训练，在小样本场景下展现出优异的计算效率与稳健性。NB方法在面对高维特征变量时，能够快速挖掘数据分布的统计规律，输出高效、可解释的概率分类结果^［23］，从而高效量化多维度气象特征与稻瘟病发病率的关联情况，分析不同气象条件下的病害发生概率，为稻瘟病发病态势研判与规律解析提供可靠支持。本研究NB方法的方差平滑参数设置为10^-9。

1.3.2　XGBoost方法原理

除上述传统机器学习方法外，本研究引入XGBoost作为模型体系的重要补充。作为基于梯度提升框架构建的集成学习方法，XGBoost构建多棵回归树进行迭代式协同训练，每一轮迭代均专注于拟合前序模型的预测残差，通过累加各基学习器的预测结果，挖掘数据样本的内在规律与特征模式，进而构建高精度预测模型，实现对未知样本的精准判别与预测^［24］。

为在最小化样本预测误差的同时有效约束模型整体复杂度，使得模型能够充分挖掘多维度气象特征与稻瘟病发病率的内在关联，并且平衡模型拟合能力与泛化性能，本研究将目标函数定义为损失项与正则项之和，具体公式如下：

Ob{j}^t={\sum }_{i=\mathrm{1}}^{N}L\left(y_i,{\widehat{y}}_i\right)+{\sum }_{k=\mathrm{1}}^t\Omega \left(f_k\right)（1）

{\widehat{y}}_i^t={\widehat{y}}_i^{t-\mathrm{1}}+f_t\left(x_i\right)（2）

\Omega \left(f_i\right)=\gamma T+\frac{\mathrm{1}}{\mathrm{2}}\lambda {\sum }_{j=\mathrm{1}}^T{w}_j^{\mathrm{2}}（3）

式中：Ob{j}^t为第t步的总目标函数；L为损失项；Ω为正则项；N为样本数量；f_k为第k棵决策树；y_i为第i个观测样本（即某县域某年份稻瘟病发病率）的真实观测值；{\widehat{y}}_i^t为第t轮累计预测值；f_t\left(x_i\right)为第t棵树对第i个样本的预测输出；\gamma和\lambda为超参数，是为防止过拟合而加入的惩罚系数；T表示一棵树中的叶子节点总数，个；w_j表示树中第j个叶子节点的预测分数。

将式（2）代入式（1），并拆分正则项，即可得目标函数表示如下：

Ob{j}^t={\sum }_{i=\mathrm{1}}^{N}L\left(y_i,{\widehat{y}}_i^{t-\mathrm{1}}+f_t\left(x_i\right)\right)+{\sum }_{k=\mathrm{1}}^{t-\mathrm{1}}\Omega \left(f_k\right)+\Omega \left(f_t\right)（4）

借助二阶泰勒展开简化迭代目标函数式（4），摆脱损失函数形式的约束，依托一阶、二阶导数高效更新树结构与叶节点权重，提升训练效率并优化残差拟合精度，化简后的目标函数如下：

Ob{j}^t\cong {\sum }_{i=\mathrm{1}}^N\left[L\left(y_i,{\widehat{y}}_i^{t-\mathrm{1}}\right)+g_i{f}_t\left(x_i\right)+\frac{\mathrm{1}}{\mathrm{2}}{h}_i{f}_t^{\mathrm{2}}\left(x_i\right)\right]+\Omega \left(f_t\right)+c（5）

式中：g_i为一阶导数；h_i为二阶导数；c为常数项。

令G_j={\sum }_{i\in I_j}{g}_i，H_j={\sum }_{i\in I_j}{h}_i，并将式（3）代入，即可得到目标函数表示如下：

Ob{j}^t={\sum }_{j=\mathrm{1}}^T\left[G_j{w}_j+\frac{\mathrm{1}}{\mathrm{2}}\left(H_j+\lambda \right)w_j^{\mathrm{2}}\right]+\gamma T（6）

最后，对叶节点权重求导并令导数为0，求解最优叶节点输出权重，将最优权重回代目标表达式后得到最优目标函数如下：

Ob{j}^{t*}=-\frac{\mathrm{1}}{\mathrm{2}}{\sum }_{j=\mathrm{1}}^T\frac{G_j^{\mathrm{2}}}{H_j+\lambda }+\gamma T（7）

上述最优目标函数值Ob{j}^t*越小，说明该树结构对样本残差的拟合效果越好；同时，在正则项约束下模型复杂度控制更为合理。需要说明的是，本研究对所有机器学习方法均采用十折交叉验证（训练集∶验证集=9∶1）评估模型性能，最大限度挖掘气象特征间的内在关联。该方法能够有效降低随机误差，增强模型预测鲁棒性，降低过拟合风险，以确保研究结论的可靠性与泛化能力。

1.3.3　SHAP可解释框架

虽然XGBoost方法具有良好的拟合精度，但受复杂集成结构限制，模型呈现“黑箱”特性，难以直观解析各气象特征对湖北省稻瘟病发病率的影响。针对这一问题，本研究引入SHAP可解释框架进行模型解析。该方法基于博弈论思想，通过计算每个特征在所有特征组合下的边际贡献，衡量其对预测结果的贡献度与作用方向^［25］，刻画气象特征与稻瘟病发病率间的非线性关联，为发病率预测提供科学合理、逻辑透明的理论依据。在此基础上，本研究借助SHAP可解释框架提取XGBoost模型中贡献度排名靠前的15个重要气象特征，结合SHAP值、特征贡献度等指标，深入剖析不同气象特征对发病率的影响。

1.3.4　方法性能评价指标

机器学习方法的性能预测通常基于混淆矩阵中的四个核心指标开展，即真正例（True positive，TP）、假正例（False positive，FP）、真负例（True negative，TN）和假负例（False negative，FN）^［26］。在实际应用中，仅依赖单一指标往往难以全面、准确地评估模型的泛化与分类能力，并且难以应对潜在的样本不平衡问题。因此，本研究引入准确率（Accuracy rate，Acc）、精准率（Precision，P）、召回率（Recall，R）和F1分数（F1-score）等综合度量指标，以确保模型评估的全面性与科学性，其计算方式如表2所示。具体而言，准确率反映模型对全体样本的综合分类能力，即正确预测的正负样本占总样本的比例；精准率衡量模型预测正例的置信度，即在所有被预测为正例的样本中，真正例所占的比例；召回率反映模型对实际正例的捕捉能力，即被正确预测的正例占实际正例总数的比例。F1分数作为综合评估指标，通常用于平衡精准率与召回率，从而更全面地反映模型整体分类性能。

2　结果与分析

2.1　模型精度

本研究使用准确率、精准率、召回率和F1分数考察评估模型的准确度和泛化能力，不同机器学习方法性能对比结果如表3所示。

从表3数据可以发现，不同机器学习方法在预测稻瘟病发病率时呈现出一定的性能差异。其中，XGBoost方法在准确率（0.668）、召回率（0.988）和F1分数（0.782）3项指标上均取得最优表现。虽然NB模型的精准率较高（0.831），但其召回率仅为0.437，导致F1分数最低（0.573），表明其预测结果中存在大量漏报。需注意的是，本研究所用数据集中正样本247个（60.2%）、负样本163个（39.8%），正样本比例略高于负样本，虽未达到极端不平衡状态，但仍可能影响精准率指标的解释。在农业病害预测领域，相较于单一的准确率指标，高召回率对于预警系统的构建更具现实意义^［27］。前者侧重于评估预测的整体精确度，后者则聚焦模型对实际病害的识别能力，能够有效降低漏报风险。鉴于稻瘟病防控中漏报代价远高于误报成本，本研究在模型选择时优先考虑召回率以降低漏报风险，这一策略符合农业病害早期预警的实际需求。此外，本研究引入F1分数作为综合评估指标，通过对精准率与召回率进行调和，在两者间获取有效平衡，以更全面地反映模型在识别病害风险时的鲁棒性。XGBoost方法在准确率、召回率和F1分数3项指标上均优于其他方法，且XGBoost具备应对不平衡数据的能力，表明其能够较好地捕捉稻瘟病发病率和多维度气象特征间的复杂关系。因此，本研究使用XGBoost方法构建预测模型，以获取更为准确的预测结果。

2.2　SHAP值分析

2.2.1　特征重要性

特征重要性通过平均SHAP绝对值衡量，该值能够客观反映各特征对模型预测的边际贡献。特征平均SHAP绝对值越高，表示其对模型预测的影响越大。限于篇幅，本研究仅展示重要性排名前15位的气象特征，如图2（a）所示，其中纵轴为按重要性降序排列的气象特征，横轴为平均SHAP绝对值，直观展示各气象特征对稻瘟病预测的贡献程度。平均SHAP绝对值越大，表明该气象特征对稻瘟病发病率影响越明显。

由图2（a）可知，在重要性排名前15位的气象特征中，动力因素总体重要性高达44.09%，且各特征排名相对靠前。其中，5月最大阵风平均SHAP绝对值最高（0.019 9），是影响稻瘟病发病率的关键特征；随后依次为8月最大阵风（0.008 8）、7月地面气压（0.008 4）、6月地面气压（0.008 2）和8月最大持续风速（0.007 4），重要性排名前5的气象特征均属于动力因素。此外，5月地面气压（0.005 6）、7月最大持续风速（0.004 7）和6月最大持续风速（0.003 4）分别为第8、10和13位。光热因素在前15位特征中仅出现2个，即8月太阳辐射（0.006 8）和7月平均低温（0.006 5），分别排名第6、第7位。该因素总体重要性仅8.80%，对稻瘟病发病率的影响相对有限。水分因素总体重要性为13.16%，但各气象特征排名相对靠后。其中，重要性最高的8月降雨天数（0.005 4）仅排第9位；7月降雨量（0.004 6）、6月土壤湿度（0.003 7）、7月土壤湿度（0.003 2）和7月相对湿度（0.002 9）分别排名第11、12、14和15位。其余33个气象特征合计贡献度为33.95%。

此外，从水稻生育期来看，不同阶段主导稻瘟病发病率的气象特征存在明显差异。在播种出苗期，最大阵风与地面气压是影响最为突出的特征，表明该阶段动力因素对病菌初侵染源的区域扩散具有重要调控作用。在拔节孕穗期，地面气压、平均低温、最大持续风速、降雨量、土壤湿度及相对湿度共同构成主要的特征组合，反映该阶段温湿度与土壤水分状况等对病害发展的综合影响。进入抽穗扬花期，影响特征进一步扩展，包括最大阵风、地面气压、最大持续风速、太阳辐射、平均低温、降雨天数和降雨量等，说明该时期气象特征的多重叠加效应是影响稻瘟病发病率的关键。上述结果表明，稻瘟病的主导气象特征在不同生育期内呈现出明显的阶段性演变，主导气象特征的动态变化对稻瘟病的发生与流行具有重要影响。

2.2.2　单特征预测分析

本研究绘制SHAP特征概要图以识别各类气象特征对稻瘟病发病率的影响差异，如图2（b）所示。图中纵轴为特征项，按照其对预测结果的重要性降序排列；横轴为SHAP值，反映各特征对预测结果的影响程度；点表示样本，颜色代表特征值大小，红色为特征值高，蓝色为特征值低。具体而言，若某特征与预测结果正相关，则其在特征概要图上主要表现为左侧偏蓝、右侧偏红；反之，若为负相关，则右侧偏蓝、左侧偏红。此外，为进一步了解各气象特征如何影响预测模型的输出结果，本研究绘制SHAP依赖图，如图3所示。图中的点表示样本，横轴表示气象特征值，纵轴是其对应的SHAP值。

由图2（b）可知，5月最大阵风、8月最大阵风、8月降雨天数、6月土壤湿度和7月土壤湿度与稻瘟病发病率呈正相关；7月地面气压、6月地面气压、8月最大持续风速、8月太阳辐射、7月平均低温、5月地面气压、7月最大持续风速、7月降雨量、6月最大持续风速和7月相对湿度与稻瘟病发病率呈负相关。结合图3可进一步发现，当5月最大阵风高于11.3 m/s、8月最大阵风高于11.2 m/s、8月降雨天数大于10 d、6月土壤湿度高于70 mm和7月土壤湿度高于70 mm时，稻瘟病发病率明显提高。而当5—7月地面气压接近多年平均值（980 hPa）、8月最大持续风速高于3.7 m/s、8月太阳辐射高于230 W/m²、7月平均低温高于24.5 ℃、7月最大持续风速超过4.3 m/s、7月降雨量超过100 mm、6月最大持续风速高于3.5 m/s和7月相对湿度高于78%时，稻瘟病发病率明显降低。

2.2.3　特征交互效应

单一气象特征对稻瘟病发病率的影响并非孤立存在，其作用大小和方向往往受到其他气象特征的调节。为深入揭示气象特征间复杂的交互作用机制，本研究选取水稻生育期各阶段主要气象特征开展交互效应分析。通过绘制含交互项的SHAP依赖图，可视化其主要气象特征间的协同与拮抗关系，具体如图4所示。图中散点颜色代表交互特征的数值水平，通过观察不同颜色散点的分布差异，可以精确识别主要气象特征间的交互效应。

由图4（a）可知，在水稻播种出苗期，地面气压对稻瘟病发病率的影响存在显著的阶段性差异，且受到最大阵风的动态调节。具体而言，在低气压区间（≤980 hPa），地面气压表现为显著的正向驱动效应，SHAP值基本为正，表明该区间内稻瘟病发病风险较高，且受最大阵风的调节作用微弱，呈现出气压主导态势。而在高气压区间（>980 hPa），地面气压对稻瘟病的影响由正转负，起到负向作用；此时最大阵风的调节效应开始显现，当最大阵风强度越大，原本的负向影响将被削弱，SHAP值向0收敛直至转为正值，表明在高气压背景下，较强的阵风会削弱气压的负向作用，从而增加稻瘟病的发病风险。

由图4（b）可知，在拔节孕穗期，平均低温与地面气压对稻瘟病发病率的协同影响展现出明显的分段特征。具体而言，当平均低温低于22.5 ℃以及地面气压低于950 hPa时，SHAP值主要为正值，将增加稻瘟病发病率；当平均低温上升至22.5 ℃至24.5 ℃的过渡区间时，平均低温与高地面气压呈现明显协同促进效应，稻瘟病发病风险随之上升。然而，当平均低温进一步升高并超过24.5 ℃时，地面气压与发病率的关系发生改变，此时SHAP值为负，说明在较高平均低温背景下，高地面气压将产生负向调节作用。

由图4（c）可知，在抽穗扬花期，最大持续风速对稻瘟病发病率的影响存在显著阈值效应，并伴随降雨天数的差异化调节。具体而言，当最大持续风速低于3.7 m/s时，SHAP值基本为正，并且此区间内样本点颜色偏向于红色，表明在该区间内，较高的降雨天数与较低的最大持续风速对稻瘟病发病率呈协同促进作用；当最大持续风速超过3.7 m/s阈值后，样本点颜色呈现“蓝上红下”特征，且SHAP值整体持续为负，表明较高最大持续风速与较高降雨天数对稻瘟病发病率呈显著负向协同影响。

3　讨 论

3.1　气象因素贡献分析

本研究通过SHAP分析发现，排名前15位的气象特征中，动力因素对稻瘟病发病率的整体贡献高达44.09%，显著高于光热因素（8.80%）与水分因素（13.16%），其中5月最大阵风是影响稻瘟病发病率的关键特征。这一结果与以往研究有所不同。以往研究更强调温度与湿度在稻瘟病流行中的核心驱动作用^［14］，而本研究发现影响稻瘟病发病率的前5项关键气象特征全部来自动力因素。这可能是由于湖北省地处亚热带季风区，水稻生育期（5—8月）的基础温湿度条件普遍满足稻瘟病菌侵染需求。在此背景下，温湿度变化对稻瘟病发病率的影响被削弱，不再是影响稻瘟病发生的关键限制性特征；而动力因素（尤其是最大阵风）呈现出明显的空间异质性与年际波动，成为驱动病害区域性扩散并造成年际差异的主导因素。以“5月最大阵风”这一关键气象特征为例，该特征主要通过以下两个途径影响稻瘟病发病率。一方面，5月正值水稻播种出苗期，强阵风可对幼苗造成机械损伤，拓宽病菌侵染通道；另一方面，强风引发的机械扰动引起幼苗生理应激反应，导致植株基础抗性下降，进一步削弱其抵御病菌侵染的能力。已有研究证实，风速通过改变稻瘟病菌分生孢子在冠层中的浓度与沉积量对发病率造成影响^［28］，而地面气压通过调节环境因子间接影响病原菌的萌发与侵染过程。因此，对于湖北省而言，在温湿度条件普遍适宜的情况下，动力因素可能成为病害预测的主导因素。

3.2　生育期阶段差异分析

从生育期视角看，不同阶段主导气象特征各异。播种出苗期以动力因素为主；拔节孕穗期转向温湿度与土壤水分协同作用；抽穗扬花期则呈现为多维度气象特征的叠加效应。这一阶段性演变与水稻不同生育阶段对气象特征的敏感性差异相吻合。播种出苗期稻株幼嫩，病原菌分生孢子主要借助风力进行远距离扩散与沉降^［29］；拔节孕穗期随着叶片面积增大与冠层郁闭度增加，温湿度条件与土壤水分通过调控叶面湿润时长与植株生理抗性影响侵染效率^［30］；抽穗扬花期穗部暴露，对气象特征变化最为敏感，平均气温、降水量、相对湿度等多种气象特征波动共同影响发病率^［31］。

需注意的是，拔节孕穗期与抽穗扬花期间的8月太阳辐射和7月平均低温2个特征，是光热因素仅有的2个进入前15位的特征，且二者均与稻瘟病发病率呈负相关。已有研究表明，太阳辐射中的UV-B波段对稻瘟病菌的产孢量与菌丝生长产生抑制效应^［32］。太阳辐射通过驱动冠层水分交换发挥干燥效应。一方面，高强度太阳辐射通过加速蒸腾作用促进叶片水分向大气扩散，降低冠层局部湿度；另一方面，太阳辐射产生的热力作用能够打破冠层内部郁闭状态，通过提升空气对流加速冠层干燥，显著缩短叶面湿润时长，抑制病害的进一步发展。此外，温度特征是影响水稻基础抗性的核心因素之一，较低的温度（如低于22 ℃）将削弱水稻基础抗性，使得植株更易受稻瘟病菌侵染^［15］。

3.3　特征间交互效应分析

从交互效应来看，不同生育期关键气象特征间呈现明显协同或拮抗作用。在播种出苗期，强阵风会削弱高气压对稻瘟病的负向影响。一方面，风力作用使已沉降孢子重新悬浮，增加再侵染的可能性；另一方面，水稻幼苗组织幼嫩，强阵风导致叶片间相互摩擦，造成显著机械损伤，为病菌入侵提供通道^［33］。在拔节孕穗期，高气压与高温对稻瘟病发病率表现出显著的协同抑制效应。夏季高压系统主导下沉气流，晴朗少雨，辐射增强，气温升高，高压背景下的高温环境不仅有利于改善冠层通风条件，降低局部湿度，更能诱导水稻产生抗病性^［34］。在抽穗扬花期，较高的最大持续风速与较多的降雨天数对稻瘟病发病率呈协同负向影响，这可能源于强风对叶面水分的物理吹扫能够迅速蒸发并吹落叶片表面的露珠，缩短叶面湿润时长，而降雨较多时，雨水直接击打叶面，冲刷已附着在叶片表面的病原孢子，降低田间有效病原菌基数。田间试验显示，持续风速大于3.2 m/s可去除叶面吐水及露珠，缩短叶面湿润时长，抑制孢子萌发所需饱和水汽条件^［35］，而本研究SHAP分析显示阈值为3.7 m/s。在高风速条件下，气流吹扫与高频降雨冲刷共同对病害发生产生抑制效应，从而对稻瘟病的发生呈负向作用。

3.4　研究局限

本研究仅以月度气象特征作为预测变量，未纳入栽培管理措施、寄主属性及病原菌等相关因素，在此方面存在一定局限性。本研究旨在构建稻瘟病发病率的气象预警模型，侧重利用月度气象特征实现年度县域尺度发病率的预测，而非从微观层面深度解析发病机制。预测模型强调输入数据的时效性与空间覆盖率，而机制解释模型则依赖大量田间尺度信息，此类信息在区域尺度上通常难以获取。基于上述考量，本研究暂未引入非气象特征。未来拟在更精细的微观尺度下整合非气象特征，构建综合预测框架，以提升模型的解释力与应用价值。

3.5　对策建议

强化播种出苗期动力因素监测，构建“气象预测—生产响应”联动防控机制。湖北省5月份正值季节更替期，冷暖气流频繁交汇引发的阵风与气压波动，是稻瘟病菌分生孢子实现跨区域扩散与再分布的主要自然动力。针对该时期风速与气压的主导作用，建议在稻瘟病预警系统中重点纳入阵风强度与地面气压趋势作为核心预警因子，并配套建立联动防控方案。一方面，根据气压骤降与阵风预警信号，适时调整水稻播期，主动错开病害高发的气候窗口。另一方面，结合田间动态监测，优化排灌设施以改善田间通风条件，调节冠层微气候，阻断病原菌的传播路径与扩散媒介。

优化水分管理与冠层微环境调控，削弱病原菌适生条件。拔节孕穗期正值稻瘟病菌侵染的高风险时期，加之湖北省6—7月梅雨季节常伴持续阴雨和低压天气，极易在田间诱发高湿的冠层微环境，显著提升稻瘟病发生概率。针对该时期湿度、气温与气压的协同影响，建议建立动态响应机制。当监测到连续阴雨、气压持续偏低等预警信号时，可灵活采取间歇灌溉、排水晒田等措施，以降低田间湿度、缩短叶面水膜持续时间。同时，对于“凉夏”年份夜间低温与高湿叠加的复杂气象条件，应高度警惕稻瘟病的潜在流行风险，适时增加保护性施药频次，从而降低病害暴发与扩散的风险。

把握抽穗扬花期关键防护窗口，构建气象驱动的协同防控策略。抽穗扬花期是稻瘟病菌侵染的最敏感阶段，此期间风速、降雨及光照条件的综合作用会直接影响病害流行强度。针对气象因子的协同效应，建议将最大持续风速和降雨天数作为启动防控的关键预警指标，并实施精准响应措施。当风速偏低且连续阴雨时，叶面水膜难以快速蒸发，应抢抓雨前或雨后的短暂窗口，及时开展预防性施药。同时，针对光照偏弱（如长期阴雨）年份，植株抗病性通常下降，宜适当下调防控启动阈值，并延长药剂持效期，从而有效压低病原菌的侵染风险。

为提升稻瘟病发病率预测的实践指导价值，建议构建“监测—预测—决策”一体化的智慧防控体系。在监测层面，建议在湖北省典型稻区部署自动监测预警系统，实现从数据采集到风险预警的实时化与自动化。在预测层面，建议依据模型输出的风险等级，结合不同生育期病害发生特点，制定差异化防控方案。在决策层面，建议将XGBoost-SHAP预警模型与田间动态监测数据、药效评价试验数据相结合，构建“早期预警+智慧防控”的协同新范式，实现稻瘟病全生育期的精细化管理，为稻瘟病绿色可持续防控提供技术支撑。

4　结 论

本研究以湖北省县域稻瘟病发病率为研究对象，根据水稻关键生育期（5—8月），从动力、光热和水分3个维度筛选出12个指标共48个特征变量，通过对比不同机器学习方法的精度，最终利用XGBoost方法构建稻瘟病发病率预测模型，并借助SHAP可解释框架对预测模型的输出结果进行解释分析，以获得影响稻瘟病发病率的关键气象特征。研究结果表明：1）与传统机器学习方法相比，集成学习XGBoost方法在发病率预测的准确率、召回率和F1分数等方面表现更好，整体精度更高。2）基于SHAP可解释框架，本研究识别出影响稻瘟病发病率的15个重要气象特征，其中5月最大阵风为关键特征，对模型的贡献度达13.19%。同时，不同水稻生育期的主导特征不同。例如，播种出苗期以最大阵风和地面气压为主，拔节孕穗期对平均低温和地面气压敏感，抽穗扬花期以最大持续风速和降雨天数为关键。3）各类气象特征对稻瘟病发病率存在非线性阈值效应。5月最大阵风、6—7月土壤湿度以及8月最大阵风和降雨天数等特征超过各自阈值后，稻瘟病发病风险明显上升；而5月地面气压、6月地面气压和最大持续风速、7月地面气压、平均低温、最大持续风速、降雨量和相对湿度、8月最大持续风速和太阳辐射等特征超阈值则表现出明显的负向作用。4）不同气象特征对稻瘟病发病率的影响并非孤立存在，交互效应表明，播种出苗期，强阵风会削弱高气压对稻瘟病发病率的负向作用；拔节孕穗期，高气压与较高平均低温对稻瘟病发病率呈协同负向作用；抽穗扬花期，在较高最大持续风速条件下，较多降雨天数会加强其负向作用。

参考文献

[1] Seck P A， Diagne A， Mohanty S， Wopereis M C S. Crops that feed the world 7： Rice［J］. Food Security， 2012， 4（1）：7-24

[2] Luo Y H， Jiang P， Xie K， Wang F J. Research on optimal predicting model for the grading detection of rice blast［J］. Optical Review， 2019， 26（1）：118-123

[3] Kou Y J， Shi H B， Qiu J H， Tao Z， Wang W M. Effectors and environment modulating rice blast disease： From understanding to effective control［J］. Trends in Microbiology， 2024， 32（10）：1007-1020

[4] Katsantonis D， Kadoglidou K， Dramalis C， Puigdollers P. Rice blast forecasting models and their practical value： A review［J］. Phytopathologia Mediterranea， 2017， 56（2）：187-216

[5] Guo F F， Liu W C， Lu M H， You F Z， Wu B M. Development of two early forecasting models for predicting incidence of rice panicle blast in China［J］. Phytopathology， 2023， 113（3）： 448-459

[6] Gopalakrishnan A M， Chellappan G， Patil S G， Rathod S， Ayyanar K， Ramasamy J， Nagaranai Karuppasamy S， Swaminathan M. Climate-based prediction of rice blast disease using count time series and machine learning approaches［J］. AgriEngineering， 2024， 6（4）：4353-4371

[7] Sahoo S， Singha C， Govind A， Sharma M. Leveraging ML to predict climate change impact on rice crop disease in Eastern India［J］. Environmental Monitoring and Assessment， 2025， 197（4）：366

[8] Sriwanna K. Weather-based rice blast disease forecasting［J］. Computers and Electronics in Agriculture， 2022， 193： 106685

[9] 兰波， 阴长发， 陈建， 施伟韬， 杨爱萍， 张晓阳， 况虹敏， 肖慧， 李湘民， 杨迎青. 基于菌群毒性与气象因子的水稻稻瘟病流行程度判别分析预测［J］.中国农学通报， 2023， 39（25）：116-121

[10] Lan B， Yin C F， Chen J， Shi W T， Yang A P， Zhang X Y， Kuang H M， Xiao H， Li X M， Yang Y Q. Discriminant analysis and prediction of rice blast epidemic based on the virulence of Magnaporthe oryzae and meteorological factors［J］. Chinese Agricultural Science Bulletin， 2023， 39（25）：116-121 （in Chinese）

[11] 户雪敏， 朱志刚， 姜照琴， 季新， 陈利军， 史洪中. 基于全子集回归和BP神经网络的信阳稻瘟病预测模型构建［J］.湖北农业科学， 2025， 64（12）：104-109

[12] Hu X M， Zhu Z G， Jiang Z Q， Ji X， Chen L J， Shi H Z. Construction of a prediction model for Xinyang rice blast based on all subsets regression and BP neural network［J］. Hubei Agricultural Sciences， 2025， 64（12）：104-109 （in Chinese）

[13] 刘恩龙， 岳元宝， 李烨， 丁家盛， 刘树芳， 王根权， 安智燕. 云南芒市稻瘟病发生面积与主要气象因子相关性及预测模型研究［J］.中国植保导刊， 2025， 45（10）： 49-52， 101

[14] Liu E L， Yue Y B， Li Y， Ding J S， Liu S F， Wang G Q， An Z Y. Study on the correlation between the occurrence area of rice blast and the key meteorological factors and its prediction model in Mangshi， Yunnan Province［J］. China Plant Protection， 2025， 45（10）： 49-52， 101 （in Chinese）

[15] 王雪，吴波明.稻瘟病菌分生孢子空间散布梯度模型研究［C］//中国植物保护学会2018年学术年会暨植保科技奖颁奖大会论文集. 西安： 中国农业科学技术出版社， 2018： 14

[16] Wang X， Wu B M. Research on the Spatial Distribution Gradient Model of Conidia of Rice Blast Fungus［C］// In：Proceedings of the 2018 Annual Academic Conference of the China Society of Plant Protection and the Award Ceremony of the Plant Protection Science and Technology Award.Xian： China Agricultural Science and Technology Publishing House， 2018：14 （in Chinese）

[17] Qiu J H， Xie J H， Chen Y， Shen Z N， Shi H B， Naqvi N I， Qian Q， Liang Y， Kou Y J. Warm temperature compromises JA-regulated basal resistance to enhance Magnaporthe oryzae infection in rice［J］. Molecular Plant， 2022， 15（4）：723-739

[18] 刘天华，白姣姣，吕东平.农业气象因素影响稻瘟病发生分子机制初探［J］.中国生态农业学报， 2016， 24（1）：1-7

[19] Liu T H， Bai J J， Lyu D P. A preliminary study on the effect of agro-meteorological factors on molecular mechanism of rice blast occurrence［J］. Chinese Journal of Eco-Agriculture， 2016， 24（1）：1-7 （in Chinese）

[20] Qiu J H， Liu Z Q， Xie J H， Lan B， Shen Z N， Shi H B， Lin F C， Shen X L， Kou Y J. Dual impact of ambient humidity on the virulence of Magnaporthe oryzae and basal resistance in rice［J］. Plant， Cell & Environment， 2022， 45（12）：3399-3411

[21] 万素琴，陈鑫，邓爱娟， 刘志雄， 徐荣钦， 刘敏. 感病指数的构建及在湖北省早稻穗瘟病气象等级监测预报中的应用［J］.华中农业大学学报， 2015， 34（3）： 76-81

[22] Wan S Q， Chen X， Deng A J， Liu Z X， Xu R Q， Liu M. Construction of disease indexes and its application in monitoring/forecasting the meteorological grades of early rice panicle blast in Hubei Province［J］. Journal of Huazhong Agricultural University， 2015， 34（3）： 76-81 （in Chinese）

[23] Cortes C， Vapnik V. Support-vector networks［J］. Machine Learning， 1995， 20（3）： 273-297

[24] Joachims T. Text categorization with Support Vector Machines： Learning with many relevant features［C］//In： Machine Learning： ECML-98. Berlin， Heidelberg： Springer， 1998： 137-142

[25] Quinlan J R. Induction of decision trees［J］. Machine Learning， 1986， 1（1）： 81-106

[26] Cybenko G. Approximation by superpositions of a sigmoidal function［J］. Mathematics of Control， Signals and Systems， 1989， 2（4）： 303-314

[27] Cover T， Hart P. Nearest neighbor pattern classification［J］. IEEE Transactions on Information Theory， 1967， 13（1）： 21-27

[28] Duda R O， Hart P E， Stork D G. Pattern classification［M］. John Wiley & Sons， 2001

[29] Rish I. An empirical study of the Naive bayes classifier［C］//In： IJCAI 2001 Workshop on Empirical Methods in Artificial Intelligence.Seattle： IJCAI， 2001， 3： 41-46

[30] Chen T Q， Guestrin C. XGBoost： A scalable tree boosting system［C］//In： Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2016： 785-794

[31] Lundberg S M， Lee S I. A unified approach to interpreting model predictions［C］//In： Proceedings of the 31st International Conference on Neural Information Processing Systems. New York： ACM， 2017： 4768-4777

[32] Powers D M W. Evaluation： From precision， recall and F-measure to ROC， informedness， markedness and correlation ［J］. Journal of Machine Learning Technologies， 2011， 2（1）： 37-63

[33] Nyawose T， Maswanganyi R C， Khumalo P. A review on the detection of plant disease using machine learning and deep learning approaches［J］. Journal of Imaging， 2025， 11（10）： 326

[34] Koizumi S， Kato H. Dynamic simulation of blast epidemics using a multiple canopy spore dispersal model［C］//In： Rice Blast Modeling and Forecasting.Seoul： International Rice Research Institute， 1991： 75-88

[35] 张淑春，高英.稻瘟病综合防治技术［J］.吉林农业， 2008（5）：29

[36] Zhang S C， Gao Y. Integrated control technology of rice blast［J］. Agriculture of Jilin， 2008（5）：29 （in Chinese）

[37] 柯劲.气象因素对田间稻瘟病菌孢子释放、附着胞形成及侵染的影响［J］.广西农学院学报， 1982， 1（1）：125-137

[38] Ke J. Effects of meteorological factors on spore release， appressorium formation and infection of Magnaporthe grisea in the field［J］. Journal of Guangxi Agricultural College， 1982， 1（1）：125-137 （in Chinese）

[39] 黄珍珠，杜尧东，黄德超，钟宝玉. 基于气象因子的广东早稻穗颈瘟发生面积的预测［J］.广东气象， 2020， 42（2）：44-48

[40] Huang Z Z， Du Y D， Huang D C， Zhong B Y. Prediction of the occurrence area of early rice ear neck blast in Guangdong based on meteorological factors［J］. Guangdong Meteorology， 2020， 42（2）：44-48 （in Chinese）

[41] 赵颖，祖艳群，李元. UV-B辐射增强对水稻稻瘟病菌（ Magnaporthe grisea ）生长和产孢的影响［J］.农业环境科学学报， 2010， 29（S1）：1-5

[42] Zhao Y， Zu Y Q， Li Y. Effects of enhanced UV-B radiation on growth and sporulation quantity of blast isolate Magnaporthe grisea ［J］. Journal of Agro-Environment Science， 2010， 29（S1）：1-5 （in Chinese）

[43] Sakamoto M. On the facilitated infection of the rice blast fungus， Piricularia oryzae CAV.due to the wind. I［J］. Japanese Journal of Phytopathology， 1940， 10（2-3）： 119-126

[44] Qiu J H， Cao X X， Shi H B， Chen Z T， Zhang X Y， Cao Z J， Huang D M， Wen H， Chen Y， Kou Y J. miR444b.2-HsfA1-AOC1 module mediates heat priming-enhanced blast resistance in rice ［J］. Proceedings of the National Academy of Sciences of the United States of America， 2025， 122（36）： e2505764122

[45] Taguchi Y， Elsharkawy M M， Hyakumachi M. Effect of artificially-generated wind on removing guttation and dew droplets from rice leaf surface for controlling rice blast disease［J］. African Journal of Biotechnology， 2015， 14（12）： 1039-1047

基金资助

中央引导地方区域协同创新项目(2025EIA042)

湖北省重点研发计划(2025BBB044)

湖北省区域创新计划(2025EBA027)