采用深度学习长短时记忆模型LSTM，基于中国重要冬小麦种植区河南省的99个气象站点1981−2020年的气象、作物、灾情等多源数据，识别河南冬小麦春季冻害发生情况，探讨冬小麦春季冻害时空分布规律和年代际变化特征。结果表明：（1）优化后的LSTM模型可较好实现冬小麦春季冻害的识别。2017−2020年LSTM模型模拟日最低气温结果与实际最低气温相比，平均绝对百分比误差MAPE为8.73%，拟合优度R2为0.90。结合冬小麦春季冻害指标和灾情资料，2017−2020年实际受灾情况与本研究模型模拟结果相符。（2）1981−2020年河南冬小麦春季轻度冻害危害在逐渐减弱，轻度冻害发生频率高值区由东北部南移至东部。1981−2020年河南冬小麦春季轻度冻害的整体分布情况呈东北部高，西南部和东南部低，40a平均发生频率为0～1.75次·10a−1。轻度冻害发生频率由0.843次·10a−1逐步降至0.157次·10a−1，其高值区由东北部南移至东部。（3）1981−2020年河南冬小麦春季重度冻害发生频率呈先增后减趋势，其发生频率高值区由东北部南移至东部。重度冻害40a整体分布表现为东部地区高于西部地区，北部地区高于南部地区，40a平均发生频率为0～2.75次·10a−1。冬小麦春季重度冻害的发生频率由0.508次·10a−1增至0.857次·10a−1，后减至0.289次·10a−1，重度冻害发生频率高值区由东北部南移至东部。河南冬小麦春季冻害整体呈减少趋势，但气候变暖下极端天气事件发生频率呈增加态势，加强气候变化背景下中国重大农业气象灾害对各地区农业生产影响的研究仍然是今后研究重点之一。本研究提出的基于深度学习LSTM的冬小麦春季冻害识别模型，对各精度评价指标均有提升，冻害识别结果与实际发生情况基本一致，可为全球气候变化背景下大面积冬小麦冻害识别提供思路和方法，对其他农业气象灾害识别有一定参考价值。
%U https://zgnyqx.ieda.org.cn/CN/10.3969/j.issn.1000-6362.2024.09.008