高建孟，王利民，高靈旺※

(1.中國農業(yè)大學，北京 100193； 2.中國農業(yè)科學院農業(yè)資源與農業(yè)區(qū)劃研究所，北京 100081)

·農業(yè)區(qū)劃·

基于聚類分析的冬小麥條銹病分區(qū)研究*

高建孟1，王利民2，高靈旺1※

(1.中國農業(yè)大學，北京 100193； 2.中國農業(yè)科學院農業(yè)資源與農業(yè)區(qū)劃研究所，北京 100081)

冬小麥條銹病是影響冬小麥生產的主要病害之一，陜西、甘肅、寧夏三省(區(qū))是條銹病主要菌源越冬地，也是向我國華北等麥區(qū)傳播的重要橋梁，對該區(qū)域進行總體的監(jiān)測和預警對于預防條銹病流行意義重大。由于研究區(qū)域幅員遼闊，氣象和地形條件差異較大，條銹病發(fā)病規(guī)律和發(fā)病特點差異明顯，因此無法將整個研究區(qū)域作為一個整體來研究?？紤]地理位置因素對研究區(qū)進行了一級分區(qū)，考慮地形因素對研究區(qū)進一步進行了二級分區(qū)。進行一級分區(qū)時以縣級行政區(qū)域為單元，通過篩選后選定旬均溫度、年最低溫度、旬降雨量和越冬菌源地距離等8個因子，結合歷年發(fā)病等級統(tǒng)計數(shù)據(jù)，采用除趨勢對應分析(DCA)和聚類分析相結合的方法進行分析，初步將研究區(qū)域劃分為5個一級區(qū)，一級區(qū)內環(huán)境因子間具有較高的同質性。地形因素的疊加增加了冬小麥條銹病分布格局的復雜性，地理位置相近的不同地形區(qū)條銹病發(fā)病差異可能很大。故在一級區(qū)的基礎上通過數(shù)字高程模型(DEM)設定海拔閾值的方法得到12個二級區(qū)，二級分區(qū)內條銹病發(fā)病規(guī)律相同、發(fā)病等級相近?？梢宰鳛橄乱徊蕉←湕l銹病預測研究的基本單元。

冬小麥 條銹病 分區(qū) 預測

0 引言

冬小麥又稱秋播小麥，是我國主要糧食作物之一，占我國糧食作物播種面積的21.54%，占糧食作物總產量的20.26%。冬小麥分布廣泛，我國長城以南、大雪山和岷山以東的廣大平原地區(qū)都可種植，主要分為北方冬麥區(qū)、南方冬麥區(qū)、新疆冬麥區(qū)和青藏冬麥區(qū)。陜西、甘肅、寧夏三省(區(qū))(下稱西北三省)是我國北方冬麥區(qū)重要組成部分，是我國重要的小麥生產基地，該區(qū)域小麥種植面積穩(wěn)定在200萬hm2以上，且以種植冬小麥為主，除甘肅西北部、陜西北部和寧夏北部灌區(qū)以外常年種植冬小麥[1]。小麥條銹病(病原菌Pucciniastriiformisf.sp.tritici)是世界范圍內普遍發(fā)生的小麥病害，在我國主要發(fā)生于西北、西南、黃淮海等冬麥區(qū)和西北春麥區(qū)。小麥條銹病是一種氣傳病害，流行年份可造成巨大損失。在中度流行年份減產10%～20%，大流行年份感病品種一般減產30%左右，特大流行年份減產50%～60%，嚴重田塊甚至絕收。1950、1964和1990年發(fā)生的3次大流行，分別使我國小麥減產60億、36億和25億kg[2]。

近年來區(qū)劃研究較多，在條銹病流行區(qū)劃方面：Line[3]基于地理界限、季風、溫度、降水、小麥大麥的等級、種植方式及病原毒力將美國小麥種植區(qū)分為了7個條銹病流行區(qū)域； Zeng和Luo[4]綜合考慮氣象參數(shù)、地理參數(shù)和相關的農業(yè)參數(shù)數(shù)據(jù)，依據(jù)條銹病的流行規(guī)律和地域的具體特征將長江流域、黃淮海流域小麥種植區(qū)分成了15個條銹病流行區(qū)域，并基于分區(qū)結果闡明了條銹病的主要分布區(qū)域、各區(qū)域的發(fā)病特點以及不同區(qū)域間春季和秋季傳播流行的主要途徑； 游超等[5]通過總結小麥條銹病病理方面的研究成果，形成了基于春季氣溫和降水的氣候分區(qū)指標，并利用總結的分區(qū)指標對四川省小麥種植區(qū)進行了條銹病風險區(qū)劃； 在小麥種植區(qū)劃研究和土地利用類型分區(qū)等方面的研究也較多，如張希彪[6]根據(jù)地貌、土壤質地、降水和溫度條件將陜甘寧接壤區(qū)劃分為4個不同的生態(tài)類型區(qū)； 盧布等[7]綜合考慮區(qū)域資源條件、生產現(xiàn)狀及前人研究結論將我國的小麥主要產區(qū)劃分為黃淮海、長江中下游、西南、西北和東北5個優(yōu)勢區(qū)； 趙廣才等[8]利用環(huán)境條件、自然條件、氣候因素以及病蟲害實際發(fā)生情況對春麥區(qū)和冬春兼播麥區(qū)進行了分區(qū)研究； 吳洪顏等[9]利用氣象和冬小麥產量資料，通過聚類分析方法進行了氣候分區(qū)，并結合后期的灰色關聯(lián)分析對江蘇省冬小麥種植區(qū)進行了氣候區(qū)劃； 王華等[10]基于多目標微粒群優(yōu)化算法的土地利用分區(qū)模型，并對湖北省宜城市的土地利用類型進行了分區(qū)； 郭澎濤等[11]基于多源環(huán)境變量利用模糊C均值聚類法對橡膠園的土壤類型進行了分區(qū)。條銹病發(fā)病程度預測方面：Wiik等[12]利用1983～2007年病害發(fā)病數(shù)據(jù)和36個研究區(qū)域氣象站點數(shù)據(jù)對瑞典最南部的斯堪尼亞縣的小麥主要病害進行了相關研究，以小麥生育期各個月的均溫和均降水量為氣象指標，分別與病害發(fā)生嚴重度和發(fā)病率進行相關性分析，篩選出與病害發(fā)生的敏感因子，之后通過回歸分析分別構建了敏感因子與病害嚴重度、發(fā)病率的回歸方程。其中條銹病的發(fā)病率為3月份均溫、10月份均溫和11月份均降水量的回歸函數(shù)； 條銹病嚴重度為2月份均溫、9月份均溫、11月份均降水量的回歸函數(shù)； Soubeyrand等[13]構建了氣傳病害時空傳播模型，模型利用基于bootstraping算法的最大似然估計法確定模型的各參數(shù)，模型可以對病原孢子的3D空間傳播進行模擬； Pietravalle等[14]利用英格蘭9個研究區(qū)域1993～1997年數(shù)據(jù)利用迭代方法和自展分析建立了基于氣象因子的病害嚴重程度預測模型，模型分為兩個部分。第一部分為定性預測，利用冬季氣溫和風速預測病害是否會發(fā)生； 第二部分為定量預測，主要利用拔節(jié)期的降水量參數(shù)進行預測； 國內的條銹病預測方面研究較多，概括起來主要通過BP神經網絡、遺傳神經網絡、CPSO_SVM、GM(1， 1)Fuzzy矩陣、馬爾科夫鏈等方法構建基于氣象因子的預測模型[15-20]。

該文以陜甘寧三省(區(qū))為研究區(qū)域，通過對研究區(qū)域條銹病發(fā)病規(guī)律的分析，確定影響條銹病發(fā)生的主要因素，并基于地理位置因素和地形因素分別進行了一級分區(qū)和二級分區(qū)。二級區(qū)結果內氣候條件相似、條銹病發(fā)病規(guī)律相同，可以作為下一步條銹病預測的基本單元。

1 研究區(qū)域概況

陜西、甘肅、寧夏3省(區(qū))位于中國西北內陸，東經92°10′～111°15′，北緯32°42′～42°47′之間，位于青藏高原以東、四川盆地以北、內蒙古高原以南、呂梁山以西。主要地形包括山區(qū)、丘陵、塬區(qū)、平原、盆地以及河流沖擊的川道，主要的山脈有祁連山、賀蘭山、六盤山、秦嶺和大巴山，主要的平原有關中平原和漢中平原。地勢大致呈西高東低、南高北低的趨勢，西部為祁連山脈和隴中高原，東部為關中平原，北部為黃土高原和渭北高原，南部為秦巴丘陵和漢中平原，海拔高度300～3000m不等。西北三省緯度跨度大，氣象條件差異明顯，由西北向東南年均氣溫由低漸高，年降水量由多漸少。該區(qū)域年日照時數(shù)2 000～3200h，日照最長的地區(qū)為甘肅河西西北部。無霜期31～280d，無霜期最長的地區(qū)為隴南南部，最短的地區(qū)為甘南高原。年均降水量38～1000mm，降水量空間分布不均勻，降水較多的區(qū)域主要是陜南等地，降水最少的區(qū)域為甘肅河西走廊； 降水時間分布也不均勻，降水多集中在7～9月，其降水量占年降水量的35%～70%。年均氣溫0～15℃，氣溫空間差異顯著，祁連山區(qū)年均氣溫0～6℃，陜南年均氣溫14～15℃； 最熱月份為7月份，最高氣溫為27℃，最冷月份為1月份，最低氣溫為-10～3℃ 極端高溫為38.5℃。冬季雨雪少、氣溫低，夏季氣溫高、降水集中，雨熱同期的氣候特點有利于條銹病發(fā)病。西北三省面積72.66萬km2，耕地面積852.30萬hm2，占總面積的11.73%。土壤類型主要是栗鈣土、黃土和河套沖積土。種植的主要農作物有冬小麥、春小麥、春玉米、夏玉米、谷子、高粱、大豆、棉花、蕎麥、糜子和馬鈴薯等，冬小麥主要分布于甘肅東南部的隴南隴東、關中平原、陜南關中平原和秦巴丘陵、寧南山區(qū)和渭北高原等地。近年由于工業(yè)化、城鎮(zhèn)化的快速發(fā)展以及種植業(yè)結構調整，冬小麥種植面積逐漸減少，常年穩(wěn)定在240萬hm2左右。西北三省地處我國西北-華北小麥條銹病流行區(qū)系的核心地帶，甘肅南部的隴南、天水等地是我國條銹病春季流行的主要菌源地，對我國華北等小麥主產區(qū)小麥條銹病影響很大。

2 數(shù)據(jù)與方法

2.1 數(shù)據(jù)獲取

西北三省1： 400萬地形數(shù)據(jù)(包括縣及縣以上邊界、主要河流等)來源于國家基礎地理信息系統(tǒng)數(shù)據(jù)庫(http：//gts.sbsm.gov.cn/和http：//www.ngcc.cn/)。

西北三省SRTM3數(shù)據(jù)(即90m分辨率DEM高程數(shù)據(jù))來源于中國科學院鏡像站點(http：//srtm.datamirror.csdb.cn/search.jsp)。

西北三省氣象站點1991～2010氣象數(shù)據(jù)來源于中國氣象科學數(shù)據(jù)共享服務網中國地面氣候資料日值數(shù)據(jù)集(http：//www.cma.gov.cn/2011qxfw/2011qsjgx/)。

陜西省條銹病發(fā)病程度數(shù)據(jù)來源于陜西省各市、縣植保站上報的測報數(shù)據(jù)，從中選取條銹病發(fā)生年份及對應的發(fā)病等級進行匯總統(tǒng)計。

甘肅、寧夏條銹病發(fā)病程度數(shù)據(jù)來源于文獻[21-23]，對條銹病發(fā)生年份及對應的發(fā)病等級進行匯總統(tǒng)計。

2.2 研究方法

該研究主要涉及兩類數(shù)據(jù)分析方法：除趨勢對應分析和聚類分析。除趨勢對應分析即DCA分析，是常用的排序方法之一，主要用來研究群落與環(huán)境的生態(tài)關系和植物群落內部的生態(tài)關系，DCA排序法是在相互平均法(RA)基礎上發(fā)展起來的。DCA排序過程是以任意樣方排序為初始值，通過加權平均求種類排序值，再通過種類排序求樣方排序新值，由新值再求種類排序，如此反復進行種類排序和樣方排序直到收斂于一個穩(wěn)定值而獲得最終排序結果[24]。排序結果為二維軸上的散點分布圖，排序空間上距離的遠近可以反映樣本的相似程度，聚集在一起的樣本間具有很強的同質性[25]； 聚類分析是一種對樣本進行分類的多元統(tǒng)計分析方法，主要包括系統(tǒng)聚類分析法、動態(tài)聚類分析法和模糊聚類分析法等，其中系統(tǒng)聚類分析法應用最為廣泛。系統(tǒng)聚類分析方法是指在樣品距離的基礎上定義類與類的距離，首先將各個樣品自成一類，然后每次將具有最小距離的兩個類合并，合并后再重新計算類與類之間的距離，再并類，這個過程一直持續(xù)到所有的樣品都歸為一類為止，分析結果為聚類樹狀圖，該研究中選用了最遠距離法對樣本進行聚類。

3 研究過程與結果

通過對陜甘寧三省(區(qū))研究區(qū)內小麥條銹病的歷史發(fā)病情況進行分析發(fā)現(xiàn)，研究區(qū)域內條銹病的發(fā)生與年份、地理位置和地形因素密切相關，在不同年份、不同地域以及不同地形區(qū)間發(fā)病差異明顯。但年份、地理位置和地形并非是影響條銹病發(fā)病的直接因素，而是通過氣象因子間接影響條銹病的發(fā)病情況：不同年份間冬季和早春氣象差異明顯； 不同地理位置濕熱條件不同； 地形可以影響作物生長的小氣候環(huán)境。氣象條件對病害發(fā)生的影響主要表現(xiàn)在冬季氣象條件對越冬菌源量的影響以及早春氣象條件對條銹病發(fā)生流行的影響。此外，由于條銹病分區(qū)為了獲得條銹病發(fā)病程度的空間一致性區(qū)域，因此在分區(qū)過程中未考慮條銹病發(fā)病的年際差異，主要考慮地理位置因素和地形因素的影響并分別基于兩因素進行了一級和二級分區(qū)。

3.1 條銹病發(fā)病規(guī)律分析

條銹病的發(fā)生程度與地理位置密切相關，圖1為2006年研究區(qū)域內不同地區(qū)病害發(fā)病等級情況。從圖中可以看出同一年份中西北三省從西南向東北發(fā)病等級逐漸降低。地域因素導致的條銹病發(fā)病程度差異主要由于地域間氣象因子的差異所致。西北三省西南部多表現(xiàn)為冬季氣溫偏高，春季升溫快、降雨多等特點。由于條銹病發(fā)病區(qū)域差異明顯且發(fā)病程度與氣象條件關系密切，因此對整個研究區(qū)域進行分區(qū)是必要的，基于氣象參數(shù)進行的一級分區(qū)是可行的。

圖1 2006年不同地區(qū)條銹病發(fā)病等級統(tǒng)計

圖2 2009年寶雞市不同地形條銹病發(fā)病等級統(tǒng)計

在地理位置相似的區(qū)域內，條銹病的發(fā)生程度受地形因素影響很大，圖2為2009年寶雞市6縣不同地形下條銹病發(fā)病等級情況。從圖中可以直觀看出同一縣域內川道、塬區(qū)、山區(qū)發(fā)病等級為3～5級，級差較大； 6縣的總體發(fā)病等級多為4級，川道發(fā)病等級多重于平均發(fā)病等級，山區(qū)多輕于平均發(fā)病等級，以縣平均發(fā)病等級無法準確描述全縣的病害分布和內部差異； 不同縣的川道區(qū)域發(fā)病等級4～5級，平均發(fā)病等級為5級，不同縣的塬區(qū)區(qū)域發(fā)病等級穩(wěn)定在4級，不同縣的山區(qū)區(qū)域發(fā)病等級以3級居多，同一地形區(qū)內不同縣之間病害發(fā)病等級差異小，一致性高。以地形因素為自變量，以條銹病發(fā)病等級為因變量，利用SPSS 21的單因素方差分析(ANOVA)功能進行分析，結果表明F=15.19>F(2， 15)說明不同地形組間條銹病發(fā)病等級確實存在顯著差異。因此，需要基于地形因素在一級分區(qū)的基礎上進行二次分區(qū)。

3.2 冬小麥條銹病一級分區(qū)

由上述規(guī)律分析可以看出氣象條件和病害發(fā)生關系密切。在借鑒前人研究成果的基礎上，從越冬菌源量、菌源傳播距離和春季流行3個方面選取了7個與條銹病發(fā)病密切的氣象參數(shù)和1個距離參數(shù)作為分區(qū)指標。氣象參數(shù)包括3月份的月均溫度和月均降水量、4月份的月均溫度和月均降水量、5月份的月均溫度和月均降水量、年度最低氣溫。距離參數(shù)是指各縣(市)氣象站點距離隴南市氣象站點的距離。以研究區(qū)域內128個縣(市)為研究單元分別計算以上8個參數(shù)的值。其中氣象參數(shù)取值為1991～2010年以來的均值，距離參數(shù)為各縣(市)氣象站點與隴南市氣象站點的距離。由于量綱不同，對每個參數(shù)通過如下公式進行了數(shù)據(jù)歸一化。式中，x為原始數(shù)值，min為該參數(shù)中的最小值，max為該參數(shù)的最大值，y為歸一化之后的值。

分別利用Canoco 4.5 軟件和SAS 9.1軟件對上述歸一化后的數(shù)據(jù)進行DCA排序和聚類分析。排序過程使用4th order Polynomials區(qū)間除趨勢方法，聚類過程使用系統(tǒng)聚類分析中的最遠距離法。在聚類分析中由于對全部128個縣進行聚類時，聚類結果過于密集，因此采用分層抽樣方式隨機抽取26個樣本進行分析。兩類分析結果如圖3所示。

圖3 數(shù)據(jù)分析結果：DCA分析(左)，聚類分析(右)

排序結果中兩點之間距離越近說明兩個縣氣候條件越相似，DCA分析的結果顯示：橫軸方向表現(xiàn)出明顯的規(guī)律性，是溫度和濕度的共同作用效果，橫軸的最左側為隴南等地，其次為陜南等地，再其次為關中、渭北、隴西、隴東等地，最右側為陜北和寧夏南部等地； 聚類分析的結果表明：隴南隴西及寧夏南部、關中及渭北氣候相似性較高。

綜合考慮兩種分類結果和地理位置將隴西、隴東和寧夏南部歸入一個區(qū)，陜北地區(qū)獨立成區(qū)。依據(jù)分析結果，利用ARCMAP 10.2.1對分區(qū)結果進行制圖，結果如圖4所示。

圖4 一級分區(qū)結果

其中，I區(qū)主要包括隴南渭河上游河谷山地冬小麥區(qū)和嶺南嘉陵江上游濕潤川壩山地冬小麥區(qū)； 無霜期280d左右，年降水量可達900mm； 小麥條銹病菌在該區(qū)域內可以完成周年循環(huán)，是主要的越冬菌源地和病原小種的策源地。Ⅱ區(qū)主要包括隴東涇河上游川壩山地冬小麥區(qū)、隴西河谷山地冬春小麥兼種區(qū)和寧夏南部冬小麥區(qū)； 無霜期160～190d，年降水量500～700mm之間，≥0℃的積溫2600～3100℃，降水量自南向北遞減； 該區(qū)域條銹病病菌越冬量小，主要受隴南等地外來菌源影響，在病害傳播過程中起到“橋梁”作用。Ⅲ區(qū)主要包括陜南平壩早熟冬小麥區(qū)和秦巴淺山丘陵中熟冬小麥區(qū)； 年均氣溫14～15℃，降水量700～1000mm，降水多集中在7～9月，降水量占全年降水量的35%～50%； 該區(qū)域條銹病菌可完成越冬，病害流行時既受當?shù)鼐从绊懸彩茈]南等地外來菌源影響。Ⅳ區(qū)主要包括關中平原早熟冬小麥區(qū)和渭北高原中晚熟冬小麥區(qū)； 年均氣溫11.5～13.7℃，≥0℃的積溫為3700～5000℃，無霜期200～230d，年降水量500～700mm； 該區(qū)域條銹病的流行主要受隴南等地外來菌源影響，是西北地區(qū)最主要的冬小麥種植區(qū)，產量受條銹病影響較大。V區(qū)主要是指陜北丘陵溝壑晚熟冬小麥區(qū)。年均氣溫7～11℃，年降水量300～600mm。該區(qū)域距離均原地相對較遠，冬小麥種植面積較小，受條銹病危害也相對較輕。

所劃分的5個一級區(qū)在分區(qū)內病害的發(fā)病規(guī)律相似，分區(qū)之間發(fā)病特點差異明顯。在對各分區(qū)內條銹病歷史發(fā)病情況進行分析后，將各分區(qū)的病害發(fā)生特點描述如下。

表1 一級分區(qū)內病害發(fā)生特點

一級區(qū)作物生長期秋苗侵染病菌越冬率始見期發(fā)生頻率發(fā)病程度I區(qū)10月至次年6月早高早經常中-重Ⅱ區(qū)9月至次年6月早低晚經常輕-中Ⅲ區(qū)10月至次年6月早高早經常中-重Ⅳ區(qū)10月至次年6月早低晚經常輕-中V區(qū)9月至次年6月晚低晚偶爾輕 注:輕-病情指數(shù)<10; 中-病情指數(shù)10～40;重-病情指數(shù)>40

表2 二級區(qū)的主要特點

二級區(qū)所屬一級區(qū)類別DEM范圍所含地形種類I_AI高海拔區(qū)>1700山區(qū)I_B中海拔區(qū)1400～1700淺山、丘陵I_C低海拔區(qū)<1400川道、低洼地II_AII高海拔區(qū)>1700山區(qū)II_B中海拔區(qū)1400～1700淺山、丘陵II_C低海拔區(qū)<1400川道、低洼地III_AIII高海拔區(qū)>1200山區(qū)III_B中海拔區(qū)680～1200塬、淺山、丘陵III_C低海拔區(qū)<680川道、平原、低洼地IV_AIV高海拔區(qū)>1200山區(qū)IV_B中海拔區(qū)680～1200塬、淺山、丘陵IV_C低海拔區(qū)<680川道、平原、低洼地

基于地理位置因素對研究區(qū)域進行了一級分區(qū)，獲得了氣象同質性區(qū)域。但在一級分區(qū)內部病害實際發(fā)生情況并非完全一致，尤其在隴南、關中西部等一些地形多樣化的地區(qū)，同一個縣級行政單元內條銹病發(fā)病的差異性可能很大。造成這種差異的主要因素為地形因素，需基于地形差異進行二級分區(qū)。

3.3 冬小麥條銹病二級分區(qū)

地形因素是影響條銹病發(fā)生的重要因素，地形可以影響作物生長的小氣候環(huán)境，導致同一縣區(qū)內發(fā)病程度差異明顯。地形因素難以量化，海拔相近的地形區(qū)具有相似的小氣候環(huán)境，該研究中根據(jù)DEM高程值將一級區(qū)進一步劃分為高海拔區(qū)、中海拔區(qū)和低海拔區(qū)。其中I、Ⅱ區(qū)和Ⅲ、Ⅳ區(qū)之間地形種類差異明顯，I、Ⅱ區(qū)內地形起伏較大，低海拔區(qū)域多為河流流經的川道和低洼地，整體海拔較高； Ⅲ、Ⅳ區(qū)內地形起伏較緩，低海拔多為川道、平原和丘陵。I、Ⅱ區(qū)的DEM閾值參考自文獻[4]， Ⅲ、Ⅳ區(qū)的DEM閾值利用ArcGIS的自動分級功能并通過目視修正后獲得。由于V區(qū)小麥條銹病發(fā)生程度常年很輕，冬小麥種植面積比較小且地形特點也相對一致，因此未對陜北地區(qū)進行二級分區(qū)。二級區(qū)的分區(qū)結果及其主要特點見表2。

圖5 二級分區(qū)結果

利用ArcGIS 10.2.1按照表2列出的閾值對二級區(qū)進行制圖，如圖5所示。圖5顏色較深的區(qū)域為低海拔區(qū)，區(qū)內病害發(fā)生程度也相對較重； 顏色較淺的區(qū)域為高海拔區(qū)，發(fā)病程度也相對較輕； 顏色居中的為中海拔區(qū)。

二級分區(qū)后的區(qū)域內條銹病發(fā)病程度一致性更高，基于二級分區(qū)結果的構建條銹病預測專家系統(tǒng)既可以實現(xiàn)區(qū)域尺度的預測又可以保持較高的預測精度，具有大區(qū)域條銹病預測的應用潛力。

4 結論

(1)該研究利用氣象因子和海拔閾值對西北三省分別進行了一級和二級分區(qū)，兩級分區(qū)過程主要考慮了地理位置和地形因素對條銹病發(fā)病差異的影響，獲得了5個一級區(qū)和12個二級區(qū)。二級分區(qū)內條銹病發(fā)病規(guī)律更為一致，獲得病害發(fā)病規(guī)律的一致區(qū)域可以作為下一步病害預測的基本單元。

(2)該研究在分區(qū)過程中利用了DCA分析和聚類分析，DCA排序圖和聚類樹狀圖都直觀地呈現(xiàn)出縣級行政區(qū)劃間氣象因子的差異，依據(jù)氣象條件的相似程度進行了條銹病的一級分區(qū)。表明DCA分析和聚類分析相結合的方法能夠較好地完成條銹病發(fā)病程度的分區(qū)。

5 討論

一級分區(qū)結果與曾士邁先生的論述結果一致[4]，是對其論述結果在西北地區(qū)的驗證和細化，該文中對一級區(qū)條銹病發(fā)病特點的描述也重點參考了其分區(qū)描述指標。曾士邁先生對條銹病進行的分區(qū)主要用于描述不同區(qū)域病害發(fā)生特點并揭示各分區(qū)間條銹病的傳播流行機制，該研究分區(qū)的目的主要為了獲得條銹病發(fā)病規(guī)律一致區(qū)域，進而更好的進行條銹病發(fā)生程度的預測。一級區(qū)中的Ⅳ區(qū)主要包括關中平原中早熟冬小麥區(qū)和渭北中晚熟冬小麥區(qū)，由于該區(qū)域東西跨度較大，病害的實際發(fā)病程度也表現(xiàn)出西部較東部偏重，表明在該區(qū)域內可能存在亞區(qū)，需進行進一步的研究確認。該研究為冬小麥條銹病區(qū)域尺度預測系列研究的一部分，是進行冬小麥條銹病預測的基礎和前提，通過分區(qū)過程獲得了條銹病發(fā)病一致性區(qū)域，基于分區(qū)結果的病害預測模型的構建將是下一步研究的重點。

[1] 農業(yè)部小麥專家組. 中國小麥品質區(qū)劃與高產優(yōu)質栽培.北京：中國農業(yè)出版社， 2012

[2] 董金皋. 農業(yè)植物病理學北方本.北京：中國農業(yè)出版社， 2001

[3] Line R F.Stripe rust of wheat and barley in North America：A retrospective historical review.Annu.Rev.Phytopathol， 2002， 40： 75～118

[4] Zeng S M，Luo Y.Long-distance spread and interregional epidemics of wheat stripe rust in China.Plant Disease， 2006, 90(8): 980～988

[5] 游超， 肖天貴，李金建，等.四川省小麥條銹病春季流行的農業(yè)氣候風險區(qū)劃.成都信息工程學院學報, 2012，(4)： 405～411

[6] 張希彪. 陜甘寧接壤區(qū)生態(tài)建設與農業(yè)可持續(xù)發(fā)展對策.中國農業(yè)資源與區(qū)劃， 2013, 34(6): 139～144

[7] 盧布， 丁斌，呂修濤，等.中國小麥優(yōu)勢區(qū)域布局規(guī)劃研究.中國農業(yè)資源與區(qū)劃， 2010, 31(2): 6～12

[8] 趙廣才. 中國小麥種植區(qū)劃研究(一).麥類作物學報， 2010, 30(05): 886～895

[9] 吳洪顏， 商兆堂，程婷，等.基于聚類分析的江蘇冬小麥農業(yè)氣候區(qū)劃研究.中國農學通報， 2012, 28(26): 119～124

[10]王華， 劉耀林，姬盈利.基于多目標微粒群優(yōu)化算法的土地利用分區(qū)模型.農業(yè)工程學報， 2012, 28(12): 237～244

[11]郭澎濤， 李茂芬，林釗沐，等.基于多源環(huán)境變量的橡膠園土壤管理分區(qū).農業(yè)工程學報， 2014, 30(12): 96～104

[12]Wiik L，Ewaldz T.Impact of temperature and precipitation on yield and plant diseases of winter wheat in southern Sweden 1983-2007.Crop Prot， 2009, 28(11): 952～962

[13]Soubeyrand S，Held L，Hohle M，et al.Modelling the spread in space and time of an airborne plant disease.J R Stat Soc C-Appl， 2008, 57(3): 253～272

[14]Pietravalle S，Shaw M W，Parker S R，et al.Modeling of relationships between weather and Septoria tritici epidemics on winter wheat：A critical approach.Phytopathology， 2003, 93(10): 1329～1239

[15]胡小平， 楊之為，李振岐，等.漢中地區(qū)小麥條銹病BP神經網絡預測.西北農業(yè)學報， 2000, 9(03): 28～31

[16]靳寧， 黃文江，景元書，等.基于遺傳神經網絡的全國小麥條銹病長期氣象預測.中國農業(yè)氣象， 2009， 30(02)： 243～247， 251

[17]馬濤， 王芬.基于CPSO-SVM的小麥條銹病預測模型研究.廣東農業(yè)科學, 2014，(17)： 74～78

[18]劉榮英， 馬占鴻.基于GM(1， 1)組合模型的小麥條銹病預測方法研究.生物數(shù)學學報， 2007, 22(02): 343～347

[19]黃善斌. 用Fuzzy綜合決策模型預測小麥條銹病發(fā)生程度.中國農業(yè)氣象， 1996, 17(02): 53～55

[20]迪拉娜. 馬爾科夫鏈方法在我區(qū)小麥條銹病預測中的應用.新疆農業(yè)科技, 1987，(2)： 47～49

[21]閆艷. 基于灰色神經網絡的小麥條銹病預測系統(tǒng)研究.楊凌：西北農林科技大學， 2009

[22]王新俊， 劉章義，劉小艷，等.平涼市小麥條銹病發(fā)生流行趨勢預測模型研究.中國植保導刊， 2010, 30(01): 32～35

[23]竇利鋒， 李全才.慶陽市西峰區(qū)小麥條銹病發(fā)生規(guī)律及預測預報模型.甘肅農業(yè)， 2004，(05)： 65

[24]劉強， 范瑞錠，肖海燕.極點排序與DCA排序的比較研究.云南地理環(huán)境研究， 2011, 23(06): 74～78

[25]賈小容， 蘇志堯，陳北光，等.廣東省自然保護區(qū)DCA排序與UPGMA聚類研究.華南農業(yè)大學學報， 2004, 25(02): 75～79

THE RESEACH ON THE PARTITION OF WINTER STRIPE RUST BASED ON CLUSTERING ANALYSIS

Gao Jianmeng1，Wang Limin2，Gao Lingwang1※

(1.China Agricultural University, Beijing 100193, China;2.Institute Of Agricultural Resources And Regional Planning.Chinese Academy Of Agricultural Sciences，Beijing 100081, China )

Winter wheat stripe rust is one of the key diseases that influences the yield of winter wheat in China. The study area consists of two provinces of Shaanxi Gansu and one district of Ningxia. The main overwintering region of wheat stripe rust in China is located in the south west of the study area and it is also the bridge area of disease spreading outwards to the wheat-planting area in North China plain and other wheat-planting field nearby as well. As a result, it is of great significance to monitor and forecast the dynamic of wheat stripe rust in the study area. As the study area is quite big, the difference of environment factors and disease occurrence characteristic among different parts are so significant that we cannot regard the whole area as one entire part. So we separate the area into several parts by two steps of partition, among different parts of the study area, the location and the distance from overwintering region are taken into consideration in the first step. During the second partition procedure, the terrain factor is mainly considered. In order to get the parts where the environment factors that influence or even determine the occurrence level of wheat stripe rust are similar, county is defined as the basic partition unit in the first partition step. Referring to the life cycle of the wheat stripe rust, 8 parameters including the mean air temperature in a XUN period(about 10days) the mean precipitation in a XUN period the minimum temperature in a year and the distance from overwintering area factors are selected for partition. During the first partition process, the DCA and the clustering analysis are combined together and the 8 parameters above are set as the input information of both analyses for partition. The actual occurrence level of wheat stripe rust in the study area in history is also taken into account for validation then. At last the whole study area is divided into 5 parts after the first partition step. The environment in the same part is similar and changes heavily in different parts. The terrain factor makes the disease distribution more sophisticated, the disease occurrence level in regions nearby may differ a lot among different terrain regions. On the basis of the first partition step, elevation threshold in the Digital Elevation Model(DEM) image is set to differentiate different terrain. After the second partition step process, 12 parts are got and the disease occurrence characteristics are the same and the disease level is much more similar than the first partition step. The results imply that partition based on the weather and elevation factors is feasible and the partition result is potential to be the basic unit in the disease forecast process.

winter wheat; stripe rust; partition; forecast

10.7621/cjarrp.1005-9121.20160431

2015-03-06

高建孟(1986—)，男，山東濱州人，碩士研究生。研究方向：病蟲害預測預報與昆蟲生態(tài)?！ㄓ嵶髡撸焊哽`旺(1966—)，男，山西寧武人，副教授、博士生導師。研究方向：植保信息技術、病蟲害預測預報與昆蟲生態(tài)。Email：lwgao@cau.edu.cn

國家科技支撐計劃“主要農作物病害遙感監(jiān)測與評價技術研究”(2012BAH29B00)

F301.2； S512.1+1； S435.121.4+2

A

1005-9121[2016]04-0184-08