邢瑜琪,周 佳,黃衛(wèi)利,王軍娟,劉美艷,胡小平

(1. 西北農(nóng)林科技大學(xué) 植物保護(hù)學(xué)院/農(nóng)業(yè)農(nóng)村部黃土高原作物有害生物綜合治理重點實驗室,陜西楊凌 712100;2. 渭南職業(yè)技術(shù)學(xué)院,陜西渭南 714000;3. 西安黃氏生物工程有限公司,西安 710065;4. 江蘇師范大學(xué) 生命科學(xué)學(xué)院/江蘇省藥食植物生物技術(shù)國家重點實驗室培育點,江蘇徐州 221116;5. 江蘇師范大學(xué) 生命科學(xué)學(xué)院,江蘇徐州 221116)

小麥赤霉病是由多種鐮刀菌引起的一種流行性病害,常造成小麥減產(chǎn)40%～60%,甚至絕收[1-3],更為嚴(yán)重的是小麥發(fā)病籽粒中產(chǎn)生的多種真菌毒素嚴(yán)重威脅人畜健康,影響食品安全。近年來,由于氣候變化、栽培制度及耕作模式的變革,小麥赤霉病在中國呈北擴(kuò)西移態(tài)勢,發(fā)生面積逐年擴(kuò)大,為害日益嚴(yán)重[4-5],年均發(fā)生面積高達(dá)436.83萬hm2[6]。

中國稻麥輪作區(qū)小麥種植面積約為9×106～13×106hm2[7-8],主要分布于長江中下游地區(qū)[9]。其中,江蘇省分布面積約為120萬 hm2,在稻麥輪作模式中有著極其重要的地位[10]。江蘇省小麥種植區(qū)以蘇北灌溉總渠為界分為淮北、淮南和沿淮麥區(qū)[11]。據(jù)統(tǒng)計,2010年以來,江蘇省小麥赤霉病呈高發(fā)趨勢,2010、2012和2016年均為重度發(fā)生,2013至2015年中的其余年份均為中度發(fā)生[12]。

小麥赤霉病擴(kuò)展迅速,防治周期短,確定其最佳防治時間,對保障小麥的增產(chǎn)穩(wěn)產(chǎn)至關(guān)重要,對小麥赤霉病進(jìn)行科學(xué)準(zhǔn)確的預(yù)測預(yù)報是有效防控的前提和基礎(chǔ)。目前,有關(guān)小麥赤霉病預(yù)測模型的主要研究方法有普通回歸分析、神經(jīng)網(wǎng)絡(luò)和灰色系統(tǒng)等。BP 神經(jīng)網(wǎng)絡(luò)是基于誤差反向傳播算法的多層前饋型神經(jīng)網(wǎng)絡(luò),因其使用方案簡潔、易被理解、訓(xùn)練能力強(qiáng)等優(yōu)勢,近年來被廣泛普及應(yīng)用[13]。胡小平等[14]創(chuàng)建了植物病蟲害 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測系統(tǒng),該系統(tǒng)提供的預(yù)測結(jié)果與實際結(jié)果高度一致;Feng等[15]利用人工神經(jīng)網(wǎng)絡(luò)中的多光譜成像技術(shù)診斷黃瓜病蟲害,結(jié)果表明該技術(shù)具有較高的準(zhǔn)確度。

當(dāng)前國內(nèi)外已構(gòu)建多個小麥赤霉病預(yù)測模型,De Wolf等[16]根據(jù)揚(yáng)花期前后的氣象因子構(gòu)建了小麥赤霉病的預(yù)測模型并成功建立了赤霉病風(fēng)險預(yù)測系統(tǒng),該系統(tǒng)預(yù)測準(zhǔn)確度達(dá)到75%;Madgwick等[17]通過對英國14個站點1960-1990年的氣象因子數(shù)據(jù)和小麥赤霉病發(fā)病率數(shù)據(jù)進(jìn)行分析,建立了 Logistic 回歸模型,并對未來50a內(nèi)美國小麥赤霉病發(fā)病情況進(jìn)行了預(yù)測;劉志紅等[18]建立了四川資中小麥赤霉病 BP 神經(jīng)網(wǎng)絡(luò)模型,結(jié)果表明,模型擬合與預(yù)報精度都優(yōu)于多元線性回歸模型;趙超越等[19]基于遺傳算法優(yōu)化的 BP 神經(jīng)網(wǎng)絡(luò)建立了小麥赤霉病的氣象預(yù)報模型,模型平均預(yù)報精度可達(dá)99%。張文軍[20]根據(jù)氣象、菌源等因子建立了關(guān)中地區(qū)小麥赤霉病預(yù)測模型,張平平[21]在此基礎(chǔ)上對模型進(jìn)行優(yōu)化并研制了小麥赤霉病自動監(jiān)測預(yù)警系統(tǒng)。目前該系統(tǒng)已在陜西、河南、湖北、安徽、甘肅等多個小麥種植省推廣應(yīng)用。該預(yù)測模型中的初始菌源量為單位面積的玉米秸稈帶菌率,而稻麥輪作區(qū)小麥赤霉病的初侵染源主要是田間水稻稻樁和根茬上越冬的病原菌,因此系統(tǒng)對稻麥輪作區(qū)小麥赤霉病預(yù)測準(zhǔn)確度有一定的影響。此外,赤霉病的流行受氣候條件影響大,不同地區(qū)的生態(tài)及氣候有著顯著的差異,采用小生態(tài)區(qū)歷年相關(guān)數(shù)據(jù)對模型進(jìn)行不斷地改進(jìn)及優(yōu)化能大幅提高預(yù)測準(zhǔn)確度。因此,本研究采用 BP 神經(jīng)網(wǎng)絡(luò)算法以江蘇洪澤(蘇北)、姜堰(蘇中)、張家港(蘇南)田間初始菌源和歷年氣象因子為自變量,對赤霉病病穗率進(jìn)行預(yù)測,以期為稻麥輪作區(qū)小麥赤霉病的準(zhǔn)確預(yù)測與及時防控提供技術(shù)支撐。

1 材料與方法

1.1 數(shù)據(jù)來源

小麥赤霉病歷年發(fā)生情況及稻樁帶菌率均參考國標(biāo)GB/T15796-2011進(jìn)行調(diào)查,在小麥抽穗期調(diào)查稻樁帶菌率,小麥蠟熟期調(diào)查赤霉病病穗率,數(shù)據(jù)資料由江蘇省洪澤區(qū)(蘇北)、姜堰區(qū)(蘇中)、張家港市(蘇南)植保站提供。各地區(qū)歷年氣象數(shù)據(jù)從中國氣象數(shù)據(jù)網(wǎng)(http://data.cma.cn/)獲取,具體到小時氣溫、日照時數(shù)、降雨量、相對濕度等。

1.2 模型變量選取

選用小麥蠟熟期赤霉病病穗率作為因變量(Y),小麥播種期-抽穗揚(yáng)花期的平均相對濕度、日照時長、降雨量等氣象資料和田間稻樁帶菌率作為自變量(X),以旬為單位分組,采用逐步回歸分析法統(tǒng)計分析各變量因子與赤霉病病穗率的相關(guān)性,篩選出相關(guān)性系數(shù)較高的氣象因子。

1.3 BP 神經(jīng)網(wǎng)絡(luò)模型

編寫 Matlab(2020b)神經(jīng)網(wǎng)絡(luò)算法程序,輸入層由各地歷年初始菌源量和篩選的當(dāng)?shù)仃P(guān)鍵氣象因子構(gòu)成,輸入層與隱含層網(wǎng)絡(luò)連接的權(quán)值為 W1,節(jié)點閾值為 b1;隱含層包含 5 個神經(jīng)元節(jié)點,使用雙曲正切S型傳遞函數(shù) tansig 作為傳遞函數(shù)[f(x) = 2/(1+exp(-2*n)-1)];Matlab調(diào)用格式:A = tansig (N,FP));隱含層到輸出層的網(wǎng)絡(luò)連接權(quán)值為 W2,節(jié)點閾值為 b2,使用線性傳遞函數(shù) purelin 作為傳遞函數(shù)[f(x) = x;Matlab調(diào)用格式:A = purelin(N,FP)];設(shè)置最大訓(xùn)練次數(shù)為 50 000,訓(xùn)練目標(biāo)精度為 0.000 1,輸出層為小麥蠟熟期赤霉病的病穗率。

1.4 模型準(zhǔn)確度評價

將田間調(diào)查小麥赤霉病實際病穗率與系統(tǒng)預(yù)測病穗率按照國家標(biāo)準(zhǔn)GB/T15796-2011進(jìn)行流行等級劃分:即病穗率(DF)≤0.1%,0級,不發(fā)生;0.1%40%,5級,大發(fā)生。采用肖悅巖[22]的最大誤差參照法評估系統(tǒng)預(yù)測準(zhǔn)確度:

式中,R:預(yù)測準(zhǔn)確度;Fi:預(yù)測流行等級;Ai:實際流行等級;Mi:第i次預(yù)測的最大參照 誤差。

2 結(jié)果與分析

2.1 模型變量的篩選

2.1.1 洪澤地區(qū)變量篩選 以小麥蠟熟期赤霉病病穗率作為因變量 (Y),以洪澤地區(qū) 2003-2017 年上年 12 月至當(dāng)年 3 月平均相對濕度、日照時長、降雨量等氣象資料和田間稻樁帶菌率作為自變量 (X),以旬為單位分組,計算各變量因子與赤霉病病穗率的相關(guān)性。最終選用稻樁帶菌率(X1,P=0.590)、1月中旬平均溫度(X2,P=0.048)、上年12月上旬平均溫度(X3,P= 0.049)、上年12月平均溫度(X4,P=0.018)、3月中旬平均相對濕度(X5,P=0.023)、3月平均相對濕度(X6,P= 0.016)、2月下旬平均日照時長(X7,P=0.014)、3月上旬平均日照時長(X8,P=0.006)、3月中旬平均日照時長(X9,P= 0.049)和3月平均日照時長(X10,P=0.015)作為預(yù)測模型的自變量(表1)。

表1 洪澤地區(qū)模型參數(shù)及其含義Table 1 Parameters in model and their meanings for Hongze region

2.1.2 姜堰地區(qū)變量篩選 以小麥蠟熟期赤霉病病穗率作為因變量(Y),以姜堰地區(qū) 2001-2018 年上年 11 月至當(dāng)年4 月平均相對濕度、日照時長、降雨量等氣象資料和田間稻樁帶菌率作為自變量 (X),以旬為單位分組,統(tǒng)計分析各變量因子與赤霉病病穗率的相關(guān)性。最終選用稻樁帶菌率(X1,P=0.038)、3月中旬平均相對濕度(X2,P=0.049)、1月中旬平均降雨量(X3,P=0.032)、2月下旬平均降雨量 (X4,P=0.045)、 3月平均降雨量(X5,P=0.025)、4月上旬平均降雨量(X6,P=0.032)、3月上旬平均日照時長(X7,P=0.036)、3月中旬平均日照時長(X8,P=0.029)、上年11月平均日照時長(X9,P=0.045)、上年12月上旬平均日照時長(X10,P=0.014)和上年12月平均日照時長(X11,P= 0.014)作為預(yù)測模型的自變量(表2)。

2.1.3 張家港地區(qū)變量篩選 以小麥蠟熟期赤霉病病穗率作為因變量(Y),以張家港地區(qū) 2005-2020 年上年 11 月至當(dāng)年 3 月平均相對濕度、日照時長、降雨量等氣象資料和田間稻樁帶菌率作為自變量(X),以旬為單位分組,統(tǒng)計分析各變量因子與赤霉病病穗率的相關(guān)性。最終選用稻樁帶菌率(X1,P=0.459)、3月上旬降水量(X2,P=0.003)、3月上旬平均日照時長(X3,P= 0.032)、上年11月上旬平均降水量(X4,P= 0.040)、上年11月中旬平均降水量(X5,P= 0.009)、上年11月平均日照時長(X6,P= 0.003)和上年12月上旬平均降水量(X7,P=0)作為預(yù)測模型的自變量(表3)。

表3 張家港地區(qū)模型參數(shù)及其含義Table 3 Parameters in model and their meanings for Zhangjiagang region

2.2 模型的建立與驗證

2.2.1 洪澤地區(qū) 將“2.1.1”中的變量因子作為神經(jīng)網(wǎng)絡(luò)算法的輸入層,當(dāng)年赤霉病病穗率作為輸出層。以2003-2017 年的調(diào)查數(shù)據(jù)作為訓(xùn)練集,預(yù)測 2019-2021 年洪澤地區(qū)小麥赤霉病的病穗率依次為 7.29%、4.51% 和 10.90%,田間調(diào)查實際發(fā)生的赤霉病病穗率分別為 6.55%、 1.02% 和 2.70%,模型的預(yù)測準(zhǔn)確度為 91.67%(表4)。

表4 洪澤BP神經(jīng)網(wǎng)絡(luò)模型測試集預(yù)測值與實際值Table 4 Predicted and actual values of Hongze BP neural network model test set

2.2.2 姜堰地區(qū) 將“2.1.2”中的變量因子作為神經(jīng)網(wǎng)絡(luò)算法的輸入層,當(dāng)年赤霉病病穗率作為輸出層。以2001-2018 年的調(diào)查數(shù)據(jù)作為訓(xùn)練集,預(yù)測 2019-2022 年姜堰地區(qū)小麥赤霉病的病穗率依次為 4.02%、11.17%、3.80% 和 7.18%,田間實際發(fā)生的赤霉病病穗率分別為 2.67%、14.97%、9.50% 和 5.31%,模型的預(yù)測準(zhǔn)確度為100%(表5)。

表5 姜堰BP神經(jīng)網(wǎng)絡(luò)模型測試集預(yù)測值與實際值Table 5 Predicted and actual values of Jiangyan BP neural network model test set

2.2.3 張家港地區(qū) 將“2.1.3”中的變量因子作為神經(jīng)網(wǎng)絡(luò)算法的輸入層,當(dāng)年赤霉病病穗率作為輸出層。以2006 -2018年的調(diào)查數(shù)據(jù)作為訓(xùn)練集,預(yù)測 2019-2022 年洪澤地區(qū)小麥赤霉病的病穗率依次為 3.85%、1.02%、21.00% 和 3.93%,田間實際發(fā)生的赤霉病病穗率分別為 3.74%、0.32%、25.90% 和 9.40%,模型的預(yù)測準(zhǔn)確度為100%(表6)。

表6 張家港BP神經(jīng)網(wǎng)絡(luò)模型測試集預(yù)測值與實際值Table 6 Predicted and actual values of Zhangjiagang BP neural network model test set

3 討 論

小麥赤霉病的發(fā)生受到初始菌源量、氣候條件、品種特性與栽培耕作方式等多種因素的影響[23-24]。Moschini等[25]基于氣象數(shù)據(jù)建立了阿根廷佩爾加米諾的小麥赤霉病發(fā)病率模型,結(jié)果表明模型可以準(zhǔn)確預(yù)測赤霉病發(fā)病率;Brennan等[26]通過對小麥8個品種進(jìn)行溫度敏感性試驗得出溫度的變化對小麥赤霉病發(fā)生的影響比較大;Rossi等[27]結(jié)合孢子量和相關(guān)氣象系統(tǒng)分析建立了小麥赤霉病風(fēng)險分析模型;陳將贊等[28]對天臺縣小麥赤霉病歷史發(fā)病情況與氣象資料進(jìn)行分析,建立的赤霉病預(yù)測模型預(yù)測準(zhǔn)確率為 79.1%。李富占等[29]運(yùn)用逐步回歸方法建立了河南新野縣病穗率預(yù)測模型,回驗準(zhǔn)確率達(dá) 96.3%;本課題組前期建立了玉米-小麥輪作區(qū)赤霉病預(yù)測模型,并在長江流域及黃淮沿淮麥區(qū)6個縣(市)開展了小麥赤霉病物聯(lián)網(wǎng)實時監(jiān)測預(yù)警技術(shù)試驗,結(jié)果表明,該技術(shù)對赤霉病發(fā)生程度的預(yù)測準(zhǔn)確度在黃淮沿淮麥區(qū)平均為84.3%,高于長江流域的50%;對病穗率的預(yù)測準(zhǔn)確度在黃淮麥區(qū)平均為86.8%,高于長江流域的73.0%。模型對黃淮及沿淮麥區(qū)小麥赤霉病的短期預(yù)測效果較好。其原因主要是模型中的秸稈帶菌量參數(shù)以玉米秸稈為基準(zhǔn),更適用于黃淮麥區(qū)玉米茬口的小麥赤霉病發(fā)生流行特點[30]。

稻麥輪作模式在江蘇省有著極其重要的地位,本研究以江蘇省不同生態(tài)區(qū)的小麥赤霉病為研究對象,以小麥赤霉病病穗率、田間稻樁帶菌率和關(guān)鍵氣象因子數(shù)據(jù)為基礎(chǔ),使用BP神經(jīng)網(wǎng)絡(luò)建立了稻麥輪作區(qū)小麥赤霉病預(yù)測模型,經(jīng)準(zhǔn)確度評價,蘇中與蘇南地區(qū)模型的預(yù)測準(zhǔn)確度均可達(dá)100%,蘇北地區(qū)模型的平均預(yù)測準(zhǔn)確度為 91.67%。值得關(guān)注的是,相同流行等級下的病穗率可能存在一定差異,例如2022年張家港地區(qū)預(yù)測病穗率與實際病穗率分別為9.40%和3.93%(均屬于1級輕發(fā)生),然而二者對于小麥產(chǎn)量和品質(zhì)的影響可能不同,未來會對模型進(jìn)一步優(yōu)化,提高模型精準(zhǔn)度。此外,小麥赤霉病的發(fā)生還與寄主抗性、耕作措施等因素密切相關(guān),本研究僅分析了稻樁帶菌率和氣象條件對小麥赤霉病病穗率的影響,在未來的研究中,可全面分析不同因素對赤霉病病穗率的影響,進(jìn)一步提高預(yù)測模型的準(zhǔn)確度和穩(wěn)定性。