一种小麦赤霉病发生预警模型的预测方法

1.本发明属于植物病虫害预测预报方法技术领域，具体地说，涉及一种小麦赤霉病发生流行程度的预警模型和预测方法。


背景技术：

2.小麦一直以来都是我国栽培种植的主要粮食作物之一，小麦赤霉病是小麦生产中的重要病害，不仅严重影响小麦的产量，而且严重影响小麦综合品质，引起小麦籽粒干瘪，出粉比例降低，更能产生don毒素危害人体健康。国内外对小麦赤霉病流行的原因和防治方法研究较多，如赤霉病大流行的基本天气条件研究分析、流行特征及影响因子研究、化学药剂对小麦赤霉病的防治效果研究等已有诸多报道，但小麦赤霉病的流行仍未得到有效控制，如20 12年我国长江中、下游地区，小麦赤霉病大流行。
3.近年来，随着小麦种植栽培体制的变革，水肥基本条件的进一步完善，中矮秆类型品种的大面积推广、栽培有效密度的进一步提升，播种期提前，以及自然气候条件等影响因素的改变，小麦赤霉病病情连年加重。目前对小麦赤霉病的防控仍以化学防治为主要措施，多地均实施药剂预防为主，根据气象条件适时喷药补防，造成了一定的化学农药施用的盲目性。因此，加强小麦赤霉病发生流行程度的预测预报研究，提高预测预报的准确性，根据预测预报结果展开小麦赤霉病的精准施药预防，可以大大减少小麦赤霉病防治化学农药的施用，减少化学农药对麦田生态环境的影响，降低农户生产成本，对小麦高产、优质、高效可持续生产具有重要意义。
4.小麦赤霉病的预测预报区域性强，其它地区已经建立的预测预报模型不能直接应用于本区域。通过该研究模型不仅弥补了针对巢湖市特定区域的小麦赤霉病预测模型的空白，还对小麦赤霉病进行定量预测，其时效性比常规预报大有提前，提高了预测的准确率、时效性和实用性，为开展大面积病害防治提供了科学依据。


技术实现要素：

5.1、要解决的问题
6.针对上述现有技术存在的问题，本发明提供一种小麦赤霉病发生预警模型的预测方法，以上年10月下旬至当年2月下旬平均相对湿度、上年10月下旬至当年2月下旬雨湿日光系数、上年11月至当年2月降雨量、上年5月至9月日照时数作为预测因子，采用加权列联表分析法建立的小麦赤霉病流行程度预报模型，在3月初对小麦赤霉病流行程度作出长期预报，为指导大面积的防治提供可靠依据。通过对预报模型进行验证，历史吻合度均达100.0％，利用此方法对2020年-2021年小麦赤霉病的流行程度进行了验证，结果与实际相吻合。应用该方法可于防治适期前50-60d(3月初)对小麦赤霉病流行程度作出长期预报，且所选取的预测因子均为前期实况气候因子，大大提高预报的准确性，为指导大面积的防治提供可靠依据。
7.2、技术方案
的3
×
4列联表如下表所示：
[0042][0043]
需要说明的是，预测量y的确定。比较p1、p2
……
pk的大小，最大pk值所对应的yk 即为小麦赤霉病流行预报值。
[0044]
上述所述的小麦赤霉病发生预警模型的预测方法中，
[0045]
步骤(1)中所述的雨湿日光参数为上年10月下旬至当年2月下旬的雨日
×
降雨量
×
平均相对湿度/日照时数。
[0046]
上述所述的小麦赤霉病发生预警模型的预测方法中，
[0047]
步骤(3)中所述的小麦赤霉病预警模型为以小麦赤霉病发生不同程度yi的出现频率pi为因变量，筛选出随机系数ci不低于0.5的预测因子x，采用加权列联表分析法并运算列联参数θi，以预测因子的随机系数c和列联参数θ为自变量，建立小麦赤霉病发生不同程度出现频率运算模型p＝∑(ci×
θi)，小麦赤霉病发生程度yi对应于max(pi)。
[0048]
上述所述的小麦赤霉病发生预警模型的预测方法中，
[0049]
步骤(3)中所述的小麦赤霉病预警模型的使用方法为根据田间菌源量情况采用对应的预测因子的随机系数c和列联参数θ。
[0050]
上述所述的小麦赤霉病发生预警模型的预测方法中，
[0051]
步骤(3)中所述的小麦赤霉病预警模型应用在3月初对小麦赤霉病流行程度作出长期预报并指导大面积的防治提供可靠依据。
[0052]
上述所述的小麦赤霉病发生预警模型的预测方法中，相关程度采用x2值进行检验，并用各测报因子的x2值计算各测报因子x的随机系数c；
[0053]
步骤(3)中所选预测因子与小麦赤霉病预报量相关程度的检验如下：
[0054][0055]
式(i)中，
[0056]nik
实际频数，为理论频数。
[0057]
上述所述的小麦赤霉病发生预警模型的预测方法中，
[0058]
同时，又如式(ii)所示，
[0059][0060]
式(ii)中，
[0061]
c为随机系数，c＞0.5，即表示相关程度好。
[0062]
利用本发明的小麦赤霉病预警模型和预测方法，对安徽省巢湖市2003-2021年小麦赤霉病发生流行情况进行了预测，并将预测量与实际发生情况进行了对比，预测量与实际发生情况吻合率达100％。2003年～2011年θik值及c值分别计算；2012年～2021年θik值及c值分别计算，结果如下表所示：
[0063]
[0064][0065]
注：“√”代表提前预报和实况满足，
“×”
代表预回报和实况不满足。
[0066]
3、有益效果
[0067]
相比于现有技术，本发明的有益效果为：
[0068]
在本发明中，雨湿条件相对固定的环境条件，温度就会成为赤霉病发生和流行的重要因素，即只有达到赤霉病发生的环境温度时，赤霉病菌才能萌发侵染，并且随着温度的升高，植被病害的产生作用程度会逐步加重。本发明应用加权列联表分析研究方法而成立的赤霉病发生提前预报系统，可以充分全面的利用当地数据实况，有效保障了测报量的准确性，并且运算方法简单，时效性强，应用本发明的小麦赤霉病预警模型，可以在赤霉病的防治适期前的50.0-60.0天(三月初)就可以展开提前预报。本发明研究分析应用加权列联表分析研究方法，所建立的赤霉病流行程度提前预报系统，在充分全面、实际地使用各地的病情和自然气象参考资料的基础上，实现了赤霉病的定性提前预报和定量提前预报相融合，进一步提升了预报质量。小麦赤霉病致害病菌广泛存在于土壤和绿色植物残体上，稻麦连作区以稻桩上潜存的致害病菌数目为主。最近几年以来，由于耕作栽培措施的不断调整，免耕实际有效面积的逐步扩增，秸秆的全量还田，尤其是田间的稻桩储存总量大，如果在田间秸秆得不到合理有效的填埋和清理，就会给赤霉病病菌的生长提供了十分有利寄主条件，但是在小麦赤霉病的发生和盛行中，菌源量的充足与否一直都是致害病菌产生的必要保障条件，菌源量越充分，病害流行程度就会越强。本发明的小麦赤霉病预警模型和测报方法是在充分考虑田间菌量不同的情况下进行的，根据安徽省秸秆还田情况(即田间菌源量情况)，以2011年为界，分别对2003年～2011年和2012年～2019年进行了列联参数θ
·
jik
和
测报因子x的随机系数c的计算和模拟，大大提高了测报的准确度。
具体实施方式
[0069]
下面结合具体实施例对本发明进一步进行描述。
[0070]
小麦一直以来都是巢湖市栽培种植的主要粮食作物之一，常年种植栽培面积在23-28万亩。小麦赤霉病不止可以严重影响小麦的生产总量，对其综合品质也存在巨大的影响作用。小麦感染赤霉病之后，不单单小麦籽粒干瘪，出粉比例减少。更加严重的是，赤霉病病原真菌能产生一类don病毒素，会造成急性中毒病害症状，严重的时候，还会引发出血，进而对人类的免疫力与生育力形成直接影响干扰到，进而对人体健康组成严重危害。所以，在小麦的收获里一旦病麦比例有效含量实现4.0％及其以上的时候，就不可以再食用，需要另作全面处理。总而言之，小麦感染赤霉病之后，不单单直接影响干扰到生产总量，并且严重影响综合品质，更会因病毒素矛盾问题引发社会大众恐惧害怕，所以寻求防护治理小麦赤霉病的模式势在必行。
[0071]
通过本研究构建的小麦赤霉病预测模型主要是为了能够科学有效的指导巢湖市本地域范围的种植大户在遇到赤霉病的发生时能够科学有效的进行预防，本研究结果可以直接运用到生产工作中，实实在在的为种植大户的种植生产提供有效帮助。同时小麦赤霉病预测模型的成功构建和使用，也可以通过举一反三，将此模型运用到其他病虫害的预测预报中，在此模型的构建中遇到的难题和得到的有用价值都可以在其他模型的构建上提供帮助。这对于促进巢湖市病虫害监测预警系统平台的完善和加强病虫害绿色防控模式的建立都有着很好的意义。
[0072]
实施例1
[0073]
资料的收集与整理
[0074]
(1)小麦赤霉病病情参考资料和自然气象参考资料收集整理。小麦赤霉病的病情数据来源于巢湖市植保站的调查数据，气象数据来源于安徽省巢湖市气象局。收集整理全市2003至 2019年小麦赤霉病病情参考资料，包括上年10月下旬至当年2月下旬平均相对实际湿度、雨湿日光参数(雨日
×
降雨量
×
平均相对实际湿度/光照时数)，上年11月至当年2月降雨量，上年5月至9月光照时数等参考资料。
[0075]
(2)小麦赤霉病病情参考资料和自然气象参考资料整理。选择病情稳定期各种类型田块加权平均病穗比例(0％)，作为小麦赤霉病盛行水平的提前预报量y，选择上年10月下旬至当年2月下旬平均相对实际湿度是x1、上年10月下旬至当年2月下旬雨湿日光参数x2，上年11月至当年2月降雨量是x3，上年5月至9月光照时数是x4.具体信息数据，详见表1。
[0076]
表1赤霉病预报量(y)与预报影响因子(x)的初始参考资料
[0077][0078]
资料分析方法
[0079]
(1)初始参考资料分级把各预报影响因子x与测报量y展开分级，其分级参考标准，具体见下表2，分级结果见表3。
[0080]
表2资料分级标准
[0081][0082]
注：提前预报量的1、2、3级依次代表盛行作用程度为轻度、中度、重度。
[0083]
表3原始资料分级结果
[0084]
[0085][0086]
(2)加权列联表分析研究方法展开研究分析
[0087]
应用加权列联表分析研究方法对赤霉病盛行作用程度展开长时间预计。按照表4储存格式，列举出y与xj的3
×
4单影响因子列联表。
[0088]
表4单因子列联表格式
[0089][0090]
注：
①
j表示因子x的序号，j＝1，2，3，
…
m，m＝4。
[0091]
②
r、i、s依次是x、y的最高等级；i、k依次是x、y的等级编号，i＝1，2
…
s，本次研究分析里r＝s＝3。
[0092]
③njik
是提前预报影响因子j位于i级，相对应y位于k级的频次，例如n
112
是x1是1级，相对应y 是2级时产生的频次。n是总频次，n
.k
与n
i.
依次是y在k级，x在i级的频次和。
[0093]
(3)x2检验所选因子与预报量相关程度用x2进行检验，并用各因子x2值计算各因子x 的随机系数c，公式如下：
[0094][0095]
式中n
ik
实际频数，为理论频数
[0096][0097]
(4)加权列联系数与pk运算运算加权列联系数与pk，做出提前预报
[0098]
列联参数
[0099]
式中为出现的条件频率，为yk出现时的条件频率
[0100][0101]
结果与分析
[0102]
初始参考资料分级最终结果参考依据表2的分级参考标准，对2011年秸秆全面还田前后初始参考资料依次展开分级，最终结果，具体见下表5、表6。
[0103]
单影响因子相关分析参考依据表5、表6的分级参考标准，按照表3的储存格式，列举出y与xj的3
×
4单影响因子列联表(表7、表8)。
[0104]
表5 2003年至2011年的气象预报因子的平均相对实际湿度(x1)、雨湿日光参数(x2)、降雨量(x3)与光照时数(x4)分级最终结果
[0105][0106]
表6 2012年至2019年的气象预报因子平均相对实际湿度(x1)、雨湿日光参数(x2)、降雨量(x3)与光照时数(x4)分级最终结果
[0107][0108][0109]
表7 2003年至2011年气象预报因子的相对实际湿度(x1)、雨湿日光参数(x2)、降雨
量(x3)与光照时数(x4) 的3
×
4列联表
[0110][0111]
表9 2003年至2011年的平均相对实际湿度(x1)、雨湿日光参数(x2)、降雨量(x3)与光照时数 (x4)单因子相关检验结果
[0112][0113]
表8 2012年至2019年气象预报因子的相对实际湿度(x1)、雨湿日光参数(x2)、降雨量(x3)与光照时数(x4)的3
×
4列联表
[0114]
[0115][0116]
表10 2012年至2019年平均相对实际湿度(x1)、雨湿日光参数(x2)、降雨量(x3)与光照时数(x4) 的单因子相关检验结果
[0117][0118]
x2检测与各个影响因子x的随机参数c参考依据运算方程式(1)与(2)，把所选影响因子和提前预报量之间的有关作用程度用x2检测法，在列联表上作检测，之后用各个影响因子的x2数值再运算不相同影响因子的随机参数c，并且把检测最终结果填入表9、表10。c数值愈大，表明某个影响因子和提前预报量之间的有关作用程度愈好；相反，则越差。一般认为，c＞0.5，即表示相关程度好。根据表9、表10可以得知，所选四个影响因子的c数值都高于0.5，说明关联性非常好。(df＝8)。
[0119]
运算列联表系数与pk参考依据运算方程式(3)，由列联表(表7、表8)求算列联系数表8)求算列联系数数值愈大，xj是i级y位于k级产生的概率就愈大。提前预报的时候，可以按照各预计影响因子的产生等级，从下表7、表8与表9、表10里检测出数值与cj数值，带入运算方程式(4)求pk，选取为pk最高的y级(p
主
)为核心主要可能态作提前预报数值，其次的p
次
是次可能态。如果p
次
和p
主
的有效数值相近，则应该思考p
次
对p
主
的补充说明影响作用，而对提前预报数值做出合适修改调配。以2010年的参考资料为实践案例，已经知道 x1＝1，x2＝3，x3＝3，x4＝2，查阅报表7与表9，当y＝1级时，p1＝0.6802
×
1.67 0.5664
×ꢀ
0.67 0.6115
×
1.25 0.5664
×
1.25＝2.987797。依次，y＝2、3级时的加权列联参数和为p2＝0.880534、p3＝1.613975。比较各级pk值，以p1值最大，查阅报表3可以得知，提前预报 2010年是1级，也就是轻度流行，赤霉病穗比例是低于15.0％。真实病穗比例是6.230％，和提前预报最终结果一
致。
[0120]
预测效果检验根据上述预报体系，对2003～2011年和2012～2019年小麦赤霉病盛行作用程度展开提前预报，并且把最终结果和实况对比，列于表11、表12。表11提出，提前预报实验模型对巢湖市2003年至2011年九年来，小麦赤霉病流行程度的提前预报吻合比例达100.0％，表12提出，预报模型对巢湖市2012-2019年八年来小麦赤霉病流行程度的提前预报和实况完全相匹配，吻合比例达100.0％。有时会出现某一年度的提前预报较较真实水平低1级，可用 p
次
对p
主
展开补充说明。
[0121]
通过对此测报体系运用到巢湖市2020年-2021年的小麦赤霉病流行程度进行验证性预报(表13)显示，对这两年的预测结果和实际发生调查情况完全吻合，说明该预测模型可以很好的指导全市种田大户小麦赤霉病的预防工作。
[0122]
表11 2003～2011年巢湖市小麦赤霉病预测程度可靠性验证结果
[0123][0124]
注：“√”代表提前预报和实况满足，
“×”
代表预回报和实况不满足。
[0125]
表12 2012～2019年巢湖市小麦赤霉病预测程度可靠性验证结果
[0126][0127][0128]
注：“√”代表提前预报和实况满足，
“×”
代表预回报和实况不满足。
[0129]
表13巢湖市2020年-2021年小麦赤霉病预报合理性验证结果
[0130][0131]
注：“√”代表提前预报和实况满足，
“×”
代表预回报和实况不满足。
[0132]
结论与讨论
[0133]
(1)小麦赤霉病致害病菌广泛存在于土壤和绿色植物残体上，稻麦连作区以稻桩上潜存的致害病菌数目为主。最近几年以来，由于耕作栽培措施的不断调整，免耕实际有效面积的逐步扩增，秸秆的全量还田，尤其是田间的稻桩储存总量大，如果在田间秸秆得不到合理有效的填埋和清理，就会给赤霉病病菌的生长提供了十分有利寄主条件，但是在小麦赤霉病的发生和盛行中，菌源量的充足与否一直都是致害病菌产生的必要保障条件，菌源量越充分，病害流行程度就会越强。例如巢湖市在2009年和2012年气象条件基本相同的条件下，2012 年已经实施秸秆全量还田，田间菌量相比2009年大幅增加，所以2012年小麦赤霉病为重度流行，2009年小麦赤霉病则为轻度流行。所以本研究模型是在充分考虑田间菌量不同的情况下，对秸秆全量还田前后的预测模型分别进行了探讨。
[0134]
(2)在雨湿条件相对固定的环境条件下，温度就会成为赤霉病发生和流行的重要因素，即只有达到赤霉病发生的环境温度时，赤霉病菌才能萌发侵染，并且随着温度的升高，植被病害的产生作用程度会逐步加重。应用加权列联表分析研究方法而成立的赤霉病发生提前预报系统，可以充分全面的利用当地数据实况，并且运算方法简单，提前预报作用效果好。应用此模式，可以在赤霉病的防治适期前的50.0-60.0天(三月初)就可以展开提前预报。与此同时，所选用的提前预报影响因子都是前期的实况自然气候影响因子，提前预报确定性充分提升，对高效辅助小麦赤霉病的大范围防控治理，供应了可靠的参考依据。
[0135]
(3)小麦赤霉病是一类十分通常所见并且经典的自然气候型植被病害，对于它的预计提前预报，每1年都存在大量参考资料。举例，韩长安参考依据赤霉病生物学特点，观测了赤霉病子囊孢子产生的特征，包括实际温度、土壤实际湿度对子囊壳的影响作用等，明确了赤霉病产生的重要严重影响因子，定制了赤霉病病穗比例，预计实验模型与病情系数预计实验模型；左豫虎等使用有关研究分析、多元回归研究分析与逐渐回归等模式，成立了黑龙江省春小麦赤霉病盛行的预计实验模型。但是因为赤霉病预计提前预报模式的地区性非常强，以上已成立的预计提前预报实验模型并不可以直接应用在本市。本次研究分析应用加权列联表分析研究方法，所成立的赤霉病盛行提前预报作用程度系统，不单单充分全面、实际地使用各地的病情和自然气象参考资料，并且使赤霉病的定性提前预报和定量提前预报相融合，提升了提前预报方式与提前预报质量。使用这个实验模型对赤霉病展开定量提前预报，其高效性较普通定量提前预报，并且运算方法简单，提前预报作用效果满意。
[0136]
(4)由于巢湖市这个区域的自然生态环境条件相对比较独特，位于自然气候改变
过渡转化区，受自然气候基本条件严重影响比较多，从而，农作物病害的产生发展和流行趋势相对比较复杂，植被病害预计也比较困难和麻烦，假如采用的措施手段不准确、防护治理不及时、不到位，就会导致小麦的严重减产，给夺取夏粮丰收目标的创造造成严重阻碍，除此之外，不相同区域的自然生态环境条件与自然气候基本条件明显不相同，种植栽培的品种类型又受当地自然生态环境条件严重影响比较多，所以通过前文的分析研究构建出巢湖市本地域的小麦赤霉病预测模型，通过加权列联表分析法对相关因素进行准确预测，这个分析研究具备显著的地区性，分析研究最终结果在其他区域使用时候的对应性、实用性等将受到一定局限。
[0137]
(5)截至当前，在植被病害的预计提前预报里，多把植被病害的盛行作用程度区别为五个等级的不相同作用程度，但是在植被病害的长时间提前预报里，把植被病害的盛行作用程度划分为轻度、中度、重度三个等级更加科学合理，提前预报也更精确。加权列联表分析研究方法在应用在预计昆虫生物种群产生实时动态的分析研究公开发布非常多，在植被病害盛行作用程度上的预计公开发布比较少。
[0138]
(6)由于受到前期资料收集水平的影响，本文的研究仍存在一些不足，本文主要选取的病穗率数据是全市各类型田病情稳定期的加权平均整体数据，在建模时没有充分考虑到品种抗病性之间的差异情况，在今后的数据收集上可以考虑筛选出同一种植环境，各个品种之间的样本数据，建立不同品种间的预测模型，这些问题将在以后的研究中进一步完善并且实验模型的实际性，还需要在使用过程中作进一步修改调整、补充说明与完善改进。
[0139]
以上内容是结合具体实施方式对本发明作进一步详细说明，不能认定本发明具体实施只局限于这些说明，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明的构思的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明所提交的权利要求书确定的保护范围。