水稻稻曲病氣象等級預報模型及集成方法

徐敏+高蘋+劉文菁+任義方+李玉佩

摘要：為了提前1個月預報出水稻稻曲病發(fā)生的氣象條件適宜程度，根據(jù)中長期預報原理，采用因子膨化滑動相關普查、空間拓撲和最優(yōu)相關技術，篩選出對綜合稻曲病指數(shù)影響最顯著的預報因子，分別構建基于氣象要素、海溫因子、大氣環(huán)流指數(shù)的預報模型，并對3種模型的預報結果采用算術平均、加權平均和多元回歸方法進行集成。結果表明，建立的3種模型均通過了顯著性檢驗，預報效果較為理想，經(jīng)過集成后提高了單個模型的擬合精度和獨立樣本試報的準確性，其中多元回歸集成的效果更好。因此，建立的稻曲病預報模型可投入業(yè)務使用，預報結果將為稻曲病防治工作提供較為充足的時間。

關鍵詞：水稻；稻曲??；綜合指數(shù)；預報模型；集成方法；氣象要素；海溫因子；大氣環(huán)流指數(shù)

中圖分類號： S435.111.4+9文獻標志碼： A文章編號：1002-1302（2017）17-0095-04

通信作者：高蘋，研究員級高級工程師，主要從事應用氣象領域科研、業(yè)務和服務工作。Tel：（025）83287136；E-mail：gaoping5268@126.com。稻曲病病菌以菌核、厚垣孢子在土壤、稻種和其他基地或寄主上越冬，翌年當氣象條件適宜時萌發(fā)作為初侵染源侵染水稻，誘發(fā)病害[1]。國內(nèi)主要分布于長江中下游、西南、華南等地，通常在中晚稻上發(fā)生，近年來稻曲病呈現(xiàn)出發(fā)病范圍廣、發(fā)病頻率高及產(chǎn)量損失嚴重等趨勢[2]。該病危害水稻穗部，造成部分籽粒發(fā)病，一般每穗有1～5粒病粒，嚴重的可達 20～30粒。稻曲病發(fā)病后，不僅影響水稻產(chǎn)量，降低結實率和千粒質量，而且病原菌附著在稻米上污染谷粒，嚴重影響谷粒的品質[3]。在江蘇、浙江、云南等省該病已經(jīng)普遍發(fā)生，且連續(xù)幾年均較大規(guī)模流行，產(chǎn)量平均損失5%～10%，發(fā)病嚴重的田塊損失高于50%[4]。

稻曲病病菌在24～32 ℃發(fā)育良好，最適溫度為26～28 ℃，在水稻孕穗至抽穗揚花期適溫、多雨、日照少等條件均能促進該病的發(fā)生流行。因此，稻曲病與氣溫、降水、濕度、日照等氣象條件有著密切關系，是一種典型的氣象型病害[5]。關于氣象因子與稻曲病發(fā)生關系的基礎性研究，已有學者從病菌侵染循環(huán)過程、發(fā)生規(guī)律及其適宜環(huán)境因素等方面開展了一系列試驗，分析了有利于孢子散發(fā)的氣象條件，明確了水稻稻曲病流行的氣象條件，確定了對稻曲病發(fā)病程度具有決定作用的氣象因子[6-8]。由此可見，研究氣象條件對稻曲病的影響以及兩者之間的密切關系為稻曲病的預測提供了科學依據(jù)。根據(jù)已有的稻曲病促病指數(shù)，可利用短期的天氣預報進行稻曲病氣象等級的預測，但是預報時效非常有限，通常有效期只有3～7 d，預報時效短，不利于稻曲病防治工作的開展。另外，稻曲病在發(fā)生的初期很難被發(fā)現(xiàn)，等到肉眼可見穎片間夾著白色菌絲時，防治已為時已晚。因此，若能利用海溫、大氣環(huán)流等大尺度預報因子構建長期預報模型，提前1個月且較準確地預報出稻曲病發(fā)生程度的氣象等級，則可為防治提供較為充足的準備時間，提前制定稻曲病的防治策略，同時對保障糧食安全和提高農(nóng)民收入也具有十分重要的現(xiàn)實意義。

1材料與方法

1.1研究資料

（1）1978—2015年江蘇省72個氣象站的逐日氣象資料包括日降水量、日平均溫度、日平均相對濕度、日照時數(shù)；8個農(nóng)業(yè)氣象站1978—2015年水稻生育期資料、2005—2015年的水稻稻曲病觀測資料包括大面積普查的病穗率和發(fā)生面積，15個縣（市、區(qū)）2014、2015年的水稻稻曲病大田調(diào)查資料。這些資料用于計算綜合稻曲病指數(shù)。

（2）1981—2015年每年1月上旬至8月上旬（共22旬）每旬的氣溫、降水、日照、溫光指數(shù)（氣溫與日照的乘積）、雨日、雨強（每旬中降水總量除以降水日數(shù)）用于以氣象要素為預報因子構建綜合稻曲病指數(shù)預報模型；1978—2015年逐月的74項大氣環(huán)流指數(shù)（來自國家氣候中心）用于以大氣環(huán)流指數(shù)為預報因子構建綜合稻曲病指數(shù)的預報模型；1978—2015年太平洋海區(qū)（10°S～50°N、120°E～80°W）逐月的海表面溫度（來自美國大氣與海洋管理局網(wǎng)站https：//www.esrl.noaa.gov/psd/data/gridded/data.cobe.html），水平分辨率是5°×5°，共286個格點，用于以海溫為預報因子構建綜合稻曲病指數(shù)的預報模型。

1.2研究方法

針對江蘇省稻區(qū)，采用任義方等研究出的綜合稻曲病指數(shù)計算方法和氣象等級劃分標準[9]。本研究將分別以大氣環(huán)流指數(shù)、海溫、氣象要素為預報因子，分別構建綜合稻曲病指數(shù)的預報模型。為了獲得最佳預報因子，采用統(tǒng)一的處理方式，首先采用因子膨化滑動相關普查方法[10]以確定相關最顯著的時段，環(huán)流預報因子的普查時間是從上一年1月至當年7月，最大的滑動步長為3個月，氣象預報因子的普查時間是從當年1月上旬至當年8月上旬，最大的滑動步長為6個旬，海溫預報因子的選擇是從上一年1月至當年7月，通過空間拓撲法[11]篩選出空間相連格點≥4個的海區(qū)，計算此海區(qū)影響時段的海溫平均值作為1個海溫預報因子；其次采用最優(yōu)化技術[10]確定最佳預報因子；最后通過逐步回歸構建3種預報模型。

針對3種預報模型的預報結果，采用以下3種方法進行集成：

（1）算術平均集成

=（Z1+Z2+Z3）3。（1）

式中：Z1、Z2、Z3分別為3個預報模型的預報值；為算術平均集成后的預報值。

（2）加權平均集成

=（Z1R1+Z2R2+Z3R3）（R1+R2+R3）。（2）

式中：R1、R2、R3分別為3個預報模型的權重系數(shù)，本研究取各模型的復相關系數(shù)。

（3）多元回歸集成

=Z1α1+Z2α2+Z3α3+α0。（3）

式中：α1、α2、α3是以預報值為預報因子、綜合稻曲病指數(shù)的實際值為預報對象建立的多元回歸方程的系數(shù)；α0為常數(shù)。endprint

2結果與分析

2.1綜合稻曲病指數(shù)3種預報模型

運用以上研究方法，基于氣象要素、太平洋海溫、大氣環(huán)流指數(shù)分別建立了綜合稻曲病指數(shù)的預報模型?；跉庀笠亟⒌念A報模型為

Zqx=-0.536X1-0.437X2-0.168X3-0.294X4+12.587。（4）

式中：Zqx為水稻綜合稻曲病指數(shù)；X1、X2、X3、X4為經(jīng)過線性和非線性處理的氣象預報因子。計算公式和相關信息如表1所示。

數(shù)的預報模型中預報因子有7個，是不同顯著相關時段的北非副高面積指數(shù)、北半球區(qū)極渦面積和強度指數(shù)、歐亞緯向大氣環(huán)流指數(shù)、印緬槽等。從預報因子所處的影響時段可以看出，基于氣象要素的預報模型和基于大氣環(huán)流指數(shù)的預報模型在6月初就可以預報出綜合稻曲病指數(shù)；基于海溫的預報模型，由于預報因子中含有當年7月的預報因子，因此在8月初就可以預報出綜合稻曲病指數(shù)。

2.23種預報模型的擬合檢驗與模擬效果對比

3種模型的歷史擬合效果均通過了α=0.01的F檢查，模擬值與實際值的波動特征基本一致（圖1）。1981—2012年間，共有6年（1988、1990、1993、1999、2003、2008年）的實際綜合稻曲病指數(shù)≥11，即這6年的氣象條件均非常適宜稻曲病發(fā)病，基于氣象要素的預報模型準確地模擬出了其中3年（1990、1993、2008年）稻曲病氣象等級是非常適宜，1988、1999、2003年的模擬值分別為1093、10.81、10.55，對應的氣象等級為適宜稻曲病發(fā)病，比實際等級非常適宜低了1個等級。基于海溫因子的預報模型準確地模擬出了其中4年稻曲病氣象等級是非常適宜，1990、2008年的模擬值分別為1028、10.57，對應的氣象等級為適宜，比實際等級同樣低了1個等級?；诖髿猸h(huán)流指數(shù)的預報模型準確地模擬出了這6年的綜合稻曲病指數(shù)氣象等級。由此可見，基于大氣環(huán)流指數(shù)的預報模型對于非常適宜稻曲病發(fā)生的氣象等級預報性能更好一些。

復相關系數(shù)是度量一個變量與其他多個變量之間線性相關程度的指標，復相關系數(shù)越大，表明預報值與預報因子之間的線性相關程度越密切，公式（4）、公式（5）、公式（6）3種預報模型的復相關系數(shù)分別為0.836、0.891、0.926，表明基于大氣環(huán)流指數(shù)的預報模型中預報量與預報因子的線性程度最高，其次是基于海溫的預報模型。公式（4）、公式（5）、公式（6）模擬值的平均相對誤差分別為6.8%、5.8%、4.2%，說明基于大氣環(huán)流指數(shù)的預報模型模擬效果好于其他2種模型。

2.33種集成結果對比分析

根據(jù)“1.2”節(jié)中的3種集成方法，即公式（1）、公式（2）、公式（3）對3種預報模型進行預報集成，生成綜合稻曲病指數(shù)的集成結果。由圖2可知，經(jīng)與實際值對比，3種集成方法均對模擬效果有所改進，尤其是從20世紀90年代中期至2012年，集合后的模擬值變化曲線與實際值基本重合。算術平均集成、加權平均集成、多元回歸集成后的綜合稻曲病指數(shù)平均相對誤差分別為3.7%、3.6%、3.1%，說明對模型結果進行集成后的效果均好于單個模型的模擬效果，因此，對模型結果進行綜合集成是非常有必要的。在3種集成方法中，多元回歸集成的效果最好，其次是加權平均集成，算術平均集成的效果略差一些。

2.4預報模型的試報檢驗

利用2013—2015年的資料進行試報檢驗，結果（表4）表明，利用氣象因子構建的預報模型預報出的綜合稻曲病指數(shù)與實際值的誤差范圍是0.17～1.64，普遍比實際值大一些；利用大氣環(huán)流因子構建的預報模型誤差范圍是-0.62～163；利用海溫因子構建的預報模型試報結果誤差范圍是-0.47～002。從氣象等級的預報情況來看，基于氣象要素的預報模型和大氣環(huán)流指數(shù)的預報模型均準確預報出了2014—2015年的稻曲病氣象等級，但2013年的預報等級比實際氣象等級高1個等級；基于海溫因子的預報模型準確預報出了這3年的氣象等級。從集成情況來看，多元回歸集成后的氣象等級與實際等級均一致，效果好于加權平均和算術平均2種集成方式。

3結論與討論

水稻稻曲病發(fā)生程度與氣象條件密切相關，本研究根據(jù)中長期天氣預報原理，海溫的變化會引起大氣環(huán)流系統(tǒng)的改變[12]，從而影響到各地的氣象條件，而氣象條件的變化會影響稻曲病的發(fā)生發(fā)展，因此，以海溫因子、大氣環(huán)流指數(shù)、氣象要素為預報因子建立稻曲病氣象等級的預報模型是可行的，經(jīng)過擬合檢驗和試報檢驗，預報模型切實可行，可提前1個月預報出氣象等級，為提前準備稻曲病的防治提供了充足的時間，彌補了原有稻曲病氣象等級預報時效短的不足。

對3種預報模型的預報結果集成后的效果明顯好于單個模型，說明對預報結果進行集成十分重要，其中多元回歸集成的效果要好于算術平均和加權平均2種集成方式。

值得注意的是，本研究構建的稻曲病氣象等級預報模型，預報出的氣象等級與稻曲病發(fā)生流行實際等級可能會存在不一致的情形，因為實際田塊中的稻曲病除了受氣象條件影響外，還與水稻品種、播期、植株抗病能力、病原數(shù)量、氮肥施用量和施用時期等有關[13-14]。因此，在開展稻曲病的實際預報時，需要綜合考慮氣象因素、管理水平以及水稻本身的抗病能力。

參考文獻：

[1]陳永堅，肖炎農(nóng)，趙永靜. 稻曲病菌越冬厚垣孢子萌發(fā)力及其侵染力的研究[J]. 植物保護學報，1995，22（2）：102-106.

[2]舒暢，潘華. 江西水稻病蟲災害發(fā)生與防治淺議[J]. 氣象與減災研究，2006，29（1）：61-64.

[3]陳永水. 我國稻曲病研究概述[J]. 中國農(nóng)學通報，1992，8（4）：15-19.

[4]黃珊. 水稻稻曲病研究進展[J]. 福建農(nóng)業(yè)學報，2012，27（4）：452-456.

[5]蘇榮瑞，劉凱文，馮明，等. 2014年江漢平原水稻稻曲病促病氣象條件指數(shù)分析[J]. 中國植保導刊，2015，35（9）：44-49.

[6]王長金. 稻曲病發(fā)生發(fā)展的氣候條件及其防治措施[J]. 中國農(nóng)業(yè)氣象，1996，17（3）：41-48.

[7]葉生海，陳國平，程年娣，等. 鄂州市水稻稻曲病流行的氣象條件初探[J]. 湖北植保，2005（2）：37-38.

[8]朱明華. 稻曲病發(fā)生規(guī)律研究及防治技術研究[C]//華東植物病理學術研討會論文集. 2003：422-427.

[9]任義方，高蘋，朱鳳，等. 稻曲病氣象風險評估及適宜度等級預測技術[J]. 植物保護，2017，43（1）：61-67.

[10]湯志成，孫涵. 最優(yōu)化因子處理及加權多重回歸模型[J]. 氣象學報，1992，50（4）：514-517.

[11]吳長彬，閭國年. 空間拓撲關系若干問題研究現(xiàn)狀的評析[J]. 地球信息科學學報，2010，12（4）：524-531.

[12]章基嘉，葛玲. 中長期天氣預報基礎[M]. 北京：氣象出版社，1983：254-282.

[13]張俊喜，成曉松，宋益民，等. 中國水稻稻曲病研究進展[J]. 江蘇農(nóng)業(yè)學報，2016，32（1）：234-240.

[14]王文斌，尹小樂，李燕，等. 影響稻曲病嚴重度主要因素的研究[J]. 西南農(nóng)業(yè)學報，2014，27（3）：1067-1071.龍承鵬，戴小華，郭青云，等. 天竺桂葉片上黑刺粉虱的空間分布格局[J]. 江蘇農(nóng)業(yè)科學，2017，45（17）：99-101.endprint