戶雪敏，李 輝，伏松平，陸可心，李宇翔，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.甘肅省植保植檢站，蘭州 730020；3.甘肅省天水市植保植檢站，甘肅天水 741020)

小麥條銹病是由條形柄銹菌(Pucciniastriiformisf.sp.tritici)引起的重要的世界流行性氣傳病害(Moshou等,2004；Zheng等,2018)，嚴(yán)重威脅小麥安全生產(chǎn)。2020年，中國農(nóng)業(yè)農(nóng)村部頒布的《一類農(nóng)作物病蟲害名錄》中把小麥條銹病列為一類病害[1]。中國是世界上小麥條銹病流行面積最大的國家，曾于1950年、1964年、1990年、2002年和2017年5次大流行，發(fā)生面積均超過556萬hm2，共造成小麥減產(chǎn)138億kg[2-5]。

甘肅是中國小麥條銹菌最重要的周年循環(huán)區(qū)之一，也是中國小麥條銹菌新小種的策源地[6]。小麥條銹菌除了在區(qū)內(nèi)往返傳播循環(huán)外，還能通過孢子的遠(yuǎn)程傳播影響到中國廣大東部麥區(qū)條銹病的發(fā)生和為害[7]。小麥條銹病的流行程度取決于寄主感病性、菌源數(shù)量和氣象條件等因素，寄主的感病性是小麥條銹病發(fā)生和流行最關(guān)鍵的因素，但在生產(chǎn)實際中，寄主的感病性的變化幅度較小[8]，而菌源數(shù)量和氣候條件的影響往往起到關(guān)鍵作用。因此，建立基于菌源數(shù)量和關(guān)鍵氣象因子的預(yù)測模型對小麥條銹病精準(zhǔn)預(yù)測和有效防控至關(guān)重要。

近年來，許多學(xué)者建立了小麥條銹病發(fā)生程度預(yù)測模型，如蒲崇建等[9]建立了基于溫度、降水量、感病品種種植面積、上一年秋苗病葉數(shù)等因子的甘肅省天水市小麥條銹病流行程度多元線性回歸模型，準(zhǔn)確率達(dá)82%～91%；胡小平等[10-11]建立了基于菌源量、感病品種面積比例和關(guān)鍵氣象因子的漢中市小麥條銹病流行程度的多元線性回歸和BP神經(jīng)網(wǎng)絡(luò)模型，預(yù)測結(jié)果和實際發(fā)生情況高度符合；蒲崇建等[8]建立了基于越夏菌源量和秋苗發(fā)生面積的甘肅省小麥條銹病預(yù)測模型，預(yù)測準(zhǔn)確率為88%；王鵬偉等[12]建立了隴東、隴南和關(guān)中地區(qū)小麥條銹病遠(yuǎn)程預(yù)警系統(tǒng)，該系統(tǒng)的長、中、短期預(yù)測準(zhǔn)確率分別為85.7%、92.6%和92.6%，可實現(xiàn)小麥條銹病準(zhǔn)確遠(yuǎn)程預(yù)測和數(shù)據(jù)管理；鄒一萍等[13]建立了基于越冬活體菌源量、品種抗凍性和溫度的返青期小麥條銹病發(fā)病株率預(yù)測模型，預(yù)測準(zhǔn)確度可達(dá)85%以上；姚曉紅等[14]建立了基于甘肅河?xùn)|地區(qū)氣象因子的小麥條銹病發(fā)生程度預(yù)測模型，其中秋季預(yù)測準(zhǔn)確率為89%，春季預(yù)測準(zhǔn)確率為91%；Hu等[15]預(yù)測了中國中部和西北部的小麥條銹病越冬的概率，結(jié)果表明，在春季所有觀察到條銹病的地區(qū)都位于越冬潛力預(yù)測值較高的區(qū)域(預(yù)測成功越冬的概率>0.50)，在春季沒有觀察到條銹病的田塊中，預(yù)測的條銹病越冬潛力接近于零(預(yù)測成功越冬的概率<0.25)。迄今為止，基于條銹病秋苗發(fā)生面積和氣象因子的甘肅省小麥條銹病發(fā)生面積的預(yù)測研究尚未見報道。本研究綜合分析甘肅省小麥條銹病秋苗發(fā)生面積、氣象條件等因素，構(gòu)建甘肅省小麥條銹病發(fā)生面積預(yù)測模型，以期為小麥條銹病的準(zhǔn)確預(yù)測提供依據(jù)。

1 材料與方法

1.1 數(shù)據(jù)收集

收集整理了甘肅省2001-2021年調(diào)查的秋苗期小麥條銹病發(fā)生面積(x1)(表1)，以及 2001-2021年7月至翌年4月的月平均氣溫(Ta2～Ta11)、月最高氣溫(Tmax12～Tmax21)、月最低氣溫(Tmin22～Tmin31)、月平均相對濕度(RHa32～RHa41)、月最低相對濕度(RHmin42～RHmin51)、月平均降雨量(Ra52～Ra61)和月平均日照時數(shù) (Sa62～Sa71)，氣象數(shù)據(jù)來自中國氣象數(shù)據(jù)網(wǎng)(http://data.cma.cn/)。

1.2 數(shù)據(jù)分析方法

基于2001-2019年甘肅省小麥條銹病發(fā)生面積和氣象數(shù)據(jù)，采用SPSS中的Pearson分析篩選關(guān)鍵因子。利用全子集回歸和BP神經(jīng)網(wǎng)絡(luò)算法建立甘肅省小麥條銹病發(fā)生面積的預(yù)測模型。其中全子集回歸采用RStudio version 4.0.5軟件中l(wèi)eaps包運算，BP神經(jīng)網(wǎng)絡(luò)算法運用Matlab編程語言編寫，選用3層BP神經(jīng)網(wǎng)絡(luò)，即輸入層、隱藏層和輸出層，采用Pearson相關(guān)法對2001年-2019年歷史數(shù)據(jù)進(jìn)行主導(dǎo)因素分析，利用決定系數(shù)R2、赤池信息量準(zhǔn)則(Akaike information criterion，AIC)和均方根誤差(Root Mean Squared Error，RMSE)作為全子集回歸分析的評價指標(biāo)(Atkinson和Jeganathan，2012)。決定系數(shù)R2越高，預(yù)測模型擬合程度越好。AIC以熵概念為基礎(chǔ)，考慮了模型的統(tǒng)計擬合度和擬合的變量數(shù)目，AIC值越小，表明該模型能夠以最少參數(shù)預(yù)測因變量，有助于降低過擬合現(xiàn)象[16]。RMSE通過實際值與預(yù)測值的偏差來判斷預(yù)測模型的準(zhǔn)確性，計算公式為：

表1 2001-2021年甘肅省小麥條銹病發(fā)生面積Table 1 Area of occurrence of wheat stripe rust in Gansu province from 2001 to 2021

2 結(jié)果與分析

2.1 主要流行因子分析

對2001-2019年調(diào)查的秋苗發(fā)病面積數(shù)據(jù)與翌年條銹病最終發(fā)生面積進(jìn)行Pearson相關(guān)性分析，結(jié)果表明，甘肅省小麥條銹病最終發(fā)生面積(y)與上年甘肅秋苗條銹病發(fā)生面積(x1)相關(guān)系數(shù)為0.792，呈極顯著正相關(guān)關(guān)系(P=0.0001)(表2)；與上年9月平均相對濕度(RHa34)、1月平均相對濕度(RHa38)、3月平均相對濕度(RHa40)、4月平均相對濕度(RHa41)、3月最低相對濕度(RHmin50)、4月最低相對濕度(RHmin51)和上年9月平均降雨量(Ra54)呈正相關(guān)關(guān)系，其中與3月平均相對濕度(RHa40)和3月最低相對濕度(RHmin50)的相關(guān)系數(shù)分別為0.537和0.504，呈顯著正相關(guān)關(guān)系(P<0.05)；與上年8月最低氣溫(Tmin23)、上年9月平均日照時數(shù)(Sa64)、上年12月平均日照時數(shù)(Sa67)和3月平均日照時數(shù)(Sa70)呈負(fù)相關(guān)關(guān)系，其中與上年8月最低氣溫(Tmin23)呈顯著負(fù)相關(guān)(P=0.011)，相關(guān)系數(shù)為0.585(表2)。

表2 各因子與當(dāng)年最終發(fā)生面積的相關(guān)系數(shù)及P值Table 2 Correlation coefficient and P value between each factor and final area of occurrence

2.2 預(yù)測模型的建立和驗證

2.2.1 全子集回歸分析 基于2001-2019年甘肅省小麥條銹病發(fā)生面積和相關(guān)氣象數(shù)據(jù)，通過Pearson相關(guān)性分析并結(jié)合生物學(xué)特性，選取上年秋苗發(fā)病面積(x1)、8月最低空氣溫度(Tmin23)、9月平均相對濕度(RHa34)、1月平均相對濕度(RHa38)、3月平均相對濕度(RHa40)和3月平均日照時數(shù)(Sa70)作為自變量因子構(gòu)建預(yù)測模型。當(dāng)預(yù)測模型分別選用因子集1(x1、Tmin23、Sa70)和因子集2(x1、Tmin23、RHa38、Sa70)時，調(diào)整R2值均大于70%(圖1)。構(gòu)建的預(yù)測模型1和預(yù)測模型2分別為：

y1=1.482x1-4.593Tmin23-9.535Sa70+131.514

y2=1.5290x1-4.7881Tmin23-0.1591RHa38-9.523 7Sa70+141.632 4

式中，x1為4.99～39 hm2；Tmin23為11.69～16.22 ℃；RHa38取值范圍為32.10～71.23%；Sa70為5.48～7.94 h。

圖1 全子集回歸分析結(jié)果Fig.1 Results of full subsets regression analysis

模型1和模型2的AIC值分別為140.737 8和142.487 2，RMSE分別為9.140 1和9.076 7(表3)。

表3 全子集回歸預(yù)測模型評價指標(biāo)計算結(jié)果Table 3 Calculation results of evaluation index of full subsets regression prediction models

利用2001-2019年歷史數(shù)據(jù)對全子集回歸預(yù)測模型進(jìn)行回測(圖2)，結(jié)果表明模型1和模型2的擬合符合率分別為88.65%和88.19%。利用2020-2021年的田間調(diào)查數(shù)據(jù)對預(yù)測模型預(yù)測結(jié)果進(jìn)行檢驗，結(jié)果表明模型1預(yù)測2020年和2021年甘肅省小麥條銹病發(fā)生面積與實際發(fā)生面積的偏差為0.18萬hm2和0.86萬hm2，模型2預(yù)測2020年和2021年甘肅省小麥條銹病發(fā)生面積與實際發(fā)生面積的偏差為1.17 萬hm2和0 hm2(表4)，模型1和模型2的RMSE分別為9.1401和9.0767(表3)。模型1和模型2的平均預(yù)測準(zhǔn)確度分別為94.63%和88.81%。因此，選擇AIC最低、預(yù)測準(zhǔn)確度較高的模型1作為甘肅省小麥條銹病發(fā)生面積的預(yù)測模型。

圖2 全子集回歸分析預(yù)測模型2002-2019年甘肅省小麥條銹病發(fā)生面積實際值與預(yù)測值擬合圖Fig.2 Actualarea of occurrence of wheat stripe rust and prediction value by full subsets regression analysis in Gansu from 2002 to 2019

2.2.2 BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測 利用全子集回歸模型1(x1、Tmin23、Sa70)和全子集回歸模型2(x1、Tmin23、RHa38、Sa70)中的自變量因子分別作為神經(jīng)網(wǎng)絡(luò)算法的輸入層，當(dāng)年條銹病最終發(fā)生面積作為輸出層。以2002-2019年的數(shù)據(jù)作為訓(xùn)練集，以2020-2021年的數(shù)據(jù)作為測試集，計算預(yù)測模型的預(yù)測準(zhǔn)確度。設(shè)置BP神經(jīng)網(wǎng)絡(luò)算法的學(xué)習(xí)率為0.05，迭代次數(shù)為150次時，預(yù)測值和實際值之間的誤差最小。通過不斷訓(xùn)練選擇合適的權(quán)重與偏差，模型1最終訓(xùn)練集輸出2002-2019年甘肅省小麥條銹病發(fā)生面積依次為71.40、 59.32、57.28、65.72、51.56、54.48、26.25、53.72、45.15、21.87、46.58、15.84、35.63、38.90、26.64、22.52、25.66和7.22萬hm2，模型2最終訓(xùn)練集輸出2002-2019年甘肅省小麥條銹病發(fā)生面積依次為57.81、59.36、53.20、57.26、46.23、 53.48、28.36、54.07、50.88、25.72、53.71、12.29、 38.03、45.80、29.25、24.47、29.16和4.28萬hm2(圖3)，模型1和模型2訓(xùn)練集預(yù)測擬合符合率分別為88.65%和86.81。模型1輸出的2020年和2021年甘肅省小麥條銹病發(fā)生面積分別為21.37和29.91萬hm2，預(yù)測準(zhǔn)確度為98.25%；模型2輸出的2020年和2021年甘肅省小麥條銹病發(fā)生面積分別為23.36和34.01萬hm2，預(yù)測準(zhǔn)確度為94.03%。

表4 甘肅省小麥條銹病發(fā)生面積實際值與預(yù)測值關(guān)系的模型分析Table 4 Analysis of relationship models between actual and predicted values in area of occurrence of wheat stripe rust in Gansu

2.3 條銹病發(fā)生面積預(yù)測

利用全子集回歸和BP神經(jīng)網(wǎng)絡(luò)算法對甘肅小麥條銹病發(fā)生面積進(jìn)行預(yù)測，結(jié)果表明全子集回歸模型1和2對2020-2021年的平均預(yù)測準(zhǔn)確度分別為94.63%和88.81%，BP神經(jīng)網(wǎng)絡(luò)模型1和模型2對2020-2021年的平均預(yù)測準(zhǔn)確度分別為98.25%和94.03%。由以上結(jié)果可知，BP神經(jīng)網(wǎng)絡(luò)模型1為最佳預(yù)測模型，預(yù)測2022年甘肅省小麥條銹病發(fā)生面積為10.03萬hm2。

圖3 BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測2002-2019年甘肅省小麥條銹病發(fā)生面積實際值與預(yù)測值擬合圖Fig.3 Final area of occurrence of wheat stripe rustl and prediction value from 2002 to 2019 by BP neural network in Gansu

3 結(jié)論與討論

中國西北地區(qū)尤其是甘肅隴南和隴東是小麥條銹菌重要越夏區(qū)之一，是陜西關(guān)中、華北平原冬麥區(qū)菌源主要來源[4,19-20]。準(zhǔn)確預(yù)測小麥條銹病發(fā)生面積對條銹病的防控至關(guān)重要。本研究以甘肅省小麥條銹病為研究對象，以甘肅省2001-2021年小麥條銹病最終發(fā)生面積、小麥條銹病秋苗發(fā)生面積和關(guān)鍵氣象因子數(shù)據(jù)為基礎(chǔ)，使用全子集回歸和BP神經(jīng)網(wǎng)絡(luò)2種方法，建立甘肅省小麥條銹病發(fā)生面積預(yù)測模型。BP神經(jīng)網(wǎng)絡(luò)算法模型1和模型2的預(yù)測準(zhǔn)確度分別為 98.25%和94.63%。由于多元線性回歸模型自身具有一定的局限性，小麥條銹病的發(fā)生和流行受多種因素影響，呈現(xiàn)的并非是線性關(guān)系，而傳統(tǒng)的線性回歸計算過于簡單又需要大量數(shù)據(jù)，無法真實反映各因素間潛在的關(guān)系，預(yù)測的精度低；人工神經(jīng)網(wǎng)絡(luò)因其強(qiáng)大的映射能力和自學(xué)習(xí)能力等優(yōu)勢，可以對大量復(fù)雜性強(qiáng)、非結(jié)構(gòu)及非精確性的規(guī)律進(jìn)行自適應(yīng)，同時具有非線性逼近能力等優(yōu)點使其在預(yù)測方面的優(yōu)勢極為顯著，近年來在數(shù)據(jù)預(yù)測領(lǐng)域得到廣泛應(yīng)用[21]，這可能是兩種模型對2022年甘肅省發(fā)病面積預(yù)測結(jié)果差距較大的原因。除此之外，小麥條銹病的流行程度與寄主感病性、菌源數(shù)量和氣象條件等因素均密切相關(guān)。本研究僅分析了秋季菌源量和氣象條件對小麥條銹病發(fā)生面積的影響，并未將感病品種面積納入模型。未來的研究中，會全面分析感病品種面積、菌源、氣象條件、小麥播種時期及拌種等因素對小麥條銹病發(fā)生面積的影響，進(jìn)一步提高預(yù)測模型的穩(wěn)定性和準(zhǔn)確率。

目前，基于全子集回歸和BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型應(yīng)用較為廣泛且預(yù)測準(zhǔn)確度較高。譚丞軒等[22]利用全子集篩選和機(jī)器學(xué)習(xí)相結(jié)合的方法提高了土壤含水率的反演精度，為準(zhǔn)確監(jiān)測農(nóng)田土壤墑情、實施精準(zhǔn)灌溉提供了一種新的途徑。韓佳[23]建立基于全子集篩選的分位數(shù)回歸模型、支持向量機(jī)模型和人工神經(jīng)網(wǎng)絡(luò)模型，最終發(fā)現(xiàn)全子集篩選的分位數(shù)回歸模型對土壤含鹽量預(yù)測的效果優(yōu)于其他兩種模型。Lankin Vega等[24]開發(fā)了基于人工神經(jīng)網(wǎng)絡(luò)的新西蘭Lincoln地區(qū)秋季捕蚜蟲量預(yù)測模型，從而預(yù)測大麥黃萎病的發(fā)生程度。王園媛等[25]建立了基于BP神經(jīng)網(wǎng)絡(luò)的云南省勐?？h和石屏縣的水稻白葉枯病預(yù)測模型，預(yù)測準(zhǔn)確度達(dá)到80%以上。本研究建立了基于全子集回歸和BP神經(jīng)網(wǎng)絡(luò)的甘肅省小麥條銹病發(fā)生面積的預(yù)測模型，結(jié)果表明，全子集回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確度均在85%以上，其中BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確度高于全子集回歸模型。

作物病害的精準(zhǔn)預(yù)測是實現(xiàn)科學(xué)精準(zhǔn)防控的關(guān)鍵技術(shù)之一，對于減少農(nóng)藥使用量、降低環(huán)境污染等都具有重要的意義。然而，目前多數(shù)病害的預(yù)測模型是基于田間數(shù)據(jù)的回歸模型，缺乏基于病害流行學(xué)的預(yù)測模型，加之基層植保技術(shù)人員少且隊伍不穩(wěn)定，專業(yè)化水平不高，采集的田間數(shù)據(jù)存在不及時、不準(zhǔn)確、不完善、不系統(tǒng)等問題，導(dǎo)致使用這些數(shù)據(jù)建立的預(yù)測模型對于作物病害預(yù)測的準(zhǔn)確度偏低且不穩(wěn)定[26]。在未來預(yù)測模型的研究中，應(yīng)該形成穩(wěn)定的、系統(tǒng)的作物病蟲害監(jiān)測站點，加強(qiáng)病害流行學(xué)研究隊伍建設(shè)、監(jiān)測預(yù)警研究經(jīng)費的投入、基層植保技術(shù)隊伍建設(shè)和培訓(xùn)等，不斷提高對作物病蟲害監(jiān)測預(yù)警的準(zhǔn)確度，為保證國家糧食生產(chǎn)安全奠定基礎(chǔ)。