基于聚類分析的冬小麥條銹病分區研究*

高建孟，王利民，高靈旺※

(1.中國農業大學，北京 100193； 2.中國農業科學院農業資源與農業區劃研究所，北京 100081)

·農業區劃·

基于聚類分析的冬小麥條銹病分區研究*

高建孟1，王利民2，高靈旺1※

(1.中國農業大學，北京 100193； 2.中國農業科學院農業資源與農業區劃研究所，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)是條銹病主要菌源越冬地，也是向我國華北等麥區傳播的重要橋梁，對該區域進行總體的監測和預警對于預防條銹病流行意義重大。由于研究區域幅員遼闊，氣象和地形條件差異較大，條銹病發病規律和發病特點差異明顯，因此無法將整個研究區域作為一個整體來研究。考慮地理位置因素對研究區進行了一級分區，考慮地形因素對研究區進一步進行了二級分區。進行一級分區時以縣級行政區域為單元，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，結合歷年發病等級統計數據，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，初步將研究區域劃分為5個一級區，一級區內環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條銹病發病差異可能很大。故在一級區的基礎上通過數字高程模型(DEM)設定海拔閾值的方法得到12個二級區，二級分區內條銹病發病規律相同、發病等級相近。可以作為下一步冬小麥條銹病預測研究的基本單元。

冬小麥 條銹病 分區 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都可種植，主要分為北方冬麥區、南方冬麥區、新疆冬麥區和青藏冬麥區。陜西、甘肅、寧夏三省(區)(下稱西北三省)是我國北方冬麥區重要組成部分，是我國重要的小麥生產基地，該區域小麥種植面積穩定在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生的小麥病害，在我國主要發生于西北、西南、黃淮海等冬麥區和西北春麥區。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]。

近年來區劃研究較多，在條銹病流行區劃方面：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分為了7個條銹病流行區域； Zeng和Luo[4]綜合考慮氣象參數、地理參數和相關的農業參數數據，依據條銹病的流行規律和地域的具體特征將長江流域、黃淮海流域小麥種植區分成了15個條銹病流行區域，并基于分區結果闡明了條銹病的主要分布區域、各區域的發病特點以及不同區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指標，并利用總結的分區指標對四川省小麥種植區進行了條銹病風險區劃； 在小麥種植區劃研究和土地利用類型分區等方面的研究也較多，如張希彪[6]根據地貌、土壤質地、降水和溫度條件將陜甘寧接壤區劃分為4個不同的生態類型區； 盧布等[7]綜合考慮區域資源條件、生產現狀及前人研究結論將我國的小麥主要產區劃分為黃淮海、長江中下游、西南、西北和東北5個優勢區； 趙廣才等[8]利用環境條件、自然條件、氣候因素以及病蟲害實際發生情況對春麥區和冬春兼播麥區進行了分區研究； 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，并結合后期的灰色關聯分析對江蘇省冬小麥種植區進行了氣候區劃； 王華等[10]基于多目標微粒群優化算法的土地利用分區模型，并對湖北省宜城市的土地利用類型進行了分區； 郭澎濤等[11]基于多源環境變量利用模糊C均值聚類法對橡膠園的土壤類型進行了分區。條銹病發病程度預測方面：Wiik等[12]利用1983～2007年病害發病數據和36個研究區域氣象站點數據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，分別與病害發生嚴重度和發病率進行相關性分析，篩選出與病害發生的敏感因子，之后通過回歸分析分別構建了敏感因子與病害嚴重度、發病率的回歸方程。其中條銹病的發病率為3月份均溫、10月份均溫和11月份均降水量的回歸函數； 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； 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，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個研究區域1993～1997年數據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生； 第二部分為定量預測，主要利用拔節期的降水量參數進行預測； 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)為研究區域，通過對研究區域條銹病發病規律的分析，確定影響條銹病發生的主要因素，并基于地理位置因素和地形因素分別進行了一級分區和二級分區。二級區結果內氣候條件相似、條銹病發病規律相同，可以作為下一步條銹病預測的基本單元。

1 研究區域概況

陜西、甘肅、寧夏3省(區)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、丘陵、塬區、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。該區域年日照時數2 000～3200h，日照最長的地區為甘肅河西西北部。無霜期31～280d，無霜期最長的地區為隴南南部，最短的地區為甘南高原。年均降水量38～1000mm，降水量空間分布不均勻，降水較多的區域主要是陜南等地，降水最少的區域為甘肅河西走廊； 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、寧南山區和渭北高原等地。近年由于工業化、城鎮化的快速發展以及種植業結構調整，冬小麥種植面積逐漸減少，常年穩定在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小麥條銹病影響很大。

2 數據與方法

2.1 數據獲取

西北三省1： 400萬地形數據(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數據庫(http：//gts.sbsm.gov.cn/和http：//www.ngcc.cn/)。

西北三省SRTM3數據(即90m分辨率DEM高程數據)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氣象數據來源于中國氣象科學數據共享服務網中國地面氣候資料日值數據集(http：//www.cma.gov.cn/2011qxfw/2011qsjgx/)。

陜西省條銹病發病程度數據來源于陜西省各市、縣植保站上報的測報數據，從中選取條銹病發生年份及對應的發病等級進行匯總統計。

甘肅、寧夏條銹病發病程度數據來源于文獻[21-23]，對條銹病發生年份及對應的發病等級進行匯總統計。

2.2 研究方法

該研究主要涉及兩類數據分析方法：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境的生態關系和植物群落內部的生態關系，DCA排序法是在相互平均法(RA)基礎上發展起來的。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計分析方法，主要包括系統聚類分析法、動態聚類分析法和模糊聚類分析法等，其中系統聚類分析法應用最為廣泛。系統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)研究區內小麥條銹病的歷史發病情況進行分析發現，研究區域內條銹病的發生與年份、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間發病差異明顯。但年份、地理位置和地形并非是影響條銹病發病的直接因素，而是通過氣象因子間接影響條銹病的發病情況：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境。氣象條件對病害發生的影響主要表現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生流行的影響。此外，由于條銹病分區為了獲得條銹病發病程度的空間一致性區域，因此在分區過程中未考慮條銹病發病的年際差異，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。

3.1 條銹病發病規律分析

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

圖1 2006年不同地區條銹病發病等級統計

圖2 2009年寶雞市不同地形條銹病發病等級統計

在地理位置相似的區域內，條銹病的發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病等級情況。從圖中可以直觀看出同一縣域內川道、塬區、山區發病等級為3～5級，級差較大； 6縣的總體發病等級多為4級，川道發病等級多重于平均發病等級，山區多輕于平均發病等級，以縣平均發病等級無法準確描述全縣的病害分布和內部差異； 不同縣的川道區域發病等級4～5級，平均發病等級為5級，不同縣的塬區區域發病等級穩定在4級，不同縣的山區區域發病等級以3級居多，同一地形區內不同縣之間病害發病等級差異小，一致性高。以地形因素為自變量，以條銹病發病等級為因變量，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的基礎上進行二次分區。

3.2 冬小麥條銹病一級分區

由上述規律分析可以看出氣象條件和病害發生關系密切。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個與條銹病發病密切的氣象參數和1個距離參數作為分區指標。氣象參數包括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。以研究區域內128個縣(市)為研究單元分別計算以上8個參數的值。其中氣象參數取值為1991～2010年以來的均值，距離參數為各縣(市)氣象站點與隴南市氣象站點的距離。由于量綱不同，對每個參數通過如下公式進行了數據歸一化。式中，x為原始數值，min為該參數中的最小值，max為該參數的最大值，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據進行DCA排序和聚類分析。排序過程使用4th order Polynomials區間除趨勢方法，聚類過程使用系統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 數據分析結果：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：橫軸方向表現出明顯的規律性，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，陜北地區獨立成區。依據分析結果，利用ARCMAP 10.2.1對分區結果進行制圖，結果如圖4所示。

圖4 一級分區結果

其中，I區主要包括隴南渭河上游河谷山地冬小麥區和嶺南嘉陵江上游濕潤川壩山地冬小麥區； 無霜期280d左右，年降水量可達900mm； 小麥條銹病菌在該區域內可以完成周年循環，是主要的越冬菌源地和病原小種的策源地。Ⅱ區主要包括隴東涇河上游川壩山地冬小麥區、隴西河谷山地冬春小麥兼種區和寧夏南部冬小麥區； 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區主要包括陜南平壩早熟冬小麥區和秦巴淺山丘陵中熟冬小麥區； 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%； 該區域條銹病菌可完成越冬，病害流行時既受當地菌源影響也受隴南等地外來菌源影響。Ⅳ區主要包括關中平原早熟冬小麥區和渭北高原中晚熟冬小麥區； 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，是西北地區最主要的冬小麥種植區，產量受條銹病影響較大。V區主要是指陜北丘陵溝壑晚熟冬小麥區。年均氣溫7～11℃，年降水量300～600mm。該區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個一級區在分區內病害的發病規律相似，分區之間發病特點差異明顯。在對各分區內條銹病歷史發病情況進行分析后，將各分區的病害發生特點描述如下。

表1 一級分區內病害發生特點

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

表2 二級區的主要特點

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

基于地理位置因素對研究區域進行了一級分區，獲得了氣象同質性區域。但在一級分區內部病害實際發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，同一個縣級行政單元內條銹病發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。

3.3 冬小麥條銹病二級分區

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

圖5 二級分區結果

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

二級分區后的區域內條銹病發病程度一致性更高，基于二級分區結果的構建條銹病預測專家系統既可以實現區域尺度的預測又可以保持較高的預測精度，具有大區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，兩級分區過程主要考慮了地理位置和地形因素對條銹病發病差異的影響，獲得了5個一級區和12個二級區。二級分區內條銹病發病規律更為一致，獲得病害發病規律的一致區域可以作為下一步病害預測的基本單元。

(2)該研究在分區過程中利用了DCA分析和聚類分析，DCA排序圖和聚類樹狀圖都直觀地呈現出縣級行政區劃間氣象因子的差異，依據氣象條件的相似程度進行了條銹病的一級分區。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病程度的分區。

5 討論

一級分區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的驗證和細化，該文中對一級區條銹病發病特點的描述也重點參考了其分區描述指標。曾士邁先生對條銹病進行的分區主要用于描述不同區域病害發生特點并揭示各分區間條銹病的傳播流行機制，該研究分區的目的主要為了獲得條銹病發病規律一致區域，進而更好的進行條銹病發生程度的預測。一級區中的Ⅳ區主要包括關中平原中早熟冬小麥區和渭北中晚熟冬小麥區，由于該區域東西跨度較大，病害的實際發病程度也表現出西部較東部偏重，表明在該區域內可能存在亞區，需進行進一步的研究確認。該研究為冬小麥條銹病區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，通過分區過程獲得了條銹病發病一致性區域，基于分區結果的病害預測模型的構建將是下一步研究的重點。

[1] 農業部小麥專家組. 中國小麥品質區劃與高產優質栽培.北京：中國農業出版社， 2012

[2] 董金皋. 農業植物病理學北方本.北京：中國農業出版社， 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氣候風險區劃.成都信息工程學院學報, 2012，(4)： 405～411

[6] 張希彪. 陜甘寧接壤區生態建設與農業可持續發展對策.中國農業資源與區劃， 2013, 34(6): 139～144

[7] 盧布， 丁斌，呂修濤，等.中國小麥優勢區域布局規劃研究.中國農業資源與區劃， 2010, 31(2): 6～12

[8] 趙廣才. 中國小麥種植區劃研究(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氣候區劃研究.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化算法的土地利用分區模型.農業工程學報， 2012, 28(12): 237～244

[11]郭澎濤， 李茂芬，林釗沐，等.基于多源環境變量的橡膠園土壤管理分區.農業工程學報， 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.漢中地區小麥條銹病BP神經網絡預測.西北農業學報， 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生程度.中國農業氣象， 1996, 17(02): 53～55

[20]迪拉娜. 馬爾科夫鏈方法在我區小麥條銹病預測中的應用.新疆農業科技, 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.慶陽市西峰區小麥條銹病發生規律及預測預報模型.甘肅農業， 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DCA排序與UPGMA聚類研究.華南農業大學學報， 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。※通訊作者：高靈旺(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。Email：lwgao@cau.edu.cn

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

F301.2； S512.1+1； S435.121.4+2

A

1005-9121[2016]04-0184-08