皖江地區(qū)水稻病蟲害長期定量預測方法研究
——以蕪湖為例

司紅君，付 偉，徐 陽，祝玉青，丁勁松

（1.無為市氣象局，安徽 無為 238300；2.蕪湖市氣象局，安徽 蕪湖 241000；3.安徽省農(nóng)村綜合經(jīng)濟信息中心，安徽 合肥 230061；4.蕪湖市農(nóng)業(yè)綜合行政執(zhí)法支隊，安徽 蕪湖 241000）

0 引言

我國是世界上最大的水稻生產(chǎn)國和稻米消費國，60%以上的人口以稻米為主食。水稻病蟲害是影響其穩(wěn)產(chǎn)高產(chǎn)的重要因素之一，每年都因此而造成了重大經(jīng)濟損失［1］。水稻病蟲害的種類繁多，其中對安徽省影響嚴重的主要有：稻瘟病、紋枯病、白葉枯、稻曲病、二化螟、三化螟、稻縱卷葉螟、稻蝗以及褐飛虱［2］?？茖W防治水稻病蟲害，提前謀劃防治措施是當前學者研究的中心問題并已開展了多方面的研究，包括綠色防控技術的研究與應用［3］、藥物對病蟲害防治研究［4-5］、多尺度遙感技術對水稻病蟲害的監(jiān)測及預警研究等［6-7］。

氣象因子也是水稻病蟲害發(fā)生發(fā)展的重要影響因素，彭榮南等［8］研究認為，9～10月的降水量、降水日數(shù)、相對濕度、日照時數(shù)、氣溫等要素和化州市白葉枯病存在相關性。任義方等［9］指出，氣象因子在稻曲病的侵染循環(huán)和發(fā)生發(fā)展過程中起著至關重要的作用，稻曲病發(fā)生強度、范圍和持續(xù)時間與氣象要素存在著較為顯著的關系。包云軒等［10］研究表明，稻縱卷葉螟這類典型的遷飛性害蟲，水平和垂直氣流對其遷飛有明顯的影響，稻縱卷葉螟種群多降落在相對濕度大的區(qū)域。通過對氣象要素的中長期預測，可以對病蟲害的未來變化趨勢作出預測，從而指導農(nóng)技工作者提前科學應對。對此學者們進行了深入研究，劉文菁等［11］根據(jù)中長期天氣預報原理，采用空間拓撲和最優(yōu)相關普查方法，基于大氣環(huán)流和海溫因子建立了綜合稻曲病指數(shù)長期預報模型，可提前1個月預報綜合稻曲病指數(shù)及其等級；彭榮南等［8］采用逐步回歸統(tǒng)計方法建立了晚稻白葉枯發(fā)病程度氣象等級預測模型；岳偉等［12］計算了安徽省稻曲病發(fā)生的綜合氣象條件指數(shù)，通過最優(yōu)曲線回歸分析，建立了稻曲病預報模型。這些研究中預測結果通常為病蟲害等級或者指數(shù)，對病蟲害發(fā)生具體數(shù)量的長期預測不多見，同時這些研究多為對稻曲病等典型的“氣象型”病蟲害的預測研究，而關于其他常見病蟲害的相關研究較少。

皖江地區(qū)地處長江中下游平原，長江流域安徽段兩岸，氣候濕潤，水熱豐富，土地肥沃，河網(wǎng)密集，是安徽省最主要的水稻產(chǎn)區(qū)。目前，針對該區(qū)域的水稻病蟲害預測研究較少。皖南地區(qū)社會和技術水平發(fā)展過程差異不大，氣候特征相似，且大面積的農(nóng)業(yè)氣象災害發(fā)生往往與大的天氣過程有關，所以氣象因子造成的病蟲害發(fā)生面積波動趨勢應該基本相同［13］。因此，本研究以皖江地區(qū)核心城市蕪湖為例，通過分析各主要病蟲害發(fā)生發(fā)展的氣象影響因子，并基于環(huán)流和海溫指數(shù)，使用多元逐步回歸方法建立了各水稻病蟲害長期預測模型，為皖江地區(qū)農(nóng)業(yè)氣象服務開展提供技術支撐，也為植保部門提前做好水稻病蟲害防治工作提供科學依據(jù)。

1 資料與方法

1.1 資料來源

本文收集了1986～2020年水稻病蟲害發(fā)生及水稻種植面積數(shù)據(jù)，其中水稻病蟲害數(shù)據(jù)來自蕪湖市植保站，包括稻瘟病、紋枯病、白葉枯和稻曲病4種病害和二化螟、三化螟、稻縱卷葉螟、稻蝗和褐飛虱5種蟲害，單位為萬畝次。水稻種植面積數(shù)據(jù)來自蕪湖市植保站和安徽省統(tǒng)計年鑒，單位為萬畝。由于近30年間蕪湖市行政區(qū)劃多次調(diào)整，其中2011年無為市劃入，蕪湖市土地面積和水稻種植面積均大幅增加，因此，本文使用病蟲害發(fā)生面積比進行研究，以保證年際數(shù)據(jù)的可比性，定義病蟲害發(fā)生面積比（%）=病蟲害發(fā)生面積/水稻種植面積，由于病蟲害發(fā)生面積使用的單位是萬畝次，即同一面積耕地發(fā)生的多次病蟲害會被成倍計入，因此發(fā)生面積比會存在超過100%的情況。

本文使用的氣象要素資料來自蕪湖市氣象局，包括蕪湖市、無為市、灣址區(qū)、繁昌區(qū)和南陵縣5個國家觀測站的1986～2020年逐月平均氣溫、≥35 ℃高溫日數(shù)、平均氣溫日較差、平均濕度、降水量、雨日數(shù)、平均風速和日照時數(shù)等，蕪湖市氣象數(shù)據(jù)為5個觀測站的算術平均。

大氣環(huán)流和海溫指數(shù)資料來自國家氣候中心網(wǎng)站，包括1986～2020年逐月88項環(huán)流指數(shù)和26項海溫指數(shù)，具體指數(shù)名稱和含義見網(wǎng)站說明。

1.2 方法

1.2.1 病蟲害變化特征和氣象影響因子分析 使用線性趨勢分析對水稻病蟲害多年變化特征進行研究，并將1990～2020年蕪湖市各病蟲害時間序列與同時段蕪湖市各月氣象要素時間序列分別進行相關分析，遴選出各病蟲害的顯著氣象影響因子。

1.2.2 病蟲害預測模型的構建和檢驗 在上述分析的基礎上，對有顯著氣象影響因子的水稻病蟲害建立了長期的定量預測模型。環(huán)流指數(shù)和海溫指數(shù)對氣象要素有明顯的影響，且這種影響有一定的滯后性，常被作為氣象要素長期預測的重要因子［14］，這使得大氣環(huán)流、海溫等大尺度因子對病蟲害的發(fā)生發(fā)展具有明顯的前兆性指示［15］。同時，這些大尺度氣候指數(shù)較氣溫、降水等直接氣象要素更加穩(wěn)定［11］，因此，本文使用環(huán)流指數(shù)和海溫指數(shù)作為因子建立了水稻病蟲害的預測模型，根據(jù)長期預測業(yè)務需要，使用前1年的環(huán)流、海溫指數(shù)預測當年的病蟲害。具體思路：將1986～2019年蕪湖市各病蟲害時間序列與1985～2018年的逐月各環(huán)流、海溫指數(shù)時間序列進行相關分析，將顯著相關的指數(shù)作為自變量，病蟲害數(shù)據(jù)作為因變量帶入模型，借助多元逐步回歸方法，建立各病蟲害的長期預測模型，此時模型利用了病蟲害對環(huán)流、海溫指數(shù)響應的滯后性，可以使用前1年的指數(shù)預測當年的病蟲害，并且模型的結果是定量的，即病蟲害的發(fā)生面積比。模型構建過程中對各模型的顯著性、擬合優(yōu)度等進行檢驗。為了驗證模型的預測效果，構建模型時沒有使用2020年的實況病蟲害數(shù)據(jù)，而是將2019年的逐月環(huán)流、海溫指數(shù)帶入模型，計算出2020年各病蟲害發(fā)生面積比預測值，并與實況值進行對比，驗證模型的預測效果。

2 結果與分析

2.1 水稻病蟲害的變化特征

1986～2020年蕪湖市水稻病害總體上輕于蟲害（圖1、圖2），病害中的紋枯病發(fā)生面積比最高，且總體呈顯著上升趨勢，年均增加0.4117%（R2=0.1912）；稻瘟病和稻曲病也呈顯著增加趨勢，分別年均增加0.5554%（R2=0.2925）和0.8648%（R2=0.5261）；白葉枯則呈顯著減少趨勢，年均減少0.5780%（R2=0.1912），由于白葉枯發(fā)病的主要原因是種子帶菌［16］，因此，蕪湖市農(nóng)業(yè)部門通過加強種子播前處理，使得近10年來該病發(fā)病情況明顯減少，尤其是2012年后，發(fā)生面積比不足1%。

圖1 1986～2020年蕪湖市稻瘟病、紋枯病、白葉枯和稻曲病變化特征

圖2 1986～2020年蕪湖市二化螟、稻縱卷葉螟、稻蝗和褐飛虱變化特征

近年來，蕪湖市改雙季稻為稻麥輪種，秋冬季播種惡化了三化螟的越冬環(huán)境［17］，已經(jīng)基本不發(fā)生該蟲害，因此，本文不再對三化螟進行分析。蟲害中稻蝗發(fā)生面積比最少，且呈顯著下降趨勢，年均減少0.4794%（R2=0.3820），2020年發(fā)生面積比不足2%。二化螟、稻縱卷葉螟和褐飛虱發(fā)生面積比均呈顯著上升趨勢，分別年均增加1.1273%（R2=0.2475）、1.5156%（R2=0.2587）和2.2147%（R2=0.3464），但2011年之后均出現(xiàn)明顯下降的趨勢。

2.2 氣象影響因子分析

將1986～2020年水稻病蟲害時間序列與同時段月氣象要素時間序列進行相關分析，結果顯示，各病蟲害均有多個顯著相關的氣象因子（表1），相關性均通過了α= 0.05顯著性檢驗，這些氣象要素主要包括病蟲害發(fā)生發(fā)展和越冬時期的氣溫、降水、日照和相對濕度等水熱條件。如稻瘟病與3月的平均氣溫呈正比，雨日數(shù)呈反比，說明3月多晴天少雨，氣溫高有利于稻瘟病發(fā)展；又如稻蝗與9月的相對濕度和雨日數(shù)呈正比，平均氣溫呈反比，說明9月多陰雨寡照，氣溫偏低對于稻蝗發(fā)生發(fā)展是有利的條件。另外，二化螟和稻縱卷葉螟還與多個月份的平均風速存在顯著的正相關性，說明風對于部分蟲害的發(fā)生發(fā)展具有促進作用。

表1 各病蟲害顯著相關氣象因子分析結果

稻縱卷葉螟和稻飛虱屬于遷飛性害蟲，雖然一般認為這類害蟲氣象影響因子主要是大尺度的環(huán)流和區(qū)域、異地氣象要素［18-19］，但本文相關分析顯示其與蕪湖本地的氣溫、降水和日照等有顯著的相關性，有研究表明，本地氣象要素也會對此類害蟲的遷飛行為產(chǎn)生明顯的影響，如降落地的選擇［10］、二次遷飛［15］等。因此，蕪湖市各水稻病蟲害均有顯著的氣象影響因子，可以進一步建立病蟲害的長期預測模型。

2.3 病蟲害長期預測方法

2.3.1 預測模型的構建 將1986～2019年各水稻病蟲害時間序列與1985～2018年各月環(huán)流、海溫指數(shù)的時間序列進行相關分析，遴選出顯著相關的指數(shù)，相關性需通過α= 0.05顯著性檢驗。以病蟲害時間序列作為因變量，各顯著相關指數(shù)時間序列作為自變量，依次放入多元逐步回歸模型，放入的前提是其偏回歸平方和經(jīng)檢驗是顯著的，每放入一個新變量后，對已入選回歸模型的老變量逐個進行檢驗，經(jīng)檢驗不顯著的變量將被刪除，從而保證每一個自變量都是顯著的，直到不能再引入新變量為止，這時回歸模型中所有變量對因變量都是顯著的［20］。各病蟲害依次構建預測模型，用于建立模型放入的環(huán)流、海溫指數(shù)數(shù)量（與病蟲害顯著相關的指數(shù)數(shù)量）和最優(yōu)模型最終保留的作為自變量的指數(shù)數(shù)量（表2）。

表2 預測模型的部分指標

2.3.2 預測模型結果 借助多元逐步回歸方法，在刪除了多個不顯著的指數(shù)后，各病蟲害分別構建出了多個預測模型。選取其中最優(yōu)的預測模型，最優(yōu)模型保留了盡可能多的指數(shù)作為自變量，各檢驗指標也最優(yōu)。各最優(yōu)模型擬合優(yōu)度和顯著性分析結果如表2所示。模型中，擬合優(yōu)度為被解釋向量（病蟲害）和解釋向量（環(huán)流、海溫指數(shù)）調(diào)整判定系數(shù)R2。在多個解釋變量的時候，需要參考該系數(shù)，越接近1，說明回歸方程對樣本數(shù)據(jù)的擬合優(yōu)度越高，被解釋向量可以被模型解釋的部分越多。8個模型中除了紋枯病和稻蝗，其余預測模型的擬合優(yōu)度均達到1.000，表明自變量可以解釋因變量100%的變化，模擬效果非常好。紋枯病和稻蝗的擬合優(yōu)度也在0.8左右，也具有很好的模擬效果。各模型方差分析的顯著性均小于0.001，通過了α= 0.05的顯著性檢驗，說明模型中變量總體對因變量有顯著影響，可以有效地預測因變量，模型的預測方程是有效的［21］。

各病蟲害的最優(yōu)預測模型公式見表3，各模型自變量和常數(shù)項T檢驗的顯著性均小于0.05，說明所有自變量對因變量均具有顯著影響。

表3 各病蟲害的最優(yōu)預測模型

2.3.3 預測模型效果驗證 將2019年各月環(huán)流和海溫指數(shù)帶入8個模型，計算出2020年各病蟲害的發(fā)生面積比的預測值。將預測值與實況值進行對比，驗證模型的預報效果，結果見表4。各模型預測的病蟲害發(fā)生面積比絕對誤差均在15%以內(nèi)，病害的預測結果要優(yōu)于蟲害，紋枯病的預測效果最好。預測結果除了稻曲病預測結果偏少外，其余均偏多。白葉枯和稻蝗由于實況值很小，因此相對誤差非常大，但變化趨勢基本正確?？傮w來說，使用環(huán)流和海溫指數(shù)作為自變量，使用多元逐步回歸模型長期定量預測病蟲害發(fā)生的方法效果較好，具有一定的預報能力。

表4 2020年各病蟲害發(fā)生面積比的預測誤差 %

3 結論與討論

本文以蕪湖為例，分析了蕪湖市主要病蟲害的變化特征和顯著氣象影響因子，并借助多元逐步回歸方法，研究了一種基于環(huán)流和海溫指數(shù)的皖江地區(qū)主要病蟲害的長期定量預測方法，結果如下。

（1）蕪湖市蟲害總體重于病害。病害中紋枯病發(fā)生面積比最高，其與稻瘟病和稻曲病均呈顯著增加的趨勢，白葉枯則呈顯著減少的趨勢，近年來發(fā)生面積比不足1%。蟲害中稻蝗發(fā)生面積比最少，且呈顯著下降趨勢，二化螟、稻縱卷葉螟和褐飛虱則呈顯著增多的趨勢。相關分析顯示各病蟲害均存在顯著相關的氣象影響因子，可進一步建立基于氣象因子的長期預測模型。

（2）病蟲害預測模型的自變量選自可對本地氣象要素和病蟲害有先兆性指示的前1年各環(huán)流和海溫指數(shù)。首先遴選與本地病蟲害顯著相關的指數(shù)，然后將其依次放入多元逐步回歸模型，最終建立了8種病蟲害的預測模型。模型及其公式中的自變量均通過了顯著性檢驗，模型具有較好的擬合效果，對2020年各病蟲害發(fā)生面積比的預報效果驗證也顯示各模型預測效果較好，具有一定的預報能力。

（3）檢驗結果顯示本文所建立的模型，在年初就可以利用前1年的環(huán)流、海溫指數(shù)預測蕪湖市當年各主要病蟲害的發(fā)生面積比，可為本地農(nóng)業(yè)農(nóng)村部門提前做好病蟲害防治工作提供參考。皖江地區(qū)各市雖然病蟲害具體情況不同，但氣候、地理等條件接近，可借鑒此方法建立本地的病蟲害長期定量預測模型，為本地農(nóng)業(yè)氣象服務開展提供技術支撐。但本方法為統(tǒng)計方法，并未考慮各相關環(huán)流、海溫指數(shù)與病蟲害之間的物理學意義，且病蟲害的發(fā)生發(fā)展受多種因素的影響，人為技術因素是其中重要的影響因素［22］，而模型僅考慮了氣象因子對病蟲害的影響，因此，這些模型必然存在一定的誤差。為避免其他因素對模型預測效果的影響，應該定期更新病蟲害和環(huán)流、海溫指數(shù)數(shù)據(jù)，使用本方法對模型重新構建，以保證模型的預測效果。而且對于發(fā)生面積比很小的病蟲害，預測結果的相對誤差較大，主要參考其變化趨勢。

另外，本文對各病蟲害的氣象影響因子，顯著相關環(huán)流、海溫指數(shù)的分析還比較籠統(tǒng)，后期可以針對單個病蟲害做進一步地詳細分析，深入研究氣象因子影響的機制和其中的物理學意義。