基于BP神經網絡的稻麥輪作區小麥赤霉病預測模型

邢瑜琪,周 佳,黃衛利,王軍娟,劉美艷,胡小平

(1. 西北農林科技大學 植物保護學院/農業農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. 渭南職業技術學院,陜西渭南 714000;3. 西安黃氏生物工程有限公司,西安 710065;4. 江蘇師范大學 生命科學學院/江蘇省藥食植物生物技術國家重點實驗室培育點,江蘇徐州 221116;5. 江蘇師范大學 生命科學學院,江蘇徐州 221116)

小麥赤霉病是由多種鐮刀菌引起的一種流行性病害,常造成小麥減產40%～60%,甚至絕收[1-3],更為嚴重的是小麥發病籽粒中產生的多種真菌毒素嚴重威脅人畜健康,影響食品安全。近年來,由于氣候變化、栽培制度及耕作模式的變革,小麥赤霉病在中國呈北擴西移態勢,發生面積逐年擴大,為害日益嚴重[4-5],年均發生面積高達436.83萬hm2[6]。

中國稻麥輪作區小麥種植面積約為9×106～13×106hm2[7-8],主要分布于長江中下游地區[9]。其中,江蘇省分布面積約為120萬 hm2,在稻麥輪作模式中有著極其重要的地位[10]。江蘇省小麥種植區以蘇北灌溉總渠為界分為淮北、淮南和沿淮麥區[11]。據統計,2010年以來,江蘇省小麥赤霉病呈高發趨勢,2010、2012和2016年均為重度發生,2013至2015年中的其余年份均為中度發生[12]。

小麥赤霉病擴展迅速,防治周期短,確定其最佳防治時間,對保障小麥的增產穩產至關重要,對小麥赤霉病進行科學準確的預測預報是有效防控的前提和基礎。目前,有關小麥赤霉病預測模型的主要研究方法有普通回歸分析、神經網絡和灰色系統等。BP 神經網絡是基于誤差反向傳播算法的多層前饋型神經網絡,因其使用方案簡潔、易被理解、訓練能力強等優勢,近年來被廣泛普及應用[13]。胡小平等[14]創建了植物病蟲害 BP 神經網絡預測系統,該系統提供的預測結果與實際結果高度一致;Feng等[15]利用人工神經網絡中的多光譜成像技術診斷黃瓜病蟲害,結果表明該技術具有較高的準確度。

當前國內外已構建多個小麥赤霉病預測模型,De Wolf等[16]根據揚花期前后的氣象因子構建了小麥赤霉病的預測模型并成功建立了赤霉病風險預測系統,該系統預測準確度達到75%;Madgwick等[17]通過對英國14個站點1960-1990年的氣象因子數據和小麥赤霉病發病率數據進行分析,建立了 Logistic 回歸模型,并對未來50a內美國小麥赤霉病發病情況進行了預測;劉志紅等[18]建立了四川資中小麥赤霉病 BP 神經網絡模型,結果表明,模型擬合與預報精度都優于多元線性回歸模型;趙超越等[19]基于遺傳算法優化的 BP 神經網絡建立了小麥赤霉病的氣象預報模型,模型平均預報精度可達99%。張文軍[20]根據氣象、菌源等因子建立了關中地區小麥赤霉病預測模型,張平平[21]在此基礎上對模型進行優化并研制了小麥赤霉病自動監測預警系統。目前該系統已在陜西、河南、湖北、安徽、甘肅等多個小麥種植省推廣應用。該預測模型中的初始菌源量為單位面積的玉米秸稈帶菌率,而稻麥輪作區小麥赤霉病的初侵染源主要是田間水稻稻樁和根茬上越冬的病原菌,因此系統對稻麥輪作區小麥赤霉病預測準確度有一定的影響。此外,赤霉病的流行受氣候條件影響大,不同地區的生態及氣候有著顯著的差異,采用小生態區歷年相關數據對模型進行不斷地改進及優化能大幅提高預測準確度。因此,本研究采用 BP 神經網絡算法以江蘇洪澤(蘇北)、姜堰(蘇中)、張家港(蘇南)田間初始菌源和歷年氣象因子為自變量,對赤霉病病穗率進行預測,以期為稻麥輪作區小麥赤霉病的準確預測與及時防控提供技術支撐。

1 材料與方法

1.1 數據來源

小麥赤霉病歷年發生情況及稻樁帶菌率均參考國標GB/T15796-2011進行調查,在小麥抽穗期調查稻樁帶菌率,小麥蠟熟期調查赤霉病病穗率,數據資料由江蘇省洪澤區(蘇北)、姜堰區(蘇中)、張家港市(蘇南)植保站提供。各地區歷年氣象數據從中國氣象數據網(http://data.cma.cn/)獲取,具體到小時氣溫、日照時數、降雨量、相對濕度等。

1.2 模型變量選取

選用小麥蠟熟期赤霉病病穗率作為因變量(Y),小麥播種期-抽穗揚花期的平均相對濕度、日照時長、降雨量等氣象資料和田間稻樁帶菌率作為自變量(X),以旬為單位分組,采用逐步回歸分析法統計分析各變量因子與赤霉病病穗率的相關性,篩選出相關性系數較高的氣象因子。

1.3 BP 神經網絡模型

編寫 Matlab(2020b)神經網絡算法程序,輸入層由各地歷年初始菌源量和篩選的當地關鍵氣象因子構成,輸入層與隱含層網絡連接的權值為 W1,節點閾值為 b1;隱含層包含 5 個神經元節點,使用雙曲正切S型傳遞函數 tansig 作為傳遞函數[f(x) = 2/(1+exp(-2*n)-1)];Matlab調用格式:A = tansig (N,FP));隱含層到輸出層的網絡連接權值為 W2,節點閾值為 b2,使用線性傳遞函數 purelin 作為傳遞函數[f(x) = x;Matlab調用格式:A = purelin(N,FP)];設置最大訓練次數為 50 000,訓練目標精度為 0.000 1,輸出層為小麥蠟熟期赤霉病的病穗率。

1.4 模型準確度評價

將田間調查小麥赤霉病實際病穗率與系統預測病穗率按照國家標準GB/T15796-2011進行流行等級劃分:即病穗率(DF)≤0.1%,0級,不發生;0.1%40%,5級,大發生。采用肖悅巖[22]的最大誤差參照法評估系統預測準確度:

式中,R:預測準確度;Fi:預測流行等級;Ai:實際流行等級;Mi:第i次預測的最大參照 誤差。

2 結果與分析

2.1 模型變量的篩選

2.1.1 洪澤地區變量篩選 以小麥蠟熟期赤霉病病穗率作為因變量 (Y),以洪澤地區 2003-2017 年上年 12 月至當年 3 月平均相對濕度、日照時長、降雨量等氣象資料和田間稻樁帶菌率作為自變量 (X),以旬為單位分組,計算各變量因子與赤霉病病穗率的相關性。最終選用稻樁帶菌率(X1,P=0.590)、1月中旬平均溫度(X2,P=0.048)、上年12月上旬平均溫度(X3,P= 0.049)、上年12月平均溫度(X4,P=0.018)、3月中旬平均相對濕度(X5,P=0.023)、3月平均相對濕度(X6,P= 0.016)、2月下旬平均日照時長(X7,P=0.014)、3月上旬平均日照時長(X8,P=0.006)、3月中旬平均日照時長(X9,P= 0.049)和3月平均日照時長(X10,P=0.015)作為預測模型的自變量(表1)。

表1 洪澤地區模型參數及其含義Table 1 Parameters in model and their meanings for Hongze region

2.1.2 姜堰地區變量篩選 以小麥蠟熟期赤霉病病穗率作為因變量(Y),以姜堰地區 2001-2018 年上年 11 月至當年4 月平均相對濕度、日照時長、降雨量等氣象資料和田間稻樁帶菌率作為自變量 (X),以旬為單位分組,統計分析各變量因子與赤霉病病穗率的相關性。最終選用稻樁帶菌率(X1,P=0.038)、3月中旬平均相對濕度(X2,P=0.049)、1月中旬平均降雨量(X3,P=0.032)、2月下旬平均降雨量 (X4,P=0.045)、 3月平均降雨量(X5,P=0.025)、4月上旬平均降雨量(X6,P=0.032)、3月上旬平均日照時長(X7,P=0.036)、3月中旬平均日照時長(X8,P=0.029)、上年11月平均日照時長(X9,P=0.045)、上年12月上旬平均日照時長(X10,P=0.014)和上年12月平均日照時長(X11,P= 0.014)作為預測模型的自變量(表2)。

2.1.3 張家港地區變量篩選 以小麥蠟熟期赤霉病病穗率作為因變量(Y),以張家港地區 2005-2020 年上年 11 月至當年 3 月平均相對濕度、日照時長、降雨量等氣象資料和田間稻樁帶菌率作為自變量(X),以旬為單位分組,統計分析各變量因子與赤霉病病穗率的相關性。最終選用稻樁帶菌率(X1,P=0.459)、3月上旬降水量(X2,P=0.003)、3月上旬平均日照時長(X3,P= 0.032)、上年11月上旬平均降水量(X4,P= 0.040)、上年11月中旬平均降水量(X5,P= 0.009)、上年11月平均日照時長(X6,P= 0.003)和上年12月上旬平均降水量(X7,P=0)作為預測模型的自變量(表3)。

表3 張家港地區模型參數及其含義Table 3 Parameters in model and their meanings for Zhangjiagang region

2.2 模型的建立與驗證

2.2.1 洪澤地區 將“2.1.1”中的變量因子作為神經網絡算法的輸入層,當年赤霉病病穗率作為輸出層。以2003-2017 年的調查數據作為訓練集,預測 2019-2021 年洪澤地區小麥赤霉病的病穗率依次為 7.29%、4.51% 和 10.90%,田間調查實際發生的赤霉病病穗率分別為 6.55%、 1.02% 和 2.70%,模型的預測準確度為 91.67%(表4)。

表4 洪澤BP神經網絡模型測試集預測值與實際值Table 4 Predicted and actual values of Hongze BP neural network model test set

2.2.2 姜堰地區 將“2.1.2”中的變量因子作為神經網絡算法的輸入層,當年赤霉病病穗率作為輸出層。以2001-2018 年的調查數據作為訓練集,預測 2019-2022 年姜堰地區小麥赤霉病的病穗率依次為 4.02%、11.17%、3.80% 和 7.18%,田間實際發生的赤霉病病穗率分別為 2.67%、14.97%、9.50% 和 5.31%,模型的預測準確度為100%(表5)。

表5 姜堰BP神經網絡模型測試集預測值與實際值Table 5 Predicted and actual values of Jiangyan BP neural network model test set

2.2.3 張家港地區 將“2.1.3”中的變量因子作為神經網絡算法的輸入層,當年赤霉病病穗率作為輸出層。以2006 -2018年的調查數據作為訓練集,預測 2019-2022 年洪澤地區小麥赤霉病的病穗率依次為 3.85%、1.02%、21.00% 和 3.93%,田間實際發生的赤霉病病穗率分別為 3.74%、0.32%、25.90% 和 9.40%,模型的預測準確度為100%(表6)。

表6 張家港BP神經網絡模型測試集預測值與實際值Table 6 Predicted and actual values of Zhangjiagang BP neural network model test set

3 討 論

小麥赤霉病的發生受到初始菌源量、氣候條件、品種特性與栽培耕作方式等多種因素的影響[23-24]。Moschini等[25]基于氣象數據建立了阿根廷佩爾加米諾的小麥赤霉病發病率模型,結果表明模型可以準確預測赤霉病發病率;Brennan等[26]通過對小麥8個品種進行溫度敏感性試驗得出溫度的變化對小麥赤霉病發生的影響比較大;Rossi等[27]結合孢子量和相關氣象系統分析建立了小麥赤霉病風險分析模型;陳將贊等[28]對天臺縣小麥赤霉病歷史發病情況與氣象資料進行分析,建立的赤霉病預測模型預測準確率為 79.1%。李富占等[29]運用逐步回歸方法建立了河南新野縣病穗率預測模型,回驗準確率達 96.3%;本課題組前期建立了玉米-小麥輪作區赤霉病預測模型,并在長江流域及黃淮沿淮麥區6個縣(市)開展了小麥赤霉病物聯網實時監測預警技術試驗,結果表明,該技術對赤霉病發生程度的預測準確度在黃淮沿淮麥區平均為84.3%,高于長江流域的50%;對病穗率的預測準確度在黃淮麥區平均為86.8%,高于長江流域的73.0%。模型對黃淮及沿淮麥區小麥赤霉病的短期預測效果較好。其原因主要是模型中的秸稈帶菌量參數以玉米秸稈為基準,更適用于黃淮麥區玉米茬口的小麥赤霉病發生流行特點[30]。

稻麥輪作模式在江蘇省有著極其重要的地位,本研究以江蘇省不同生態區的小麥赤霉病為研究對象,以小麥赤霉病病穗率、田間稻樁帶菌率和關鍵氣象因子數據為基礎,使用BP神經網絡建立了稻麥輪作區小麥赤霉病預測模型,經準確度評價,蘇中與蘇南地區模型的預測準確度均可達100%,蘇北地區模型的平均預測準確度為 91.67%。值得關注的是,相同流行等級下的病穗率可能存在一定差異,例如2022年張家港地區預測病穗率與實際病穗率分別為9.40%和3.93%(均屬于1級輕發生),然而二者對于小麥產量和品質的影響可能不同,未來會對模型進一步優化,提高模型精準度。此外,小麥赤霉病的發生還與寄主抗性、耕作措施等因素密切相關,本研究僅分析了稻樁帶菌率和氣象條件對小麥赤霉病病穗率的影響,在未來的研究中,可全面分析不同因素對赤霉病病穗率的影響,進一步提高預測模型的準確度和穩定性。