湖北小麥條銹病預測模型的構建及應用

摘要

湖北省是我國小麥條銹菌的重要冬繁區之一， 也是小麥條銹病由西北越夏區傳播至華中小麥主產區的關鍵通道， 加強對湖北省小麥條銹病的準確預測和科學防控至關重要。本研究利用1995年-2023年的數據， 通過相關性分析， 結合滑動窗口法篩選出了與湖北省小麥條銹病發生面積相關的因子， 包括日平均氣溫、日平均最高氣溫、日平均最低氣溫、平均日照時數、日累積降水量， 并以1995年-2020年的數據構建了條銹病發生面積的基于全子集回歸模型和BP神經網絡模型。結果表明， 全子集回歸模型1和2對1995年-2020年小麥條銹病發生面積回測準確度分別為88.7%和88.1%， 對2021年-2023年的預測準確度分別為89.8%和95.2%;BP神經網絡模型1和2對1995年-2020年小麥條銹病發生面積回測準確度分別為96.5%和95.8%， 對2021年-2023年的預測準確度分別為91.6%和90.9%。因此， BP神經網絡模型1是湖北省小麥條銹病發生面積的最佳模型。

關鍵詞

小麥條銹病;" 發生面積;" 全子集回歸;" BP神經網絡算法

中圖分類號：

S 435.121

文獻標識碼：" A

DOI：" 10.16688/j.zwbh.2024078

收稿日期：" 20240207""" 修訂日期：" 20240407

基金項目：

國家重點研發計劃（2021YFD1401000）;科技部國際合作項目（G2023172013L）;西北農林科技大學推廣項目（TGZX2021-13）;西北農林科技大學高水平創新團隊項目（XYTD2023-04）

致" 謝：" 參加本試驗部分工作的還有江代禮、譚翰杰、張能和紀燁斌等同學，特此一并致謝。

* 通信作者

E-mail：

xphu@nwsuaf.edu.cn

#

為并列第一作者

Construction and application of wheat stripe rust prediction model for Hubei

LIN Jiahao1，" HU Xuemin1，" DUAN Weitong1，" YANG Junjie2，" HUANG Chaoyan3，" HUANG Weili4，LI Yuxiang1，" HU Xiaoping1*

（1. Key Laboratory of Plant Protection Resources and Pest Integrated Management of Ministry of Education， Key

Laboratory of Integrated Pest Management on Crops in Northwestern Loess Plateau， Ministry of Agriculture and

Rural Affairs， College of Plant Protection， Northwest A amp; F University， Yangling" 712100， China; 2. Hubei Plant

Protection Station， Wuhan" 430070， China; 3. Xiangyang Plant Protection Station， Hubei Province， Xiangyang

441021， China; 4. Xi’an Huang’s Biological Engineering Co.， Ltd.， Xi’an" 710065， China）

Abstract

Hubei province is a crucial winter propagation area for wheat stripe rust pathogen in China and serves as a key transmission route for the disease from the northwestern over-summering regions to the main wheat-producing areas in central China. Accurately predicting and scientifically controlling wheat stripe rust in Hubei province is very important. This study utilized data from 1995 to 2023， employing correlation analysis and the sliding window method to identify factors related to the occurrence area of wheat stripe rust in the region， including daily average temperature， daily average maximum temperature， daily average minimum temperature， average sunshine hours， and daily cumulative precipitation. Prediction models for the occurrence area of wheat stripe rust from 1995 to 2020 were constructed using full subset regression and BP neural network algorithm. The backtesting accuracies for the full subset regression models 1 and 2 were 88.7% and 88.1%， respectively， while the prediction accuracies from 2021 to 2023 were 89.8% and 95.2%， respectively. For the BP neural network models 1 and 2， the backtesting accuracies from 1995 to 2020 were 96.5% and 95.8%， respectively， and the prediction accuracies from 2021 to 2023 were 91.6% and 90.9%， respectively. Therefore， BP neural network model 1 is the best model for predicting the occurrence area of wheat stripe rust in Hubei province.

Key words

wheat stripe rust;" occurrence area;" full subset regression;" BP neural network algorithm

由條形柄銹菌Puccinia striiformis f.sp. tritici侵染引起的小麥條銹病，具有適生范圍大、傳播速率高、危害損失大等特點，病害流行年份常常造成40%以上的產量損失，嚴重時甚至引致絕產［1］。1949年至今，我國共發生過8次小麥條銹病大流行（1950年、1964年、1983年、1985年、1990年、2002年、2017年和2020年），導致小麥減產約160億kg［14］，對我國的糧食安全造成了嚴重的威脅。

湖北省地處華北西北長江中下游地區，是我國小麥條銹菌重要的冬繁區之一［56］，也是西北小麥條銹病越夏區向我國中部小麥主產區傳播的橋梁和咽喉地帶［7］。小麥是湖北省種植的第二大糧食作物，常年種植約110萬hm2，種植面積僅次于水稻。自1990年以來，小麥條銹病已在湖北發生了多次大流行，其中2020年為近30年來發生區域最廣、發生程度最重、發生面積最大的年份，部分未防治田損失慘重，造成減產最高可達69.06%［89］。做好湖北省小麥條銹病的預測和防治工作，不僅可以增加湖北省小麥的產量，同時能夠減輕豫南、山東等地區的條銹病春季流行防控壓力［3，67］。湖北省小麥條銹病的主要菌源是入冬前由川、隴地區傳入的，根據菌源地的不同表現出不同的見病時間。條銹菌在襄陽麥區經過冬繁后，于春季向東北方向的廣大麥區傳播擴散，當氣象條件合適時迅速暴發成災［7］。目前，對于湖北省小麥條銹病的監測預警研究較少，黃朝炎等［10］對鄂西北地區小麥條銹病的發生規律進行系統的調查與觀察，分析了影響襄樊市小麥條銹病流行的主要因素;萬安民等［3］對湖北省西北部山區的調查結果表明，湖北省西北部山區不能作為小麥條銹菌的越夏區向低海拔地區傳播菌源;張靜［11］基于襄樊市小麥條銹病發病率及本地風向、風速、溫度等因子，構建了襄樊市小麥條銹病發病面積的時間序列預測模型，擬合結果較好，與實際發生情況一致;戶雪敏等［12］對襄陽市小麥條銹菌夏孢子數量進行了連續的監測，明確了襄陽地區條銹菌夏孢子數量高峰出現時間，并分析了夏孢子密度與氣象因子之間的關系。

近年來，許多學者建立了小麥條銹病發生程度的預測模型。胡小平等［13］建立了基于春季菌量、秋季菌量、感病寄主占比、月降雨量和月平均溫度的漢中地區小麥條銹病BP神經網絡模型，預測結果和實際發生情況高度吻合;袁磊等［14］結合神經網絡算法與小波變換，構建了陜西漢中地區小麥條銹病預測模型，準確度達到100%;Sharma-Poudyal等［15］基于冬季溫度、降雨量構建了美國西北地區小麥條銹病的損失模型，準確率達到92%以上;鞏文峰等［16］基于林芝地區5月至7月的溫度、濕度以及降雨量，構建了林芝地區小麥條銹病病情指數模型與時間動態模型，擬合效果較好;姚曉紅等［17］利用甘肅省冬小麥條銹病病田率資料以及相關氣象因子，分別構建了小麥條銹病秋、春季發病面積預測預報氣象等級模型，秋季準確度89%，春季準確度91%;李富占［18］利用逐步回歸法建立了基于河南新野的初始病田率、初始病葉數、小麥品種抗性以及流行期氣象條件因子的回歸模型，對病葉率大于5%的年份預測準確度達91.6%;Xu等［19］通過對小麥條銹病菌越冬潛力與冬季溫度的關系進行實地研究，構建了冬小麥種植區的小麥條銹菌越冬風險模型，預測結果與實際發生情況高度吻合;Hu等［20］建立了中國中部和西北部的小麥條銹病菌越冬潛力模型，并對模型的性能進行了評價，結果顯示，模型的預測值與實際觀測值擬合較好;孔鈺如等［21］以甘肅省隴南地區為研究區，基于氣象和遙感數據建立了SEIR-StripeRust動態預測模型，預測結果平均絕對誤差為0.09;馮賀奎等［22］基于豫南地區4月上旬的小麥病田率及流行關鍵期氣象因子，建立了當年小麥條銹病的發生程度和發生面積的預測模型，預測結果與實際情況基本一致。

迄今為止，基于氣象因子的湖北省小麥條銹病發生面積的預測研究尚未見報道。本研究篩選了與湖北襄陽地區小麥條銹病發病面積相關的關鍵因子，并建立了基于關鍵因子的全子集回歸模型和BP神經網絡模型。

1" 材料與方法

1.1" 數據收集

湖北省1995年-2023年秋苗期小麥條銹病發生面積與小麥條銹病最終發病面積（表1）由湖北省植保植檢站提供，調查時間分別為每年的11月-12月和每年的4月-6月;1995年-2023年的日平均氣溫、日最高氣溫、日最低氣溫、日平均相對濕度、日最低相對濕度、日平均降雨量和日平均日照時數來自中國氣象數據網（http：∥data.cma.cn/）。

1.2" 研究方法

1.2.1" 關鍵因子篩選

利用Excel 2019，對收集到的氣象資料進行初步整理，選取上年10月至翌年3月的氣象數據進行分析，使用Python3.11.0軟件中Numpy、Pandas包對數據進行進一步處理，利用滑動窗口法對1995年-2023年氣象數據進行整理。運用SPSS軟件中的Pearson相關性分析，并結合生物學意義篩選出與小麥條銹病發生面積顯著相關的氣象因子。

1.2.2" 全子集回歸分析

以1995年-2020年篩選出的與小麥條銹病發生面積顯著相關的氣象因子為自變量，小麥條銹病發生面積為因變量，使用R Studio version 4.2.2軟件中的leaps包進行全子集回歸分析，并使用決定系數（R2）、赤池信息量準則和均方根誤差（root mean squared error， RMSE）作為指標對分析結果進行評價［23］。R2的高低，決定了預測模型擬合效果的好壞。RMSE，又稱為均方根誤差，是預測值與真實值之間差值的平方與樣本數比值的平方根，計算公式為：

RMSE=1n∑ni=1（yi-y′i）2

其中，n為樣本數，yi為實際值，y′i為預測值。

1.2.3" BP神經網絡算法

利用關鍵氣象因子為自變量，條銹病的最終發生面積為因變量，使用MATLAB R2018a軟件中的神經網絡工具箱進行3層BP神經網絡預測模型的構建，并以殘差分布情況、RMSE、R2和模型的回測、預測準確度對構建的模型進行評價。

1.2.4" 預測效果評價方法

利用建立的模型對1995年-2020年湖北省小麥條銹病最終發病面積進行回測檢驗，并對2021年-2023年小麥條銹病最終發病面積進行準確度評價。利用肖悅巖最大誤差參照法［24］計算預測準確度。

R=

1-∑ni=1|X′i-Xi|

∑ni=1Xi∨（Xmax-Xi）

式中，n表示樣本數量;R表示預測準確度;Xi表示當年小麥條銹病實際發生面積;X′i表示預測值;Xmax表示最高級數，由湖北省歷年觀測小麥條銹病發生面積的平均值和標準差推算得出;Xi∨（Xmax-Xi）表示取Xi與Xmax-Xi之間的最大值，即最大誤差。

2" 結果與分析

2.1" 病害流行因素分析

相關性分析結果表明，湖北省小麥條銹病最終發生面積與當地上年秋苗發病面積無顯著相關性（Pgt;0.05）。利用滑動窗口法對湖北省條銹病最終發病面積與氣象因子數據進行Pearson相關性分析，共篩選出144組與條銹病最終發病面積顯著相關的因子，剔除自相關因子后，共篩選出23個與湖北省小麥條銹病最終發病面積顯著相關的氣象因子（Plt;0.05）（表2）。

2.2" 全子集回歸分析

利用篩選到的與小麥條銹病發生面積顯著相關的因子1月13日-1月22日平均氣溫（X1）、1月13日-1月22日平均日最高氣溫（X2）、2月13日-2月22日平均日最高氣溫（X3）、2月14日-2月23日累積降水量（X4）、1月19日-1月28日平均日最低氣溫（X5）以及上年10月30日-11月9日平均日照時數（X6）、2月10日-2月19日平均日照時數（X7）為自變量，分別選用因子集1（X1、X2、X4、X5、X6、X7）和因子集2（X1、X2、X3、X4、X5、X6）構建全子集回歸預測模型1和模型2：

Y1=-10.342 9X1+6.505 9X2+0.858 7X4+2.719 1X5-3.903 3X6+3.864 9X7+0.923 5

Y2=-10.719 1X1+6.424 9X2+1.753 0X3+0.791 9X4+2.910 3X5-4.308 5X6-0.563 8

式中，X1的取值范圍為-1.97～6.49℃;X2為-0.34～14.42℃;X3為5.07～22.86℃;X4為0～49.73 mm;X5為-3.24～3.05℃;X6為1.29～8.17 h;X8為0.7～7.32 h。

對1995年-2020年的小麥條銹病發病面積的回測結果表明（圖1），模型1和模型2回測準確度分別為88.7%和88.1%。湖北省2021年-2023年實際發病面積為58.0萬、10.3萬hm2和5.5萬hm2，模型1預測2021年-2023年湖北省小麥條銹病最終發病面積的結果分別為41.9萬、15.0萬hm2和5.2萬hm2，平均預測準確度為89.8%;模型2的預測結果分別為46.7萬、13.6萬hm2和7.9萬hm2，平均預測準確度為95.2%。模型1和模型2的RMSE分別為9.55和9.78，R2分別為0.73和0.72（表3）。2個模型的殘差分布均服從正態分布（圖2）。

2.3" BP神經網絡模型

利用全子集回歸模型篩選出的因子集1（X1、X2、X4、X5、X6、X7）和因子集2（X1、X2、X3、X4、X5、X6）分別作為BP神經網絡模型的輸入層，以當年條銹病最終發生面積作為輸出層，隱藏層神經元個數設定為10，使用Levenberg-Marquardt算法對模型進行訓練，設置最大迭代次數為1 000，采用均方誤差算法計算誤差，學習率設定為0.01，設定誤差在連續6次檢驗后不下降就停止學習，目標誤差設定為0.001，隱含層激活函數為sigmoid函數。建立的模型1對1995年-2020年湖北省小麥條銹病最終發病面積的回測結果分別為2.4萬、19.6萬、28.7萬、9.7萬、11.5萬、0.9萬、16.0萬、31.9萬、19.6萬、13.9萬、18.4萬、29.9萬、14.0萬、4.2萬、41.5萬、13.2萬、17.6萬、7.8萬、27.9萬、29.6萬、46.9萬、10.0萬、67.0萬、12.6萬、35.6萬hm2和78.3萬hm2;建立的模型2回測結果分別為2.4萬、1.9萬、29.3萬、7.1萬、12.4萬、1.6萬、16.1萬、31.9萬、20.5萬、25.0萬、23.8萬、30.5萬、13.9萬、5.0萬、36.7萬、12.7萬、18.5萬、20.7萬、28.0萬、32.5萬、46.7萬、17.1萬、67.0萬、14.0萬、0.9萬hm2和80.4萬hm2（圖3）。模型1和模型2的回測準確度分別為96.5%和95.8%。模型1預測2021年-2023年湖北省小麥條銹病最終發病面積分別為52.2萬、16.4萬hm2和10.9萬hm2，平均預測準確度為91.6%;模型2預測的結果分別為67.8萬、13.2萬hm2和11.7萬hm2，平均預測準確度為90.9%。模型1和模型2的RMSE分別為0.94和1.50，R2分別為0.97和0.92（表4）。模型1和模型2的殘差分布均服從正態分布（圖4）。

3" 結論與討論

準確預測湖北省小麥條銹病的發生情況對我國東部麥區的小麥條銹病防控工作至關重要。相關性分析結果表明，湖北省秋苗發病面積與翌年條銹病最終發生面積無顯著相關性，推測是由于湖北地區的小麥條銹病的菌源地有多個，由于湖北省冬季主要以西北風為主，3月以后西南風偏強，導致當以甘、陜等西北地區菌源為主時，田間常在年前12月發病，甚至出現發病中心;當以川、貴等西南地區菌源為主時，條銹病往往在春季田間發病或出現發病中心［7］。因此，僅僅通過對湖北省秋苗發病面積與翌年條銹病最終發生面積進行相關性分析難以揭示二者之間的關系，后續研究中，可以結合甘、陜、川、貴等菌源地的條銹病發病情況進行綜合分析，以達到更精確地描述二者之間的關系。小麥條銹病為單年流行病害，病害潛育期短，病原菌繁殖力強，在氣候條件適宜時，即使初始菌源量低，也能迅速繁殖傳播并導致病害流行。氣象因子與田間病情分析結果表明，上年10月30日-11月9日平均日照時數、1月13日-1月22日平均氣溫、1月13日-1月22日平均日最高氣溫、1月19日-1月28日平均最低氣溫、2月10日-2月19日平均日照時數、2月13日-2月22日平均日最高氣溫、2月14日-2月23日累積降水量7個因素與湖北省小麥條銹病的最終發生面積顯著相關。基于上述條件建立了湖北省小麥條銹病發生面積的全子集回歸預測模型和BP神經網絡預測模型，結果表明BP神經網絡預測模型1預測準確度最高，且綜合指標表現良好，為最優模型。

目前，基于全子集回歸與BP神經網絡構建的預測模型已經被廣泛應用。全子集回歸列舉全部可能組合方式，建立全局最優模型，以包含最少自由變量的模型解釋因變量，進而消除共線性的影響［25］。BP神經網絡模型

是一種按誤差反向傳播訓練的多層前饋網絡，該算法基于梯度下降法，利用梯度搜索技術，綜合分析各個因子與預測值的關系，使網絡的實際輸出值和期望值的誤差達到最小［26］。

此外，BP神經網絡模型可以將數據集分為訓練集、驗證集和測試集進行訓練，能有效地降低模型的過擬合現象，使模型具有更高的預測準確度。蘇暢等［27］和戶雪敏等［28］分別建立了陜西省和甘肅省的小麥條銹病的BP神經網絡模型，2個模型的預測準確度均在90%以上。本研究以湖北省關鍵氣象因子為自變量，當地小麥條銹病發生面積為因變量，分別建立了全子集回歸模型和BP神經網絡模型，其中2個BP神經網絡算法模型的預測準確度均大于90%。在對模型進行評價時，不應以模型的預測準確度為唯一標準，還應綜合模型的回測準確度、殘差分布及RMSE值等指標對模型的準確性和穩定性進行評價。本研究建立的全子集預測模型2具有更高的預測準確度，但其殘差分布相較于BP神經網絡模型1更為離散，且回測準確度也低于神經網絡模型。因此，BP神經網絡模型1具有更高的穩定性與泛化性，為最優模型。

病害的發生和流行與寄主情況、環境條件和菌源數量等因素密切相關，但本研究僅分析了氣象條件對小麥條銹病發生面積的影響，忽略了寄主小麥的抗病性及其種植面積、條銹菌毒性及其群體數量等因素的作用，需要在以后的研究中考慮。

參考文獻

［1］" 陳萬權， 康振生， 馬占鴻， 等. 中國小麥條銹病綜合治理理論與實踐［J］. 中國農業科學， 2013， 46（20）： 42544262.

［2］" 馬占鴻. 中國小麥條銹病研究與防控［J］. 植物保護學報， 2018， 45（1）： 16.

［3］" 萬安民， 張忠軍， 金社林， 等. 湖北省西北部山區小麥條銹菌越夏研究簡報［J］. 植物病理學報， 2004， 34（1）： 9092.

［4］" 劉萬才， 趙中華， 王保通， 等. 我國小麥條銹病防控的植保貢獻率初析［J］. 中國植保導刊， 2022， 42（7）： 59.

［5］" 張太學. 中國小麥條銹菌氣流傳播模擬研究［D］. 楊凌： 西北農林科技大學， 2022.

［6］" LI Yuxiang， DAI Jichen， ZHANG Taixue， et al. Genomic analysis， trajectory tracking， and field surveys reveal sources and long-distance dispersal routes of wheat stripe rust pathogen in China ［J/OL］. Plant Communications， 2023， 4（4）： 100563. DOI： 10.1016/j.xplc.2023.100563.

［7］" 黃朝炎， 楊立軍， 張君， 等. 襄陽麥區小麥條銹病流行的新特點及影響因子分析［J］. 湖北農業科學， 2011， 50（24）： 50985100.

［8］" 楊俊杰， 匡輝， 余小清， 等. 2014年湖北小麥條銹病流行特點及原因分析［J］. 湖北植保， 2015（6）： 4951.

［9］" 許艷云， 楊俊杰， 張求東， 等. 湖北省2020年小麥條銹病大流行特點與關鍵防控對策［J］. 中國植保導刊， 2021， 41（2）： 100103.

［10］黃朝炎， 楊秋生， 龔國安， 等. 鄂西北地區小麥條銹病發生規律研究［J］. 湖北植保， 2003（3）： 46.

［11］張靜. 基于神經網絡的受災面積預測精度研究——以襄樊市小麥條銹病發病面積為例［J］. 襄樊學院學報， 2004， 25（2）： 2325.

［12］戶雪敏， 陳富華， 陸可心， 等. 湖北襄陽小麥條銹菌夏孢子數量的周年動態［J］. 麥類作物學報， 2023， 43（1）： 124129.

［13］胡小平， 楊之為， 李振岐， 等. 漢中地區小麥條銹病的BP神經網絡預測［J］. 西北農業學報， 2000， 9（3）： 2831.

［14］袁磊， 李書琴. 基于小波網絡的小麥條銹病預測模型研究［J］. 微計算機信息， 2009， 25（35）： 4243.

［15］SHARMA-POUDYAL D， CHEN Xianming. Models for predicting potential yield loss of wheat caused by stripe rust in the U.S. Pacific Northwest ［J］. Phytopathology， 2011，101（5）： 544554.

［16］鞏文峰， 帥玉婷， 馬占鴻. 林芝地區小麥條銹菌與氣象因子的關系及流行動態模型的構建［J］. 植物保護學報， 2018， 45（1）： 167172.

［17］姚曉紅， 萬信， 許彥平， 等. 甘肅河東地區小麥條銹病發展成因及預測預報技術［J］. 中國農學通報， 2018， 34（5）： 101106.

［18］李富占. 河南新野小麥條銹病流行的影響因素及預測模型［J］. 中國植保導刊， 2018， 39（5）： 4649.

［19］XU Xiangming， MA Lijie， HU Xiaoping. Overwintering of wheat stripe rust under field conditions in the Northwestern regions of China ［J］. Plant Disease， 2019， 103（4）： 638644.

［20］HU Xiaoping， CAO Shiqin， CORNELIUS A， et al. Predicting overwintering of wheat stripe rust in central and Northwestern China ［J］. Plant Disease， 2020， 104（1）： 4451.

［21］孔鈺如， 王李娟， 張競成， 等. 多源數據小麥條銹病預測研究［J］. 遙感技術與應用， 2022， 37（3）： 571579.

［22］馮賀奎， 彭紅， 劉廣峰， 等. 豫南小麥條銹病春季流行動態及發生趨勢預測［J］. 中國植保導刊， 2023， 34（1）： 4043.

［23］ATKINSON M P， JEGANATHAN C， DASH J， et al. Inter-comparison of four models for smoothing satellite sensor time-series data to estimate vegetation phenology ［J］. Remote Sensing of Environment， 2012， 123： 400417.

［24］肖悅巖. 預測預報準確度評估方法的研究［J］. 植保技術與推廣， 1997（4）： 36.

［25］張智韜， 韓佳， 王新濤， 等. 基于全子集分位數回歸的土壤含鹽量反演研究［J］. 農業機械學報， 2019， 50（10）： 142152.

［26］戶雪敏. 小麥條銹病的監測與預警［D］. 楊凌： 西北農林科技大學， 2023.

［27］蘇暢， 戶雪敏， 胡洋山， 等. 陜西小麥條銹病發生面積預測模型［J］. 植物保護， 2022， 48（3）： 192198.

［28］戶雪敏， 李輝， 伏松平， 等. 甘肅省小麥條銹病發生面積預測［J］. 西北農業學報， 2022， 31（7）： 18.

（責任編輯：楊明麗）