基于大尺度因子的江蘇稻區稻瘟病氣象等級長期預測

徐 敏, 徐經緯, 高 蘋, 吳洪顏*, 羅曉春, 任義方

(1. 江蘇省氣象局, 南京 210008; 2. 南京信息工程大學氣象災害教育部重點實驗室,氣候與環境變化國際合作聯合實驗室,氣象災害預報預警與評估協同創新中心,資料同化研究與應用中心, 南京 210044)

?

基于大尺度因子的江蘇稻區稻瘟病氣象等級長期預測

徐 敏1, 徐經緯2, 高 蘋1, 吳洪顏1*, 羅曉春1, 任義方1

(1. 江蘇省氣象局, 南京 210008; 2. 南京信息工程大學氣象災害教育部重點實驗室,氣候與環境變化國際合作聯合實驗室,氣象災害預報預警與評估協同創新中心,資料同化研究與應用中心, 南京 210044)

為較早地準確預測水稻稻瘟病發生發展的氣象等級,利用大氣環流和太平洋海溫對氣象條件影響的滯后性,采用最優相關和空間拓撲分析技術,結合滑動平均和主成分識別法,篩選出對江蘇稻區稻瘟病指數影響最顯著且穩定獨立的大尺度預報因子,分別建立了基于大氣環流因子和基于海溫因子的稻瘟病氣象等級長期預測模型。經歷史擬合和試報檢驗,模型效果理想,能提前一個月預測出水稻稻瘟病發生的氣象等級。該模型的預測結果對江蘇稻區稻瘟病防治具有重要意義。

水稻稻瘟病; 氣象等級預測; 海溫; 大氣環流指數

水稻稻瘟病是由被稱為灰梨孢或稻梨孢的真菌引起,該真菌屬于半知菌亞門[1]。稻瘟病菌不僅能侵染水稻,還能侵染小麥、大麥等農作物的莖葉,以及植物的根部[2]。稻瘟病是我國稻區最嚴重的病害之一,一般流行年份可造成10%～20%的減產,嚴重發生時損失高達40%～50%[3],嚴重制約我國水稻生產。近年來在我國南北稻區及部分感病品種上呈偏重流行態勢,老病區和感病品種普遍發病,具有點多面廣、發病品種多、發生頻率趨高、面積趨大、為害趨重的特點[4-6]。

稻瘟病的發生流行受菌源、氣象因子及寄主植物水稻三者影響,因此可根據菌量、氣象條件、栽培條件或寄主生育狀況、侵染狀況進行預測[2]。稻瘟病屬于再侵染頻繁的病害,初始菌量的多少決定流行程度,氣象條件也對其影響很大,溫度主要影響稻瘟病菌的生長發育,濕度則影響病原菌孢子的形成、萌發和侵入,雨水飛濺易致氣傳孢子的釋放和傳播。王建忠等[7]指出稻瘟病的發生、流行及危害與氣象條件密切相關,屬于典型的“氣象型”病害,在稻瘟病流行年份,水稻生長前期的氣候特點主要表現為溫暖、多雨寡照;水稻生長中后期的氣候特點表現為低溫、多雨寡照[8-9]。因此,利用氣象條件與稻瘟病間的關系,建立稻瘟病氣象等級預測模型是可行的。我國學者從20世紀80年代起,在農作物病害發生發展與氣象條件的關系、發生的氣象環境成因、氣象預測預報等研究方面取得了重要進展,何永坤等[10]從稻瘟病發病機理出發，建立了其發生發展的氣象條件促病指數和氣象條件等級預報指標,利用72 h的短期天氣預報開展稻瘟病發生發展的氣象等級預報;郭瑞鴿等[11]針對江西早稻利用統計方法建立了稻瘟病發生的氣象條件監測預警方法,開展預警時同樣采用的是短期天氣預報;黃春艷等[12]應用逐步回歸法建立了黑龍江稻區稻瘟病流行趨勢預測數學模型,預報因子為6月下旬至7月中旬的各旬關鍵氣象因子;胡毅等[13]利用貝葉斯判別法和神經網絡建立了四川省稻區稻瘟病發病率及其等級預報模式,預報因子為3月上旬至6月上旬各旬的主要氣象要素。

從已有研究來看,稻瘟病氣象等級的預測時效基本上只有3 d左右,預測精度依賴于短期天氣預報的準確度,預測時效短不利于稻瘟病防治工作的開展。為了延長預測時效,本研究將以江蘇稻區為例,在綜合稻瘟病指數和稻瘟病氣象等級指標的研究成果基礎上,根據長期預報方法,利用最優相關和空間拓撲分析技術,篩選出對綜合稻瘟病指數影響顯著的海溫預報因子和大氣環流預報因子,分別建立其長期預報模型,并進行模型檢驗。若能提前一個月且準確地預測出稻瘟病氣象等級,則可為提前采取有效防治措施提供科學依據,同時對保障糧食安全具有十分重要的現實意義。

1 資料與方法

1.1 研究資料

(1) 氣象資料:1978-2015年,江蘇全省67個氣象站逐日氣象資料,日降水量、日平均溫度、日均相對濕度、日照時數。

(2) 環流指數:1978-2015年,來自國家氣候中心的74項逐月大氣環流指數,包括不同區域副熱帶高壓面積和強度指數、極渦面積指數、緯向環流指數、經向環流指數、南方濤動指數、東亞槽強度和位置等。

(3) 海溫資料:1978-2015年,來自美國大氣與海洋管理局網站氣候診斷中心的太平洋海區(10°S～50°N、120°E～80°W)逐月海表面溫度,水平分辨率是5°×5°(圖1)。

圖1 1978-2015年北太平洋海溫場286個格點編號示意圖Fig.1 The north Pacific SST field 286 lattice code diagram

1.2 研究方法

1.2.1 綜合稻瘟病指數的算法

適宜的氣象條件是水稻稻瘟病大發生的直接誘發因素,當氣溫在20～30℃、空氣相對濕度90%以上、稻株表面水膜保持6～10 h,稻瘟病就容易發生[10]。對于江蘇稻區,6—8月為稻瘟病發生流行的主要時期,該時段覆蓋了水稻的葉瘟和穗頸瘟發病期,因此在構建稻瘟病指數時,綜合考慮了葉瘟指數和穗頸瘟指數,并對綜合稻瘟病指數所對應的氣象等級進行了劃分,具體計算公式和等級劃分見文獻[14]。

1.2.2 最優化算法

為了實現提前一個月預測出稻瘟病氣象等級的目標,充分利用稻瘟病發生的氣象條件對大氣環流與海溫響應的滯后性[15-16],采用相關分析篩選出與綜合稻瘟病指數相關的大氣環流指數和海溫格點。為了取得更加顯著的相關效果,應用最優化相關處理技術[17]進行膨化處理,經過最優化處理可尋找到相關顯著的因子。

最優化處理計算公式如下:

H=(|x-b|/B+0.5)a

(1)

其中,x為大尺度預報因子(大氣環流指數或太平洋海溫),H為經過變換的大尺度預報因子,a、b為待定參數,根據經驗,a、b、B取值范圍如下:

a∈(-10,-1/10)或a∈(1/10,10)

xmin+(xmax-xmin)/4≤b≤xmax-(xmax-xmin)/4

B=max(xmax-b,b-xmin)

待定參數a、b用最優化技術求出,令目標函數為:

f(a,b)=1-R2→min

(2)

其中,R為變換后的大尺度預報因子H與綜合稻瘟病指數的相關系數,經過最優化處理后,可得到一系列與綜合稻瘟病指數相關最顯著的大尺度預報因子。

2 結果與分析

2.1 基于大尺度氣象因子的綜合稻瘟病指數預測模型

2.1.1 大氣環流預報因子篩選與預測模型的建立

由于江蘇地區稻瘟病的易發關鍵期是8月份,因此預報因子截止到7月份,通過因子膨化,從上一年1月至當年7月共19個月,對74項大氣環流特征量進行所有時段組合,并計算各組合時段的平均值,經過篩選,得到21個兼具穩定性和獨立性的大氣環流影響因子,具體為:不同時間段北非大西洋北美副高面積指數(110°W～60°E)、東太平洋副高面積指數(175°W～115°W)、西太平洋副高強度指數(110°W～180°)、南海副高強度指數(100°E～120°E)、太平洋副高強度指數(110°E～115°W)、不同時間段北半球副高脊線(5°E～360°)、北半球副高脊線(5°E～360°)、北半球副高北界(5°E～360°)、不同時間段太平洋副高北界(110°E～115°W)、太平洋區極渦面積指數(2區150°E～120°W)、北美區極渦面積指數(3區120°W～30°W)、北半球區極渦強度指數(5區0～360°)、不同時間段大西洋歐洲環流型C、亞洲緯向和經向環流指數(60°E～150°E)、印緬槽(15°N～20°N,80°E～100°E)、編號臺風。

對上述篩選出的顯著相關因子,進行逐步回歸,由其中7個因子建立了基于大氣環流因子的綜合稻瘟病指數的預測模型,方程如下:

Zhl=-0.539H1+0.685H2-0.490H3+0.364H4+

0.231H5-0.914H6-3.150H7+14.267

式中,Zhl為水稻綜合稻瘟病指數,H1……H7為經過線性和非線性處理的大氣環流預報因子,計算公式和含義見表1。

表1 綜合稻瘟病指數預測模型中的大氣環流預報因子1)

Table 1 The mathematical expression of atmospheric circulation predictor in the long-term prediction model of composite index of rice blast

預報因子Predictor表達式Expression影響時段Periodaffected含義Symbolicmeaning相關系數CorrelationcoefficientH1(|x1-14.64|/3.36+0.5)2.97上年5月Maylastyear北半球副高脊線Subtropicalhighridgelineofthenorthernhemisphere-0.421H2(|x2-10.19|/4.81+0.5)-2.46上年1月-上年3月January-Marchlastyear北半球副高脊線Subtropicalhighridgelineofthenorthernhemisphere0.403H3(|x3-216.56|/37.44+0.5)-2.27上年12月Decemberlastyear太平洋區極渦面積指數PolarvortexareaindexofthePacificarea-0.404H4(|x4-7.12|/7.88+0.5)-2.77當年5月-當年7月May-Julythepresentyear大西洋歐洲環流型EuropeanAtlanticcirculationtype0.453

續表1 Table 1(Continued)

預報因子Predictor表達式Expression影響時段Periodaffected含義Symbolicmeaning相關系數CorrelationcoefficientH5(|x5-95.58|/27.25+0.5)-2.61上年5月-上年7月May-Julylastyear亞洲緯向環流指數Asianzonalcirculationindex0.506H6(|x6-41.50|/11+0.5)-1.50當年6月-當年7月June-Julythepresentyear亞洲經向環流指數Asianmeridionalcirculationindex-0.547H7(|x7-16|/26+0.5)0.75當年3月Marchthepresentyear印緬槽Indian-Myanmartrough-0.506

1) 通過0.01顯著性檢驗的F值是0.418,通過0.001顯著性檢驗的F值是0.519,x1……x7是對應的大氣環流指數值。Fvalue is 0.418 by significance test of 0.01.Fvalue is 0.519 by significance test of 0.001.x1……x7is the atmospheric circulation index value.

2.1.2 海溫預報因子篩選與預測模型的建立

海洋對我國氣候的影響存在后延效應,因此我們計算了上年1月至當年7月海溫與綜合稻瘟病指數的相關系數,受篇幅限制,文中以相關性較好的4個月份為例(圖2),從海溫場的相關系數空間分布圖上可以看出,綜合稻瘟病指數與上年5月(圖2a)、6月(圖2b)、7月(圖2c)、9月(圖2d)太平洋海溫均存在高相關區(藍色區域,通過0.05顯著性檢驗),上年5月的顯著負相關區位于(23°N～27°N,150°E～180°),上年6月和7月的顯著負相關區域較為接近,均位于25°N附近的東太平洋區域,上年9月的顯著負相關區已經轉移到赤道以南的西太平洋區域。由此可見,太平洋海溫對綜合稻瘟病指數具有可預報性,而且海溫的后延效應可大幅提高預測模型的預測時效。

圖2 綜合稻瘟病指數與太平洋海溫的相關系數Fig.2 Correlation coefficient between composite index of rice blast and sea surface temperature

由于太平洋海溫是一個場,若是獨立的格點具有相關性并沒有實際意義,所以在尋找綜合稻瘟病指數的海溫相關因子時需要考慮空間相關格點數,在此利用空間拓撲分析原理,篩選出空間相連格點≥4個的海區,將此海區影響時段的海溫平均值作為一個海溫預報因子,然后再將所選因子進行最優化處理。經過篩選,共有22個海溫因子入選,經過逐步回歸后,由其中7個因子構建了預測模型,方程如下:

Zsst=-1.935S1-0.284S2+0.003S3+15.276S4-

0.770S5+0.133S6-0.338S7-0.544

式中,Zsst為水稻綜合稻瘟病指數,S1……S7為經過線性和非線性處理的海溫預報因子,計算公式和相關信息見表2。

表2 綜合稻瘟病指數預測模型中的海溫預報因子1)

Table 2 The mathematical expression of sea surface temperature predictor in the long-term prediction model of composite index of rice blast

預報因子Predictor表達式Expression影響時段Periodaffected高相關海區格點數Latticesitesinhighlycorrelatedarea相關系數CorrelationcoefficientS1(|y1-136.75|/30+0.5)0.82上年5月Maylastyear4-0.479S2(|y2-299.45|/17.45+0.5)-3.54上年7月Julylastyear5-0.543S3(|y3-246.98|/12.13+0.5)-10上年9月Septemberlastyear90.417S4(|y4-232.13|/10.27+0.5)0.125上年3月Marchlastyear70.559S5(|y5-279.11|/18.31+0.5)-2.12上年4月Aprillastyear5-0.516S6(|y6-274.29|/20.44+0.5)-4.24上年6月Junelastyear110.525S7(|y7-167.59|/37.88+0.5)4.56上年7月Julylastyear170.514

1) 通過0.01顯著性檢驗的F值是0.418,通過0.001顯著性檢驗的F值是0.519,y1……y7是對應海區海溫格點的平均值。Fvalue is 0.418 by significance test of 0.01.Fvalue is 0.519 by significance test of 0.001.y1……y7is the atmospheric circulation index value.

2.2 模型的擬合檢驗和試報檢驗

為了檢驗基于大氣環流因子和基于海溫因子的預測模型的擬合效果,將綜合稻瘟病指數的實際值和模擬值進行了對比(圖3),可以看出兩類預測模型的模擬結果與綜合稻瘟病指數的實際值都非常接近,波動特征基本一致,尤其是病害重的極端年份,1980、1986、1987、2003、2011年的綜合稻瘟病指數均超過12,對照表1,這些年份稻瘟病發生的氣象條件等級為強適宜,兩類模型均能準確模擬出稻瘟病發生程度的氣象等級。基于大氣環流因子的預測模型的擬合值平均相對誤差是7.8%,基于海溫因子的預測模型的擬合值平均相對誤差是7.5%,海溫模型的誤差相對小一些。兩類模型均通過了0.01的顯著性檢驗,擬合效果好。

圖3 1978-2012年綜合稻瘟病指數兩類長期預測模型的擬合檢驗Fig.3 Fitting test of two long-term prediction models of composite index of rice blast during 1978-2012

利用2013-2015年的資料進行試報檢驗,從表4可以看出,利用大氣環流因子構建的預測模型預測出的近3年綜合稻瘟病指數與實際值的誤差范圍是0.18～0.67,其中2014年預測出的氣象條件對病害的適宜程度為“弱適宜”,低于實際的氣象等級“適宜”,其余兩年的氣象等級預報均為正確;利用海溫因子構建的預測模型預測出的近3年綜合稻瘟病指數與實際值的誤差范圍是-0.34～0.28,預測值與實際值非常接近,預測的氣象條件對稻瘟病病害的適宜程度均正確。從近3年試報效果來看,基于海溫因子的模型預測效果要好于基于環流因子的模型預測效果。

表3 綜合稻瘟病指數預測模型的試報檢驗(綜合稻瘟病指數/氣象等級)

Table 3 Test of two long-term prediction models of composite index of rice blast (composite index of rice blast / meteorology grade)

年份Year基于環流因子的預報值Forecastvalueofpredictionmodelbasedonthecirculationfactors基于海溫因子的預報值Forecastvalueofpredictionmodelbasedonseasurfacetemperaturefactors實際值Actualvalue20138.89/(1)8.79/(1)9.07/(1)20149.97/(1)10.68/(2)10.35/(2)201511.14/(2)11.74/(2)11.81/(2)

3 結論與討論

本研究為稻瘟病氣象等級的預測研究提供了新思路,通過找尋稻瘟病的大尺度氣象預報因子,構建了稻瘟病氣象等級的長期預測模型,并對模型進行了驗證,通過了0.01顯著性水平檢驗,說明預測模型切實可行,可提前一個月預測出稻瘟病的氣象等級,為提前準備稻瘟病的科學防治提供了充足時間,彌補了原有稻瘟病氣象等級預測時效短的不足。大尺度氣象預報因子的找尋,一是根據中長期天氣預報原理,海溫的變化會引起大氣環流系統的改變[18],從而影響到各地的氣象條件,而氣象條件的變化會影響稻瘟病的發生發展;二是充分利用了海溫和大氣環流對局地氣象條件影響的滯后性,使得預測模型的預測時效延伸到了一個月。

選育和種植抗病品種雖然是控制稻瘟病發生流行的最經濟、環保的措施,但在一定年限后,選育出的抗病品種仍可能變成感病品種。因此,當稻瘟病發生流行時,速效的化學防治仍然是最佳手段,有效防治稻瘟病的前提是進行有效的預測,只有及時準確地掌握了稻瘟病發生發展的趨勢,才能抓住用藥最佳時機,實現有效防治[19]。值得注意的是,通過本研究構建的稻瘟病氣象等級長期預測模型,預測出的氣象等級與稻瘟病發生流行實際等級可能會存在不一致的情形,因為稻瘟病氣象等級是表示氣象因子對稻瘟病發生發展的適宜程度,而實際田間的稻瘟病除了受氣象條件影響外,還與植株抗病能力、病原數量、氮肥施用量和施用時期等有關。因此,在開展稻瘟病的實際預測時,需要綜合考慮氣象因素和管理水平以及水稻本身的抗病能力。

[1] 任鄄勝,肖陪村,陳勇,等.水稻稻瘟病病菌研究進展[J].現代農業科學,2008,15(1):19-23.

[2] 曾士邁,楊演.植物病害流行學[M].北京:農業出版社,1986:184-190.

[3] 孫國昌,杜新法,陶榮祥.水稻稻瘟病防治研究進展和21世紀研究設想[J].植物保護,2000,26(1):33-35.

[4] 王艷青.近年來中國水稻病蟲害發生及趨勢分析[J]. 中國農學通報,2006,22(2):343-347.

[5] 趙夢,歐陽芳,張永生,等.2000-2010年我國水稻病蟲害發生與為害特征分析[J]. 生物災害科學,2014,37(4):275-280.

[6] 舒暢,潘華. 江西水稻病蟲害發生與防治淺議[J]. 氣象與減災研究,2006,29(1):61-64.

[7] 王建忠,鄭文靜,張燕之. 水稻稻瘟病的發病原因及綜合防治[J]. 農業科技通訊, 2006(8):24-25.

[8] 劉靜,王健林,宋迎波,等. 寧夏水稻稻瘟病發生程度的氣象等級預報[J]. 安徽農業科學,2009, 37(1):5021-5023.

[9] 劉志恒,王世維,魏松紅,等. 2011—2012年遼寧省稻瘟病菌種群動態分析[J]. 沈陽農業大學學報,2014,45(4):393-397.

[10]何永坤,陽園燕,羅孳孳. 稻瘟病發生發展氣象條件等級業務預報技術研究[J]. 氣象,2008,34(12):110-113.

[11]郭瑞鴿,杜筱玲,劉文英,等. 江西早稻瘟病發生的氣象條件監測預警方法[J]. 氣象與減災研究,2008, 31(3):48-51.

[12]黃春艷,張勻華,商世吉,等. 黑龍江稻區稻瘟病流行趨勢預測數學模型研究[J]. 植物保護,1995,21(2):8-11.

[13]胡毅,向衛國,趙純波,等. 四川省稻瘟病發病率及其等級預報初探[J]. 成都氣象學院學報,1994,9(4):60-67.

[14]任義方,高蘋,朱鳳. 江蘇省稻瘟病發生程度的氣象等級預報[J]. 江蘇農業科學,2016,44(8):151-154.

[15]高蘋,武金崗,楊榮明,等.江蘇省稻縱卷葉螟遷入期蟲情指標與西太平洋海溫的遙相關及其長期預報模型的研究[J].應用生態學報,2008,19(8):2056-2066.

[16]陳烈庭.太平洋海氣相互作用時空變化[J].氣象學報,1983,41:296-304.

[17]湯志成, 孫涵.最優化因子處理及加權多重回歸模型[J]. 氣象學報,1992, 50(4):514-517.

[18]章基嘉,葛玲.中長期天氣預報基礎[M].北京:氣象出版社,1983:254-282.

[19]齊龍,馬旭,梁柏,等.稻瘟病監測預測方法研究現狀及流行風險評估體系構建初探[J].中國農學通報,2011,27(33):213-216.

(責任編輯：田 喆)

Long-term prediction models based on large-scale factors for meteorological grade of the rice blast in Jiangsu rice area

Xu Min1, Xu Jingwei2, Gao Ping1, Wu Hongyan1, Luo Xiaochun1, Ren Yifang1

(1.MeteorologicalBureauofJiangsuProvince,Nanjing210008,China; 2.KeyLaboratoryofMeteorologicalDisaster,MinistryofEducation(KLME),JointInternationalResearchLaboratoryofClimateandEnvironmentChange(ILECE),CollaborativeInnovationCenteronForecastandEvaluationofMeteorologicalDisasters(CIC-FEMD),CenterforDataAssimilationResearchandApplication(CDARA),NanjingUniversityofInformationSciences&Technology(NUIST),Nanjing210044,China)

In order to predict the degree of meteorological grade of rice blast early and accurately, two long-term prediction models of meteorological grade for rice blast were established based on the atmospheric circulation factors and based on SST factors by the optimal correlation and spatial topological analysis technology and the impact of atmospheric circulation and Pacific SST on meteorological conditions (tread effect). In addition, the methods of moving average and principal component were used for the forecast factor having stability and independence to the comprehensive index of rice blast. Furthermore, through the historical fitting and forecast testing, the results of the prediction models were satisfactory. The meteorological grade of rice blast could be predicted by the models at least one month in advance. Therefore, the prediction results have a significant guiding meaning for agricultural prevention and control of rice blast in Jiangsu rice area.

rice blast; prediction model of meteorological grade; sea surface temperature; atmospheric circulation index

2016-09-02

2016-12-07

公益性行業(氣象)科研專項(GYHY201306035);江蘇省氣象局科研基金面上項目(KM201504,KM201707)

S431.2, S 435.111.41

A

10.3969/j.issn.0529-1542.2017.04.006

* 通信作者 E-mail: jsqx_zqzb@126.com