松陽茶園主要蟲害與氣象因子的關系

宋丹 ,姜燕敏 ,蘭建軍 ,鄭欣飛

(1.松陽縣氣象局,浙江 松陽 323400;2.麗水市氣象局,浙江 麗水 323000;3.松陽縣農業農村局,浙江 松陽 323400;4.南京信息工程大學 應用氣象學院,江蘇 南京 210044)

松陽位于浙西南山區,屬中亞熱帶濕潤季風區,季風交替明顯,溫暖濕潤,四季分明,雨量充沛,無霜期長,是浙江生態綠茶第一縣、中國名茶之鄉、全國茶產業發展示范縣,中國十大生態產茶縣。茶產業是松陽縣農業的主導產業,2020 年,全縣有茶園8 967 hm2,茶葉總產量16 470 t,產值168 400 萬元。全縣40%的人口從事茶產業,農民收入的50%來源于茶產業,農業產值的60%來自茶產業。

根據田間調查,黑刺粉虱是松陽茶園的主要害蟲之一,隨著茶園面積不斷擴大和茶樹樹齡增長,黑刺粉虱造成的經濟損失越來越嚴重,對茶園生產造成極大威脅。茶園黑刺粉虱以若蟲寄生在葉片表面刺吸汁液,并且分泌蜜露引發嚴重的煙煤病[1],病蟲交加,養分喪失,光合作用受阻,造成樹勢衰弱,芽葉稀瘦,以致枝葉枯竭[2],嚴重影響茶葉的品質和產量。松陽茶園黑刺粉虱的綠色防控主要采用黃板和性信息素結合誘殺技術,利用害蟲對顏色的趨性黏殺害蟲,實現物理誘殺害蟲,利用黑刺粉虱對信息素的趨性,將信息素放在黃板上誘殺黑刺粉虱成蟲,以降低下一代幼蟲蟲口密度,減輕茶葉黑刺粉虱的危害。在越冬代黑刺粉虱成蟲高峰期前3～5 d[3]懸掛黃板是最佳綠色防控時間,黑刺粉虱信息素引誘劑在成蟲高峰期配合黃板使用效果較佳。目前國內學者對農作物病蟲害氣象預報進行了大量的研究,指出蟲害發生發展與氣象條件密切相關,如熱量 (溫度和積溫)、降水、濕度、風和光照 (包括太陽輻射) 等氣象要素可影響害蟲的地區分布、遷移、生存時期、繁育與成活率。影響蟲害的發生數量與危害程度的其他兩個因素是食物及其天敵,也直接或間接受到氣象條件的制約[4-7]。黃春娟等[8]通過茶區氣象資料與蟲害資料進行分析,研究氣候預測與茶葉綠色農業防治關系,指出蟲害發生的預測與氣溫、相對濕度、降水和風速等氣象要素有很大的關聯性。張惠等[9]指出當氣溫適宜時,春季干旱氣候利于黑刺粉虱、白刺粉虱的發生發展。敖芹等[10]指出當春季氣溫上升至15～17 ℃,且出現連續6 d 以上的無雨日時,利于黑刺粉虱、白刺粉虱的大發生。

目前,國內對茶樹病蟲害預防技術的研究主要為綠色防控技術[11-15],針對茶樹主要蟲害與氣象因子的分析過于簡單,本文通過對2007—2019 年松陽越冬代黑刺粉虱成蟲羽化高峰期與同期的氣象要素進行大量統計分析,篩選影響的預測因子,建立越冬代黑刺粉虱成蟲羽化高峰期的預測模型,指導農業主體適時采取防控措施,為本地茶園綠色生態防控提供氣象服務保障。

1 材料與方法

1.1 資料來源

2007—2019 年越冬代黑刺粉虱成蟲羽化高峰期資料由松陽縣農業農村局土肥植保能源中心提供,該數據取自浙南松陽縣境內3 塊茶園 (每塊667 m2),茶園主栽龍井43、烏牛早、安吉白茶,每年3 月1 日開始調查,每5 d 調查一次。同期氣象資料取自松陽縣氣象局西屏街道區域自動站氣象數據,主要包括平均氣溫、降水量、相對濕度、日照時數等。

1.2 方法

由于2007—2019 年越冬代黑刺粉虱成蟲羽化高峰期發生記載為日期,無法與氣象要素進行相關分析,首先將越冬代黑刺粉虱成蟲羽化高峰期轉換成日序 (統計值)[16],以3 月1 日為1、3 月2 日為2 依次類推,然后將日序值與平均氣溫、降水量、日照時數、相對濕度等氣象相關因子分別做相關性分析,通過相關系數的大小和顯著性檢驗篩選出對黑刺粉虱成蟲羽化高峰期影響較大的氣象因子,從而利用線性回歸方法建立越冬代黑刺粉虱成蟲羽化高峰期預測模型,并用2020—2021 年高峰期田間調查資料檢驗模型的預測效果。

2 結果與分析

2.1 高峰期發生時期

2007—2019 年松陽縣茶園越冬代黑刺粉虱成蟲羽化高峰期見圖1。2007—2019 年越冬代黑刺粉虱成蟲羽化高峰期有所不同,2007、2010 和2015年最早為4 月5 日,2009、2011、2016、2017 和2019 年為4 月10 日,2013、2018 年為4 月15 日,2008、2012 和2014 年為4 月20 日。由此可見,黑刺粉虱越冬代成蟲羽化高峰期都集中出現在4 月。

圖1 2007—2019 年松陽茶園越冬代黑刺粉虱成蟲羽化高峰期

2.2 篩選氣象因子

分析上年12 月至當年4 月各時期的平均氣溫、降水量、日照時數、相對濕度與高峰期日序值的相關性,結果見表1 和表2。由于上年12 月、當年4月的氣象要素以及上年12 月至當年4 月各旬氣象要素與高峰期日序值的相關系數均未達顯著水平,說明這些因素對高峰期的影響較小,故表1、表2中省略,表中僅列出1—3 月的平均氣溫、降水量、日照時數、相對濕度與高峰期的相關系數。由表1、表2 可見,越冬代黑刺粉虱成蟲羽化高峰期日序值與2 月6—10 日日照時數為顯著負相關;與3月21—15 日日照時數為極顯著正相關;與2 月平均氣溫為極顯著負相關;與2 月6—10 日平均氣溫為極顯著負相關;與降水量和相對濕度無顯著相關性。從高峰期日序值與平均氣溫相關性來看,與2月平均氣溫均呈負相關,其中與2 月1—5 日平均氣溫相關性最低。

表1 越冬代黑刺粉虱成蟲羽化高峰期 (日序)與1—3 月平均氣象因子的相關系數

表2 越冬代黑刺粉虱成蟲羽化高峰期 (日序)與1—3 月月平均氣象因子的相關系數

據陳雪芬等[18]報道,黑刺粉虱當代1 齡幼蟲中期盛發至下代1 齡中期盛發的發育起點溫度為10.46 ℃;據陳炳旭等[19]報道,柑橘黑刺粉虱世代發育起點溫度為11.01 ℃[20]。現將10.46 ℃、11.01 ℃分別作為越冬代黑刺粉虱幼蟲發育的起點溫度進行積溫測算[21]。

將2007—2019 年的氣溫資料代入積溫測算公式求出1 月、2 月、3 月的積溫值,并算出高峰期日序值與對應積溫值的相關性,由于高峰期日序值與2 月1—5 日平均氣溫相關性最低,所以剔除該影響時段,計算高峰期日序值與2 月6—28 日積溫的相關性 (表3)。高峰期日序值與2 月活動積溫、2 月6—28 日的活動積溫均為極顯著負相關,與2月6—28 日的有效積溫均為顯著負相關。

表3 越冬代黑刺粉虱成蟲羽化高峰期 (日序)與1—3 月積溫的相關系數

2.3 多重回歸分析

對2007—2019 年越冬代黑刺粉虱成蟲羽化高峰期日序值與顯著影響因子進行回歸分析,分別建立越冬代黑刺粉虱成蟲羽化高峰期預測模型 (1)、模型 (2),其中X1為2 月6—10 日日照時數、X2為3 月21—25 日日照時數、X3為2 月平均氣溫、X4為2 月活動積溫、X5為2 月2 侯平均氣溫、X6為2 月6—28 日活動積溫、X7為2 月6—28 日有效積溫 (≥10.46 ℃) (表4)。表4 中預測模型檢驗的P值都小于0.05,說明兩個回歸方程式都達到顯著水平。

表4 越冬代黑刺粉虱成蟲羽化高峰期 (日序) 預測模型

根據所建立的預測模型 (1)、模型 (2) 方程,分別用2007—2019 年的氣象數據對當年越冬代黑刺粉虱成蟲羽化高峰期進行回代擬合檢驗(表5)。預測高峰期模型 (1) 與實際高峰期日序值最大誤差為3 d,有1 a,誤差≤2 d 的概率為92.3%;模型 (2) 最大誤差3 d,有3 a,誤差≤2 d 的概率為76.9%。兩種模型均無4 d 以上誤差,回代檢驗效果理想。兩種模型比較,模型 (1) 擬合度高于模型 (2)。

2.4 測試結果檢驗

我們利用2020—2021 年氣象資料對越冬代黑刺粉虱羽化高峰期進行預測模型檢驗,計算結果與實測值的對比如表5、6 所示。2020 年和2021 年實際高峰期均為4 月15 日,模型 (1) 預測2020年、2021 年高峰期日序值均為45,對應日期均為4 月14 日,2 a 預測值與實際值都相差1 d,且都在4 月11—15 日;模型 (2) 預測2020 年、2021年高峰期日序值分別為40 和42,對應日期為4 月9 日和4 月11 日,2020 年相差6 d,2021 年相差4 d,但2021 預測值與實測值均在4 月11—15 日。從以上預測結果得出:模型 (1) 預測效果好于模型 (2),利用氣象要素采用回歸分析對黑刺粉虱越冬代成蟲羽化高峰期進行推算的方法有效可行,并可以在每年3 月26 日前預測高峰期,能夠滿足農業生產指導病蟲防控的需要。

表5 2007—2019 年越冬代黑刺粉虱成蟲羽化高峰期 (日序) 預測與檢驗結果

表6 2020—2021 年越冬代黑刺粉虱成蟲羽化高峰期 (日序) 預測與檢驗結果

3 小結與討論

松陽縣2007—2019 年越冬代黑刺粉虱羽化高峰期主要受2 月6—10 日日照時數、3 月21—25 日日照時數、2 月平均氣溫、2 月活動積溫、2 月6—10 日平均氣溫、2 月6—28 日活動積溫、2 月6—28 日有效積溫 (≥10.46 ℃) 的影響,而與降水量和相對濕度相關性較小。

引入顯著性氣象因子,分別采用了全部回歸和逐步回歸分析數據,建立預測越冬代黑刺粉虱羽化高峰期模型。通過回代檢驗,模型 (1) 和模型(2) ≤2 d 的預測擬合度分別為92.3%和76.9%;通過對2020 年、2021 年預測檢驗,模型 (1) 誤差在2 d 以內準確率100%,效果較好。利用本研究建立的模型,結合氣象部門氣象站點的資料,可以在每年3 月26 日前預測越冬代黑刺粉虱羽化高峰期,為黑刺粉虱的綠色防控提供一定的參考。

本研究在篩選氣象因子時既用了長時間段的月氣象因子,又用了短時間段的侯氣象因子,但仍存在1～3 d 的誤差,這可能與模型僅考慮了影響高峰期的氣象因子,而茶園的種植結構、田間管理、生物因子也會影響高峰期。

建立模型材料為2007—2019 年的數據,樣本積累仍然偏少,且蟲害資料僅是定性調查資料,應用模型預測時難免有偏差,在之后應用中有待于進一步修正完善。