吉林永吉县水稻稻瘟病发生的气象因子及预测模型

郑潇菲，曲凤玲

（1.吉林省吉林市永吉县农业技术推广总站，吉林 永吉 132100；2.吉林省吉林市永吉县北大湖镇农业技术推广站，吉林 永吉 132100）

一、永吉县2007～2016 年稻瘟病发生情况

2007～2016 年永吉县水稻稻瘟病发生面积（包括叶瘟和穗颈瘟）分别占水稻种植面积的18.5%、14.3%、10.1%、23.4%、21.2%、9.6%、16.8%、21.2%、8.9%、20.1%。其中2010 发病率最高，发病面积达5697.9 hm2，为近10年来发病最严重的1次。2015 年发病率最低，发病面积百分比仅为8.9%。

二、稻瘟病的发生与气象因子的关系

永吉县是吉林省水稻主要生产区，种植的水稻为一季稻。稻瘟病的发生流行和7、8 月的气候因素有紧密关系。此时温度均超过20℃，湿度是稻瘟病发生和流行的主要因素。一旦7、8 月降雨量大、雨日多、露水多，稻株表层水膜保持超过6 h，日照不足易引发稻瘟病流行。适宜的环境条件有利于分生孢子的产生和侵染，同时光照少、光合作用减弱，会使稻株的碳氮比下降，发病加重。水稻抽穗期间穗颈瘟的发生流行主要受雨日天数和雨量的制约[1]。

1、稻瘟病与降雨量的关系

从统计资料可知，永吉县稻瘟病发病相对较重的年份是2010、2011、2014、2016、2007 年。2010 年7 月全县降雨量约为385.3 mm，为近10 年来稻瘟病发生最重的1 年。由此可见，2007～2016 年降雨量是影响水稻稻瘟病发生和流行的重要因素之一，降雨量增加直接导致稻瘟病发病面积扩大、发病率上升，两者呈正相关关系。

2、稻瘟病与雨日天数的关系

2007～2016 年，全县7～8 月的雨日天数不同，但年份之间变化不大。其中，2014 和2016 年雨日数最少，但发病率相对较高，由此可知，降雨天数并非直接影响水稻稻瘟病发生流行的主要因素，而是对发病面积大小趋势有一定影响。

3、稻瘟病与温度的关系

2007～2016 年7、8 月平均气温都在20℃以上，满足稻瘟病发病的温度要求。2014、2016 年7 月上旬平均温度较高，2014、2016、2017 年8 月平均温度较高，稻瘟病发病率高，表明温度和稻瘟病的发生蔓延存在某种必然联系。2010、2011 稻瘟病发病率相对较高，但温度特征不明显；2012、2008 年7、8月平均温度较高，但发病率不高。由此可知，温度影响稻瘟病发生流行的同时，也受到降雨量的影响。

4、稻瘟病与湿度的关系

2015 年7 月，永吉县的相对湿度最低仅71%，稻瘟病发病率最低。由此可知，相对湿度较低，稻瘟病病菌侵染和扩散能力较弱，湿度通过影响病菌繁殖对稻瘟病发生流行起作用。

三、逐步回归分析模型的应用

1、基础数据

以永吉县农业技术推广总站提供的2007～2016 年永吉县水稻稻瘟病的发病面积、播种面积和永吉县气象局提供的同期7～8月的气象资料为研究基础，把水稻稻瘟病的发病面积和播种面积之比用y表示，即为当年稻瘟病的发病率，也就是预测模型的预测变量[2]。每年7 月和8 月的上旬平均气温、中旬平均气温、下旬平均气温、月均气温、月均降雨量、降雨天数和平均相对湿度共14 个气象因子，分别记作x1，x2，x3，……，x14。运用逐步回归分析法，从影响永吉县水稻稻瘟病发病的14 个气象因子中筛选出具有显著性的3 个预测因子，即x1（7 月上旬平均气温）、x8（8 月平均气温）、x9（7 月降水量）。表1 列出了相关原始数据，其中前8 年资料气象用于建立逐步回归预测模型，后3 年资料用于模型可靠性验证。

表1 水稻稻瘟病流行预测预报数据资料

2、建立稻瘟病流行预测模型

采用SPSS 软件，应用逐步回归分析法将预测因子依次引入，经过筛选最终确立了以下稻瘟病回归预测模型：

y=1.373x1+5.059x8+0.054x9-134.762

该模型参数值为：F检验值89.496 ＞F0.05，回归方程非常显著，可以用于预测。

由回归预测式可以看出，x1（7 月上旬平均气温）、x8（8月平均气温）、x9（7 月降水量）与永吉县水稻稻瘟病的发病率（y）显著正相关。

3、预测效果检验

将表1 中2007～2014 年的气象数据依次带入回归预测方程中，通过逐步回归分析进行数理分析计算，并通过历史拟合度比较法对预测模型的准确性进行检验，结果如表2 所示。

表2 逐步回归方程回验结果

由表2 结果显示，从2007～2014 年，2010 年的预测值与实测值的符合率最高是99.8%；2008 年为95.9%最低。8 年的年平均符合率在97.5%以上，模型预测值与实际发生值的符合率较高，说明应用逐步回归分析所建立的模型能较正确地反映永吉县水稻稻瘟病发病率的动态变化。

4、预测应用

2015～2017 年的气象资料没有参与预测式建立的计算，现将表1 中的2015～2017 年数据当作新的预测因子带入方程开始预测，结果详见表3。

表3 逐步回归方程预测结果

由表3 可知，2015 年预测符合率87.2%，2016 年预测符合率91.2%，2017 年预测符合率89.3%，平均符合率超过89.2%，符合率较高。因此，可以判定该预测模型可靠性较高，可以应用于稻瘟病的预测。

运用数理统计方法对影响永吉县水稻稻瘟病发病的14 个气象因进行了逐步回归分析，带入回归方程得出永吉县水稻稻瘟病预测模型。经检验，历史预测拟合度达到97.5%；2015～2017年预测结果符合率也很高，平均为89.2%。

四、结语

逐步回归分析是数理统计方法之一，存在一定局限性。水稻稻瘟病发生流行的影响因素有很多，如栽培技术、气候条件、品种抗性、施肥水平、生理小种种群变动等，该方法虽然可以筛选出优势因子，但却忽视了各因子之间的内在联系，所以在稻瘟病的预测上，应该更多的综合多种预测方法，全面分析，进一步提高预测预报的准确性[3]。