松阳茶园主要虫害与气象因子的关系

宋丹 ,姜燕敏 ,兰建军 ,郑欣飞

(1.松阳县气象局,浙江 松阳 323400;2.丽水市气象局,浙江 丽水 323000;3.松阳县农业农村局,浙江 松阳 323400;4.南京信息工程大学 应用气象学院,江苏 南京 210044)

松阳位于浙西南山区,属中亚热带湿润季风区,季风交替明显,温暖湿润,四季分明,雨量充沛,无霜期长,是浙江生态绿茶第一县、中国名茶之乡、全国茶产业发展示范县,中国十大生态产茶县。茶产业是松阳县农业的主导产业,2020 年,全县有茶园8 967 hm2,茶叶总产量16 470 t,产值168 400 万元。全县40%的人口从事茶产业,农民收入的50%来源于茶产业,农业产值的60%来自茶产业。

根据田间调查,黑刺粉虱是松阳茶园的主要害虫之一,随着茶园面积不断扩大和茶树树龄增长,黑刺粉虱造成的经济损失越来越严重,对茶园生产造成极大威胁。茶园黑刺粉虱以若虫寄生在叶片表面刺吸汁液,并且分泌蜜露引发严重的烟煤病[1],病虫交加,养分丧失,光合作用受阻,造成树势衰弱,芽叶稀瘦,以致枝叶枯竭[2],严重影响茶叶的品质和产量。松阳茶园黑刺粉虱的绿色防控主要采用黄板和性信息素结合诱杀技术,利用害虫对颜色的趋性黏杀害虫,实现物理诱杀害虫,利用黑刺粉虱对信息素的趋性,将信息素放在黄板上诱杀黑刺粉虱成虫,以降低下一代幼虫虫口密度,减轻茶叶黑刺粉虱的危害。在越冬代黑刺粉虱成虫高峰期前3～5 d[3]悬挂黄板是最佳绿色防控时间,黑刺粉虱信息素引诱剂在成虫高峰期配合黄板使用效果较佳。目前国内学者对农作物病虫害气象预报进行了大量的研究,指出虫害发生发展与气象条件密切相关,如热量 (温度和积温)、降水、湿度、风和光照 (包括太阳辐射) 等气象要素可影响害虫的地区分布、迁移、生存时期、繁育与成活率。影响虫害的发生数量与危害程度的其他两个因素是食物及其天敌,也直接或间接受到气象条件的制约[4-7]。黄春娟等[8]通过茶区气象资料与虫害资料进行分析,研究气候预测与茶叶绿色农业防治关系,指出虫害发生的预测与气温、相对湿度、降水和风速等气象要素有很大的关联性。张惠等[9]指出当气温适宜时,春季干旱气候利于黑刺粉虱、白刺粉虱的发生发展。敖芹等[10]指出当春季气温上升至15～17 ℃,且出现连续6 d 以上的无雨日时,利于黑刺粉虱、白刺粉虱的大发生。

目前,国内对茶树病虫害预防技术的研究主要为绿色防控技术[11-15],针对茶树主要虫害与气象因子的分析过于简单,本文通过对2007—2019 年松阳越冬代黑刺粉虱成虫羽化高峰期与同期的气象要素进行大量统计分析,筛选影响的预测因子,建立越冬代黑刺粉虱成虫羽化高峰期的预测模型,指导农业主体适时采取防控措施,为本地茶园绿色生态防控提供气象服务保障。

1 材料与方法

1.1 资料来源

2007—2019 年越冬代黑刺粉虱成虫羽化高峰期资料由松阳县农业农村局土肥植保能源中心提供,该数据取自浙南松阳县境内3 块茶园 (每块667 m2),茶园主栽龙井43、乌牛早、安吉白茶,每年3 月1 日开始调查,每5 d 调查一次。同期气象资料取自松阳县气象局西屏街道区域自动站气象数据,主要包括平均气温、降水量、相对湿度、日照时数等。

1.2 方法

由于2007—2019 年越冬代黑刺粉虱成虫羽化高峰期发生记载为日期,无法与气象要素进行相关分析,首先将越冬代黑刺粉虱成虫羽化高峰期转换成日序 (统计值)[16],以3 月1 日为1、3 月2 日为2 依次类推,然后将日序值与平均气温、降水量、日照时数、相对湿度等气象相关因子分别做相关性分析,通过相关系数的大小和显著性检验筛选出对黑刺粉虱成虫羽化高峰期影响较大的气象因子,从而利用线性回归方法建立越冬代黑刺粉虱成虫羽化高峰期预测模型,并用2020—2021 年高峰期田间调查资料检验模型的预测效果。

2 结果与分析

2.1 高峰期发生时期

2007—2019 年松阳县茶园越冬代黑刺粉虱成虫羽化高峰期见图1。2007—2019 年越冬代黑刺粉虱成虫羽化高峰期有所不同,2007、2010 和2015年最早为4 月5 日,2009、2011、2016、2017 和2019 年为4 月10 日,2013、2018 年为4 月15 日,2008、2012 和2014 年为4 月20 日。由此可见,黑刺粉虱越冬代成虫羽化高峰期都集中出现在4 月。

图1 2007—2019 年松阳茶园越冬代黑刺粉虱成虫羽化高峰期

2.2 筛选气象因子

分析上年12 月至当年4 月各时期的平均气温、降水量、日照时数、相对湿度与高峰期日序值的相关性,结果见表1 和表2。由于上年12 月、当年4月的气象要素以及上年12 月至当年4 月各旬气象要素与高峰期日序值的相关系数均未达显著水平,说明这些因素对高峰期的影响较小,故表1、表2中省略,表中仅列出1—3 月的平均气温、降水量、日照时数、相对湿度与高峰期的相关系数。由表1、表2 可见,越冬代黑刺粉虱成虫羽化高峰期日序值与2 月6—10 日日照时数为显著负相关;与3月21—15 日日照时数为极显著正相关;与2 月平均气温为极显著负相关;与2 月6—10 日平均气温为极显著负相关;与降水量和相对湿度无显著相关性。从高峰期日序值与平均气温相关性来看,与2月平均气温均呈负相关,其中与2 月1—5 日平均气温相关性最低。

表1 越冬代黑刺粉虱成虫羽化高峰期 (日序)与1—3 月平均气象因子的相关系数

表2 越冬代黑刺粉虱成虫羽化高峰期 (日序)与1—3 月月平均气象因子的相关系数

据陈雪芬等[18]报道,黑刺粉虱当代1 龄幼虫中期盛发至下代1 龄中期盛发的发育起点温度为10.46 ℃;据陈炳旭等[19]报道,柑橘黑刺粉虱世代发育起点温度为11.01 ℃[20]。现将10.46 ℃、11.01 ℃分别作为越冬代黑刺粉虱幼虫发育的起点温度进行积温测算[21]。

将2007—2019 年的气温资料代入积温测算公式求出1 月、2 月、3 月的积温值,并算出高峰期日序值与对应积温值的相关性,由于高峰期日序值与2 月1—5 日平均气温相关性最低,所以剔除该影响时段,计算高峰期日序值与2 月6—28 日积温的相关性 (表3)。高峰期日序值与2 月活动积温、2 月6—28 日的活动积温均为极显著负相关,与2月6—28 日的有效积温均为显著负相关。

表3 越冬代黑刺粉虱成虫羽化高峰期 (日序)与1—3 月积温的相关系数

2.3 多重回归分析

对2007—2019 年越冬代黑刺粉虱成虫羽化高峰期日序值与显著影响因子进行回归分析,分别建立越冬代黑刺粉虱成虫羽化高峰期预测模型 (1)、模型 (2),其中X1为2 月6—10 日日照时数、X2为3 月21—25 日日照时数、X3为2 月平均气温、X4为2 月活动积温、X5为2 月2 侯平均气温、X6为2 月6—28 日活动积温、X7为2 月6—28 日有效积温 (≥10.46 ℃) (表4)。表4 中预测模型检验的P值都小于0.05,说明两个回归方程式都达到显著水平。

表4 越冬代黑刺粉虱成虫羽化高峰期 (日序) 预测模型

根据所建立的预测模型 (1)、模型 (2) 方程,分别用2007—2019 年的气象数据对当年越冬代黑刺粉虱成虫羽化高峰期进行回代拟合检验(表5)。预测高峰期模型 (1) 与实际高峰期日序值最大误差为3 d,有1 a,误差≤2 d 的概率为92.3%;模型 (2) 最大误差3 d,有3 a,误差≤2 d 的概率为76.9%。两种模型均无4 d 以上误差,回代检验效果理想。两种模型比较,模型 (1) 拟合度高于模型 (2)。

2.4 测试结果检验

我们利用2020—2021 年气象资料对越冬代黑刺粉虱羽化高峰期进行预测模型检验,计算结果与实测值的对比如表5、6 所示。2020 年和2021 年实际高峰期均为4 月15 日,模型 (1) 预测2020年、2021 年高峰期日序值均为45,对应日期均为4 月14 日,2 a 预测值与实际值都相差1 d,且都在4 月11—15 日;模型 (2) 预测2020 年、2021年高峰期日序值分别为40 和42,对应日期为4 月9 日和4 月11 日,2020 年相差6 d,2021 年相差4 d,但2021 预测值与实测值均在4 月11—15 日。从以上预测结果得出:模型 (1) 预测效果好于模型 (2),利用气象要素采用回归分析对黑刺粉虱越冬代成虫羽化高峰期进行推算的方法有效可行,并可以在每年3 月26 日前预测高峰期,能够满足农业生产指导病虫防控的需要。

表5 2007—2019 年越冬代黑刺粉虱成虫羽化高峰期 (日序) 预测与检验结果

表6 2020—2021 年越冬代黑刺粉虱成虫羽化高峰期 (日序) 预测与检验结果

3 小结与讨论

松阳县2007—2019 年越冬代黑刺粉虱羽化高峰期主要受2 月6—10 日日照时数、3 月21—25 日日照时数、2 月平均气温、2 月活动积温、2 月6—10 日平均气温、2 月6—28 日活动积温、2 月6—28 日有效积温 (≥10.46 ℃) 的影响,而与降水量和相对湿度相关性较小。

引入显著性气象因子,分别采用了全部回归和逐步回归分析数据,建立预测越冬代黑刺粉虱羽化高峰期模型。通过回代检验,模型 (1) 和模型(2) ≤2 d 的预测拟合度分别为92.3%和76.9%;通过对2020 年、2021 年预测检验,模型 (1) 误差在2 d 以内准确率100%,效果较好。利用本研究建立的模型,结合气象部门气象站点的资料,可以在每年3 月26 日前预测越冬代黑刺粉虱羽化高峰期,为黑刺粉虱的绿色防控提供一定的参考。

本研究在筛选气象因子时既用了长时间段的月气象因子,又用了短时间段的侯气象因子,但仍存在1～3 d 的误差,这可能与模型仅考虑了影响高峰期的气象因子,而茶园的种植结构、田间管理、生物因子也会影响高峰期。

建立模型材料为2007—2019 年的数据,样本积累仍然偏少,且虫害资料仅是定性调查资料,应用模型预测时难免有偏差,在之后应用中有待于进一步修正完善。