孝感市小麦赤霉病发生气象指标及预报模型研究

摘要：本研究采用逐步回归、决策树与随机森林模型分析方法，分析了影响湖北省孝感市小麦赤霉病病穗率的主要气象因子，建立了基于病穗率的预报模型。结果表明，总体上降水量、气温、日照时数、空气相对湿度等因子对小麦赤霉病病穗率的影响显著，其中影响最大的气象因子是4月上旬降雨量，其次是4月中旬降雨量、3月中旬平均空气相对湿度及4月中旬平均气温；逐步回归预报模型验证表明，该模型对病穗率大于1%的年份回验准确率达87.2%，实际预报准确率达到89.8%。决策树与随机森林模型分析表明，4月上旬降水量大于36 mm、4月中旬降水量大于43 mm、5月上旬日照时数小于51 h，3月中旬平均空气相对湿度大于83%，小麦赤霉病发病率显著增加。研究建立的赤霉病发病率气象预报模型和基于机器学习方法的赤霉病预警气象指标可为指导相关业务服务提供参考。

关键词：小麦赤霉病；雨量；湿度；日照时数；平均气温；预测模型

中图分类号：S435.121.45；S165" 文献识别码：A" 文献编号：1005-6114（2024）04-013-06

收稿日期：2024-04-16

作者简介：韩杳（1984-），女，气象工程师，从事气象服务工作。E-mail：286899979@qq.com

小麦赤霉病是小麦真菌性病害之一，这种病原菌首先遗留散落于田间的秸秆上，越冬后于春季在适宜的环境下进行繁殖扩散，在小麦扬花期侵染花粉［1，2］。小麦在受到赤霉病的侵染后，会使得小麦植株的茎基部位、茎秆部位及植株穗部发生腐烂症状，其中最严重的是穗腐病症，对产量和品质影响最大［3，4］。小麦赤霉病的发生与天气有很大关系，一般发生在3月中下旬至4月上旬，4月份以后气温升高若降雨多或持续潮湿易发生小麦赤霉病［5，6］。春季气温7℃以上，病原菌在土壤含水量大于50%形成子囊壳，气温高于12℃形成子囊孢子，在降雨或空气潮湿的情况下，子囊孢子成熟并散落在花药上，经花丝侵染小穗发病［7］。据孝感市2002～2021年的小麦赤霉病测报资料统计，病穗率以小于或等于1%和大于10%的年份居多，分别为7年（占35%）、12年（占60%），小麦大部分在4月上旬齐穗扬花，此期间降雨较多，对赤霉病子囊壳及子囊孢子的形成、孢子的释放和侵染发病等极为有利，导致了小麦赤霉病偏重流行。然而，有关湖北孝感地区小麦赤霉病发生和流行与气象条件的关系仍停留在定性的初步认知，本地化的气象指标和有效的预报模型仍十分欠缺，严重制约了赤霉病防治和气象预警服务工作的开展。为此，本研究拟通过对孝感市小麦生育期内的气象因素进行系统分析，综合利用经典的回归分析和机器学习方法，明确影响小麦赤霉病发病率的关键时段、主要气象因子及其阈值，并建立定量化的预报模型，以期为小麦赤霉病的预测防治提供依据。

1" 材料与方法

1.1" 资料来源

根据赤霉病发生规律以及对环境条件的要求［8-11］，2002-2024年气象观测资料主要选用由孝感国家基准气候站提供的的2月下旬至5月上旬降雨量、相对湿度、日照时数和平均气温等4个气象要素的逐旬数据。2002-2024年小麦赤霉病测报资料，来源于孝感市农业技术推广中心提供的小麦病穗率监测资料。

1.2" 模型与分析方法

采用传统的回归分析与机器学习两类方法对小麦赤霉病病穗率及其影响因子进行分析和建模。

1.2.1" 逐步回归模型

逐步回归是经典回归分析中的一种常用方法，自动从大量可供选择的变量中选取最重要的变量，建立最优或合适的回归预测或者解释模型［12，13］。本研究利用DPS数据处理系统，对赤霉病病穗率及影响因素进行逐步回归分析，通过调整Fx临界值引入一些配合较好和方差贡献大的自变量，组建回归方程，当F引=F剔=0时，所有变量全部被引入［14-16］。

1.2.2" 决策树与随机森林模型

决策树模型是一种经典的机器学习算法，采用递归分割技术，将数据空间不断划分为不同子集，探测数据的潜在结构、重要模式和关系，且无需提前对自变量和因变量的关系进行假设，可以克服自变量间的多重共线性。随机森林是由众多决策树构成的集成算法，可有效提高模型预测精度和泛化能力，同时，通过自助抽样技术和袋外误差估计，可以给出各变量对因变量的响应曲线及重要性排序［17］，在分析生物与环境因子关系的生态学研究中取得了较好的应用效果［18］。

利用R语言Rpart和RandomForest程序包可分别构建决策树和随机森林模型。Rpart包使用二分递归的分类回归树（CART）算法，以节点不纯度最小为划分标准，每次将当前样本集重复一分为二至不可再分，生成一棵二叉树。RandomForest包引入了随机抽样技术，在每个分裂节点，随机选取所有特征变量的一个子集进行训练，并对袋外数据进行模型性能估计，通过多次抽样构建众多决策树进行组合获得最终结果。利用随机森林袋外数据对自变量值进行随机扰动后代入预测模型，可构建因变量与自变量的偏依赖图（partial dependence plot），通过计算自变量扰动后分裂节点的不纯度，可对自变量进行重要性排序［19，20］。

本研究选取小麦赤霉病病穗率为因变量，2月下旬至5月上旬逐旬4个气象因子为自变量，通过决策树CART算法获得一棵二叉树，展示小麦赤霉病病穗率与各气象因子的关系，并通过随机森林模型对气象因子重要性进行排序，分析各气象因子与小麦赤霉病发生的关系及影响程度。

2" 结果与分析

2.1" 逐步回归模型分析

通过分析，孝感市赤霉病病田率与病穗率间相关系数为0.98，极达显著水平，因此选择终病期大田普查平均病穗率作为因变量Y［21，22］。根据小麦赤霉病主要发生时期，选用2002～2021年2～5月降雨量、空气相对湿度、日照时数和平均气温共40个逐旬气象因子作为自变量。通过调整Fx的临界值，引入回归方程中F值最小的因子是X1，F值=0.1688时，X1～X14（表1）14个变量被引进回归方程，复相关系数R=0.9838，得到以下小麦赤霉病预测模型：

Y=-197.2140-0.0816X1-0.4019X2+0.3635X3+0.2952X4+0.2580X5+0.0682X6-0.5829X7+0.6883X8+0.2606X9-0.4295X10+0.1763X11+0.8830X12+3.1265X13+4.8246X14

方差分析F值的显著水平P=0.008，方程中各偏相关系数均在-0.9129～0.9216间（偏相关系数绝对值越接近于1，表示两组数据之间的相关性越强，正值表明正相关，负值表明负相关）。DW统计量d=2.625（大于2，说明自相关程度小）。我们利用该模型对孝感地区2002-2021年赤霉病病穗率进行了检验（表1），平均准确率可达到64.5%；如将病穗率小于1%的7个轻发生年份进行剔除，检验准确率达到87.2%。对2022-2024年数据进行实际预报检验发现（表2），对小麦赤霉病平均预测准确率达到79.2%，最高达到93.6%（2022年）；如剔除病穗率小于1%的2023年数据，平均预报准确率达到89.8%，说明该模型在小麦赤霉病预报中准确率较高。

通径分析和相关分析表明（表3），对孝感市小麦病穗率影响显著程度的前几个因子依次为：第一个因

注：表中X1、X2、X3、X4、X5、X6分别表示2月下旬、3月中旬、4月上旬、4月中旬、4月下旬和5月上旬的降雨量（mm）；X7、X8分别表示2月下旬和3月中旬的平均空气相对湿度；X9、X10、X11分别表示3月下旬、4月下旬和5月上旬的旬日照时数（h）；X12、X13、X14分别表示4月中旬、4月下旬和5月上旬的旬平均气温（℃）；下表同。

计算公式：拟合正确率（%）=［1-ABS（拟合误差/拟合值）］×100［9］。

子是4月上旬降雨量（X3），相关系数为0.5558（P=0.0109），对病穗率的影响达显著水平，直接通径系数为1.2865，通过其他因子对病穗率的间接通径系数为0.2377。第二个因子是4月中旬降雨量（X4），相关系数为0.3342（P=0.1497），直接通径系数为0.6867，通过其他因子对病穗率的间接通径系数为-0.258。第三个因子是3月中旬平均空气相对湿度（X8），相关系数为0.2503（P=0.2871），直接通径系数为0.4604，通过其他因子对病穗率的间接通径系数为1.3066。第四个因子是4月中旬旬平均气温（X12），相关系数为0.2307（P=0.3279），直接通径系数为0.1574，通过其他因子对病穗率的间接通径系数为-0.3720。该预测模型采用的各自变量对因变量的决定系数（R2）=0.96791，说明有96.791%可由入选的气象因子来解释；剩余通径系数为0.17913，值很小。

2.2" 决策树与随机森林模型建立及病穗率影响因素分析

利用CART算法对小麦病穗率和相关气象因子指标进行建模，生成的决策树如图1所示。图中每一个分裂节点根据判定条件依次将样本分为两类，左侧为判定结果为真的样本空间，右侧为判定结果为假的样本空间。顶层节点为根节点，根节点以4月上旬降水量＜36 mm为判定条件，根节点以下左侧反映4月上旬降水量偏少情况，当4月上旬降水量在36 mm以下时（12个样本，占总样本的60%），小麦赤霉病病穗率偏少，平均为6.3%；右侧反映4月上旬降水量偏多情况，当4月上旬降水量在36 mm以上时（占总样本的40%），小麦赤霉病病穗率偏多，平均为20%。说明4月上旬降水量对小麦病穗率有显著影响，降水偏多容易发生赤霉病，降水偏少不容易发生赤霉病。沿左侧分支继续向下，在4月上旬降水量较少的条件下，当4月中旬降水量＜43 mm，即4月中旬降水继续偏少的条件下，小麦赤霉病病穗率平均为2.5%（占总样本的40%），而4月中旬降水出现偏多条件下小麦赤霉病病穗率平均为14%（占总样本的20%），表明4月中旬降水对小麦赤霉病发生有显著影响。其它分裂节点中，5月上旬日照时数大于51小时，小麦赤霉病病穗率平均为0.03%，反之发生率为6.3%，4月中旬降水量＜26 mm，小麦赤霉病病穗率接近0，反之发生率为0.07%。根结点以下右侧4月上旬降水量＞36 mm时，2月下旬平均空气相对湿度＜83%时，小麦赤霉病病穗率平均为17%，反之达到30%，在3月中旬平均相对湿度＜83%下，小麦赤霉病病穗率平均为14.0%，反之仅减产23%，表明3月中旬平均相对湿度对小麦赤霉病有显著影响。

为避免CART单棵决策树易导致过拟合和较大不稳定性的情况，进一步利用随机森林算法设置分裂节点变量数目为5，进行多个决策树组合建模，生成了1 000棵相互独立的决策树集合，模型总体解释方差达78.8%。同时利用模型构建过程中预留的袋外数据对自变量值进行随机扰动后代入预测模型，以自变量扰动前后分裂节点不纯度的平均下降量为测度，对自变量进行重要性排序，结果如图2所示。该图表明，总体上降水量、气温、日照时数、空气相对湿度等因子对小麦赤霉病病穗率的影响最大。其中降水量以4月上旬的影响最明显，气温和日照时数以5月上旬影响最明显，空气相对湿度以2月下旬影响最明显。

3" 小结与讨论

通过小麦赤霉病病穗率与气象因子的逐步回归模型和通径分析表明，湖北省孝感市2002-2021年小麦赤霉病病穗率严重程度受2月下旬至5月上旬气象因素不同程度的影响。其中，影响因素最大的为4月上旬降雨量，其次是4月中旬降水量及3月中旬平均空气相对湿度，结合当地实际调查情况表明，孝感市小麦大部分在4月上旬齐穗扬花，而在此期间降雨较多，极易导致小麦赤霉病的侵染和蔓延。其他气象因素虽然影响较小，但是累加效应不可忽视。该模型对2002-2021年赤霉病病穗率回代检验平均准确率达87.2%，2022-2024年实际预报准确率达到89.8%，预测精度较高，可作为当地小麦赤霉病预测模型，结合天气预报提前对小麦赤霉病严重程度做出预测。

利用决策树和随机森林模型为代表的机器学习算法建模分析表明，影响小麦赤霉病的气象因子重要性排序依次是4月上旬降水量、4月中旬降水量、4月下旬日照时数和5月上旬日照时数等，总体上降水量、日照时数、气温、空气相对湿度等因子对小麦赤霉病病穗率影响显著，所得结果与逐步回归分析结论基本一致。根据决策树模型分析表明，4月上旬降水量大于36 mm、4月中旬降水量大于43 mm、5月上旬日照时数小于51 h，旬平均空气相对湿度大于83%，小麦赤霉病发病率显著增加，上述指标和阈值可作为赤霉病预警的气象指标。

小麦赤霉病除受气象因素影响外，还受到品种、不同田块、不同播期的影响［23-25］。如2017年孝感市小麦不同品种赤霉病病情田间调查发现，孝感市种植的小麦各品种间发病程度有一定差异，病穗率最高的品种为鄂麦23，病穗率62.5％，病指59.3；病穗率最低的品种为襄麦25，病穗率5.7％，病指2.6；小麦种植面积最大的品种郑麦9023病穗率39.8％，病指23.2［26］。这也充分说明了小麦赤霉病受到了多重因素影响，而气象因素并非为完全决定因素。而本文中所建立的预测模型所用到的病穗率，仅代表了田间病情调查的平均值，且没有考虑其它非气象因子的影响，但是在具体的防治工作中，还是要充分考虑其发生特点，以气象因素为参考，多方面考虑，最终因地制宜，在防治实践中不断总结。

致谢：武汉区域气候中心秦鹏程高级工程师在数据处理和分析中提供了技术指导，谨致谢忱。

参考文献

［1］" "Yang L，van der Lee T，Yang X，et al.Fusarium populations on Chinese barley show a dramatic gradient in mycotoxin profiles［J］.Phytopathology，2008，98（6）：719-727

［2］" Yuan Q S，Yang P，Wu A B，et al. Variation in the microbiome，trichothecenes，and aflatoxins in stored wheat grains in Wuhan，China［J］.Toxins，2018，10（5）：171

［3］" 李学军，刘媛媛，沈新磊.小麦赤霉病发病症状及防治措施［J］.河北农业，2023（1）.

［4］" 程顺和，张勇，别同德，等.中国小麦赤霉病的危害及抗性遗传改良［J］.江苏农业学报，2012，28（5）：938-942.

［5］" 刘富明，徐崇浩，何险峰，等.四川小麦赤霉病流行的环流背景和天气趋势［J］.四川气象，1994，14（3）：18-21.

［6］" 刘常青，臧俊岭，李明志，等.小麦赤霉病发生规律及防治［J］.河南气象，2006（2）：57.

［7］" 肖晶晶，霍治国，李娜，等.小麦赤霉病气象环境成因研究进展［J］.自然灾害学报，2011，20（2）：146-152.

［8］" 王向阳.小麦赤霉病流行的气象指标分析及在测报上的应用［J］.安徽农业科学，2005，33（1）：35-36，38.

［9］" 张旭晖，高苹，居为民，等.小麦赤霉病气象等级预报模式研究［J］.安徽农业科学，2008，36（23）：10030-10032.

［10］" 安徽省植保总站.农作物病虫害预测预报方法与技术［M］.北京：中国致公出版社，1995：85-89.

［11］" 雷晓英，韩仲宇，同延安，等.户县小麦赤霉病发病与气象条件关系研究［J］.陕西气象，2017（1）：31-36.

［12］" 陈斐，杨沈斌，申双和，等.基于主成分回归法的长江中下游双季早稻相对气象产量模拟模型［J］.中国农业气象，2014，35（5）：522-528.

［13］" 杨银娟.黄瓜霜霉病春秋季发生的气象要素预警模型［J］.中国植保导刊，2018，38（8）：43-47，70.

［14］" 唐启义.DPS数据处理系统15.10（第4版）［M］.北京：科学出版社，2017.

［15］" 李军，蒋耀培，蒋建忠，等.小麦赤霉病发生程度的气象动态预测模型［J］.西南农业大学学报，2004，26（6）：776-780.

［16］" 李富占，陈振丽，宗铄。河南新野小麦赤霉病发生的气象因素分析及预报模型［J］.中国植保导刊，2019，39（6）：6-44，5.

［17］" Breiman L.Random forests［J］.Machine Learning，2001，45（1）：5-32.

［18］" Cutler D R，Edwards Jr T C，Beard K H，et al.Random forests for classification in ecology［J］.Ecology，2007，88（11）：2783- 2792.

［19］" 秦鹏程，刘志雄，万素琴，等.基于决策树和随机森林模型的湖北油菜产量限制因子分析［J］.中国农业气象，2016，37（6）：691-699.

［20］" 秦鹏程，刘敏，李兰.有效降水指数在暴雨洪涝监测和评估中的应用［J］.中国农业气象，2016，37（1）：84-90.

［21］" 贾金明.黄河中下游小麦赤霉病气象指数的建立与应用［J］.气象，2002，28（3）：51-54.

［22］" 姜明波，翟顺国，王守强，等.信阳地区小麦赤霉病发生与春季降水的相关性分析［J］.河南农业科学，2018，47（11）：80-84.

［23］" 唐洪，彭恒，刘明龙，等.小麦赤霉病田间病情与抽穗扬花期气象条件和病粒率关系［J］.中国植保导刊，2012，32（7）：10-12.

［24］" 钟雪明，王晔青，朱金良.嘉兴市小麦赤霉病发生特点及原因分析［J］.中国植保导刊，2017，37（4）：41-44.

［25］" 赵娜，杜秀明，李令蕊，等.我国小麦赤霉病发生与控制研究进展［J］.河北农业科学，2020，24（2）：54-58.

［26］" 刘正.孝感市小麦赤霉病发生特点分析及防控对策［J］.湖北植保，2018（2）：051-003.