条锈病菌源基地小麦返青期条锈病发病程度预测

为有效预测小麦返青期条锈病发病程度,根据2011-2013年田间实测温度,对气象站温度数据进行校准,并对3a间甘肃、青海2省10个监测点的秋苗病株率、日平均温度、田间小麦种植品种抗冻程度等数据进行分析,建立小麦返青期条锈病病株率的预测模型,发现日平均温度对小麦返青期条锈病发病程度影响最大,模型预测准确度达96%以上。     

基于偏相关分析的烟台市土壤温度影响因素及预测模型研究

根据烟台市气象局2005年的气象数据,利用偏相关分析方法分析了表层土壤温度与相对湿度、绝对湿度、大气温度、平均风速、日照时数、降水量6个气象因子之间的相关性,进而建立了基于相对湿度、日照时数、大气温度、绝对湿度4气象因子的多元线性回归模型和BP人工神经网络模型。结果表明：在6个气象因子中,相对湿度、日照时数、大气温度、绝对湿度与土壤温度存在极显著相关关系,平均风速、降雨量与土壤温度相关关系不显著;晴天时,BP神经网络模型的决定系数R^2为0．9740,多元线性回归模型的决定系数R^2为0．9739;阴天时,BP神经网络模型的决定系数R^2为0．9881,多元线性回归模型的决定系数R^2为0．9877,因此建立的神经网络模型具有很高的精度,能很好地满足土壤温度的预测要求。     

葡萄大棚小气候预测模型研究

为精准把控并及时调节葡萄大棚棚内小气候,利用清徐县葡萄大棚农田小气候站观测数据及气象站、辐射站、土壤水分站资料,建立以棚外气温、相对湿度、风速、总辐射、土壤湿度为输入变量,棚内气温、相对湿度、土壤温度为输出变量的基于BP神经网络葡萄大棚小气候预测模型。为了对比分析BP神经网络的精确度和稳定性,同时建立多元线性回归模型。结果表明,基于BP神经网络建立的预测模型,其训练值和实测值之间的绝对误差分别为1.55 ℃、4.46%、0.77 ℃,标准误差分别为2.18 ℃、5.94%、1.00 ℃;预测值和实测值之间的绝对误差分别为1.37 ℃、2.84%、0.42 ℃,标准误差分别为1.96 ℃、4.60%、0.53 ℃。预测效果明显优于多元线性回归模型,预测精度满足棚内小气候要素预报要求。     

基于加权列联表分析法的安徽省巢湖市小麦赤霉病预测

为有效预防安徽省巢湖市小麦赤霉病危害,选取巢湖市2003—2019年平均相对湿度、雨湿日光系数（雨日×降雨量×平均相对湿度/日照时数）、降雨量与日照时数作为预测因子,运用加权列联表分析法,分别对2011年秸秆还田前后小麦赤霉病流行进行预测。利用该方法对2020—2021年安徽省巢湖市小麦赤霉病发生情况进行预测,模型预测结果与小麦赤霉病实际发生情况匹配度较高,准确率为100%,表明该方法可于小麦赤霉病防治适期前50 ～ 60 d（小麦返青期）对小麦赤霉病发生程度进行中长期预测。基于加权列联表分析法建立的小麦赤霉病预测方法提高了安徽省巢湖市小麦赤霉病预测的准确性,为该病害的防治提供了部分参考依据。     

宁夏小麦条锈病发生流行规律及综合防治对策

小麦条锈病是宁夏小麦生产中的主要病害,宁夏南部山区是小麦条锈病西北越夏区之一,流行频繁,见病时间长。笔者通过对多年监测资料的统计分析和多年的调查研究得出:小麦条锈病在宁夏冬季可小面积越冬、春季大面积流行、夏季长时间越夏、秋苗大面积发病的结论。同时,提出引进筛选抗病品种,提高品种整体抗锈水平;压缩晚熟冬、春小麦面积,播种前深翻埋压自生麦苗,降低菌源基数;实施适期晚播和药剂拌种,推迟秋苗发病;加强监测,及时用药剂防治秋苗及春季发病等措施,有效防治宁夏条锈病的流行。     

BP神经网络在小麦赤霉病气象预测中的应用*

 应用BP神经网络的方法建立四川资中小麦赤霉病发病的预报模型,为预防小麦赤霉病发病提供科学依据。根据四川资中小麦赤霉病发生发展的气象生理指标及历年该病发生的统计资料,借助人工神经网络强大的函数映射能力,采用Fletcher-Reeves算法的变梯度反向传播算法——Traincgf,建立了小麦赤霉病发病的气象预报模型。该模型不需要事先确定数学模型,拟合与预测的平均绝对偏差分别为0.01,0.05,优于多元线性回归模型的0.17,0.29。BP神经网络预报模型的拟合精度和预报精度都较高,优于多元线性回归模型,能很好地实现预期效果,对小麦赤霉病发病的预测预防工作具有一定的指导意义。     

基于增强回归树的海河平原小麦赤霉病预测模型构建与验证

【背景】自1995年至今,小麦赤霉病（Fusarium head blight,FHB）逐渐在海河平原蔓延,由零星出现演变成连片发生,在流行年份呈现出暴发快、面积大、损失重的特点,小麦赤霉病已由次要病害上升为主要病害之一。准确的预测预报是有效控制小麦赤霉病发生与发展的关键和难点。【目的】根据海河平原小麦赤霉病发生情况的监测分析,构建适宜的小麦赤霉病预测模型,为科学防控赤霉病提供技术支撑。【方法】基于2001—2016年海河平原21个小麦主产县（市）的赤霉病病穗率数据,以及小麦关键生育期内的气象数据,采用逐步回归分析,筛选影响小麦赤霉病发生的关键气象因子,构建基于多元线性回归模型和增强回归树模型的小麦赤霉病发生预测模型。【结果】明确了增强回归树模型的学习效率（lr）为0.005、树的复杂度（tc）为6时,模型的预测偏差最低,残差标准误为0.006311;筛选出8个对海河平原小麦赤霉病发生影响显著的关键气象因子,即MRH₁₅、Rain_-35、MRH_-55、SD₁₅、LT_-65、MWS_-55、MT_-25、DRain₁₅,并构建了含有8个预测变量的多元线性回归模型（R²=0.8158,矫正R²=0.8018,P<2.2×10^-16）。同时,应用增强回归树模型评估了上述8个关键气象因子的重要性,分别为69.62%、14.08%、4.89%、4.34%、3.35%、2.02%、1.20%、0.50%;根据重要的预测变量进一步简化预测模型,构建了含有4个预测变量的多元线性回归模型（y=-19.45376+0.11689MRH₁₅+0.17346Rain_-35+0.04185SD₁₅+0.26592MRH_-55,R²=0.7575,矫正R²=0.7468,P<2.2×10^-16）;当预测变量由8个调减至4个时,利用2008、2010、2012年安新、定州、馆陶等地历史数据验证模型预测病穗率的准确度,多元线性回归模型预测准确度由88.43%降至85.90%,增强回归树模型预测准确度由87.72%升至91.23%;利用2001—2016年正定、栾城的历史数据验证模型预测病穗率的准确度,两个模型预测准确度无显著变化,多元线性回归模型预测准确度由87.53%变为87.42%,增强回归树模型预测准确度由89.20%变为89.21%。整体而言,多元线性回归模型预测准确度呈下降趋势,而增强回归树模型预测准确度呈上升趋势。【结论】研究构建了含有4个预测变量的增强回归树模型,其预测准确度达89.21%,病穗率预测值与实际观测值的波动趋势基本一致,表明增强回归树模型在海河平原小麦赤霉病预测预报中具有很好的应用前景。     

运城市小麦条锈病发生等级与气象因子的相关性

为探究影响运城市小麦条锈病发生等级的环境气象因子，采用数理统计、多维Logistic回归分析等方法，对运城市1990—2020年小麦条锈病侵染时间、发生等级资料进行分析，筛选与条锈病发生等级显著相关的环境气象因子，建立条锈病等级预报模型。结果显示，运城市小麦条锈病流行程度主要是受春季菌源的数量、侵染时间的早晚和环境气象条件影响；小麦条锈病一般是4月下旬在运城市西南部的芮城、永济等地区始见，当环境气象条件不适宜时，条锈菌的活性会受到抑制而死亡；当环境气象条件适宜时，病菌快速繁殖，5月以后进入盛发流行扩散期，且侵染时间越早，后期流行等级越高，侵染时间越晚，后期流行等级越低；运城市条锈病发生等级与4月上旬的日照时数、3月下旬至4月上旬相对湿度以及5月中旬的降水量呈显著正相关；通过分析环境气象资料与小麦条锈病等级，建立预测模型：y=-6.415+0.051x₁+0.047x₂+0.022x₃+0.019x₄，并进行30 a历史资料回代验证，历史拟合准确率超过80%。利用模型对2021年运城小麦条锈病等级进行...     

警惕小麦条锈病今年全国大流行

条锈病是影响我国小麦安全生产的重要生物灾害,具有发生区域广、致害性变异快、流行频率高和危害损失重的特点。 2009年1月,中国农业科学院植物保护研究所、甘肃省农牧厅植保植检站、甘肃省农业科学院植物保护研究所、西北农林科技大学相关科技人员,对陇东南条锈病越夏菌源基地的病菌越夏情况、秋苗发病情况进行了实地考察     

2015年甘肃陇南及邻近省份小麦条锈病春季流行调查

2015年4月12—19日对甘肃陇南地区及四川省、陕西省相关地区的小麦条锈病春季流行情况进行了实地调查。结果表明:各地条锈病发生程度不同,总体平均病田率54.73%,病叶率22.49%,病叶反应型为3~4级。其中甘肃省平均病田率41.90%,平均病叶率3.40%;四川省平均病田率95.65%,平均病叶率40.54%;陕西省平均病田率75%,平均病叶率14.46%。预计2015年甘肃省天水地区小麦条锈病中度偏重发生,需做好小麦条锈病的及时防控工作。     

基于贝叶斯网络的小麦条锈病预测研究

[目的]在地理信息系统GIS的平台上,将不确定性推理方法——贝叶斯网络引入病害预测,基于关键气象因子（温度、降水、湿度、日照）构建一个用于预测小麦条锈病发生概率的贝叶斯网络模型.[方法]采用预测日前7d的气象数据预测自预测日起7d内的条锈病发病概率,并对我国小麦条锈病重要流行区域——甘肃省东南部地区2010 ～ 2012年病害发生情况进行预测.[结果]模型在返青期至乳熟期输出的病害发生概率与实际调查结果吻合度分别为62.92％、63.18％、79.48％、94.75％,能够较客观地反映病害发生的时间规律和空间分布特点.[结论]该研究表明将贝叶斯网络和GIS分析结合在较大的空间范围内利用关键气象因子进行小麦条锈病短期预测是一种可行的途径.     

植物病虫害BP神经网络预测系统的研制与应用

以 Delphi3.0为开发工具 ,建立了植物病虫害 BP神经网络预测系统 ,阐述了 BP神经网络的基本原理和预测系统的制作过程 ,并以陕西汉中地区小麦条锈病流行程度的预测为例说明了其应用。结果表明 ,该系统的预测结果与实际发生程度高度吻合     

天水地区小麦条锈病流行规律研究简报

本文报道了天水地区小麦条锈菌的越夏越冬高度和主要地区范围,因降雨(雪)多少和温度高低的变化情况,以及秋、春季的发生发展规律,并且首次证明,天水地区小麦条锈菌的秋季菌源可随风传入关中,成为关中秋季发病的主要菌源。此外,还提出了防治策略。     

眉山市小麦条锈病发病气象因子及防治对策研究

小麦条锈病是四川小麦生产上的主要病害之一,每年均有不同程度的发生,其最大特点是暴发和流行迅速,给产量造成巨大影响。进入20世纪90年代中后期以来,四川麦区小麦条锈病每年都处于高发状态,尤其是1999—2002年,条锈病连续数年的大发生造成平均每年300万t以上的粮食损失。现阶段研究发现:种植品种、气象条件和条锈病菌源量是影响条锈病发生程度的主要因素。据调查,目前大部分小麦品种对条锈病的抗性已经丧失,气象条件是影响或左右小麦条锈病发生、消长和危害的最直接生态环境因素,二者关系甚为密切。因此研究小麦条锈病发生流行与气象条件的关系、发生流行的气象环境成因、气候分区、气象预测预报,不断提高对病害预测预报技术水平,对于小麦条锈病的防治有着积极的指导作用。该文收集整理了眉山市1994—2007年小麦条锈病发病范围和发病程度资料以及同期相关气象数据,分析了1994—2007年连续14年眉山市小麦条锈病发病程度与小麦生长期内平均相对湿度、日照总时数、平均温度、总降雨量、降雨日数等5个气象因子之间的关系。根据有限的数据确定四川省眉山市小麦条锈病发病的主要气象因子,并提出了不同气象条件下的防治措施。     

2006年贵州省赫章县秋季小麦条锈病调查

为了解中国新发现的小麦条锈病菌越夏区贵州省赫章县小麦条锈病秋季发生情况,2006年秋季笔者主要对该县古基乡、野马川镇、六曲河镇进行了调查,共调查119块地,自生麦病田率为55%,秋播小麦病田率为20.20%。古基乡发病较多,自生麦苗上有多个发病中心,有的秋播小麦田块亦呈现病叶较集中现象。在海拔1660-1910m范围内,都有小麦条锈病发生,说明当地越夏菌源能够为本地区秋苗发病提供充足菌量。对进一步研究内容进行了讨论并提出了赫章县小麦条锈病治理措施。     

小麦条锈病区域流行相关性研究初报

小麦条锈病是一种大区流行病害,病菌夏孢子可随气流远程传播,该病的多次流行给中国农业生产造成了严重损失。选择甘肃天水、四川马尔康、陕西汉中、西安、河南郑州,根据各地1988—2000年小麦条锈病病情数据和每年3月1日-5月31日降雨量、相对湿度、最大风向、平均风速、最高气温、最低气温等地面气象观测资料,采用主成分分析和判别分析方法,初步明确了天水的病害发生流行对其他区域的影响,证明了天水小麦条锈病的发生和流行对马尔康和郑州有相当大的影响,而与汉中、西安的相关性不高。研究结果对于探明小麦条锈病大区流行规律,实现对其宏观管理和超长期预测具有一定的意义。     

甘肃南部小麦条锈病越夏考察

考察确认甘肃南部是小麦条锈菌越夏的适宜地区。在甘南州和临夏州大部分地区,条锈菌在晚熟春麦上越夏,越夏菌源主要侵染临近地区自生麦苗。在陇南地区和甘南州的舟曲等地,条锈菌主要在海拔1600 m以上地带的自生麦苗上越复,越夏后侵染冬小麦秋苗。文中讨论了甘肃省小麦条锈病越夏区划以及越夏调查与越夏区治理所面临的主要问题。     

基于LM神经网络的小麦叶片病害识别

快速、及时和准确的发现小麦病害对提高小麦产量具有重要作用。以小麦叶片白粉病、条锈病和叶锈病3种病害为研究对象,提出了基于LM神经网络的小麦叶片病害识别模型。首先采用K-means算法分割小麦叶片病斑区域,提取小麦病斑区域的颜色特征和纹理特征,构建数据集。然后建立LM神经网络小麦叶片病害识别模型,输入数据进行识别。基于颜色和纹理特征的小麦叶片病害识别率为95.3%。在小样本情况下,利用LM神经网络算法能够快速、准确的识别小麦病害叶片。     

基于支持向量机优化粒子群算法的作物生育期ET_0预测

ET0是计算作物需水量、进行农田灌溉管理及区域水资源优化配置的重要依据。为了提高ET0的预测精度,将粒子群(particle swarm optimization,PSO)算法引入到ET0预测中,并用支持向量回归机(support vector machine,SVM)优化参数。PSO-SVM将最高气温、最低气温、相对湿度、平均风速与日照时数输入到SVM中学习,将SVM参数作为PSO中的粒子,把ET0值作为PSO的目标函数,然后通过粒子之间相互协作得到SVM最优参数,对ET0进行预测,并采用PM模型计算值验证。该文以新疆喀什地区为例,通过采用粒子群耦合支持向量机(PSO-SVM)算法训练得到模型,并用10组数据进行预测;最后引用BP神经网络算法和PSO-SVM算法进行了对比,其结果表明,PSO-SVM算法预测准确率较高,预测值与实测值间相关系数达0.682,平均相对误差为3.19%。     

基于支持向量机优化粒子群算法的作物生育期ET0预测

ET0是计算作物需水量、进行农田灌溉管理及区域水资源优化配置的重要依据。为了提高ET0的预测精度,将粒子群（particle swarm optimization,PSO）算法引入到ET0预测中,并用支持向量回归机（support vector machine,SVM）优化参数。PSO-SVM将最高气温、最低气温、相对湿度、平均风速与日照时数输入到SVM中学习,将SVM参数作为PSO中的粒子,把ET0值作为PSO的目标函数,然后通过粒子之间相互协作得到SVM最优参数,对ET0进行预测,并采用PM模型计算值验证。该文以新疆喀什地区为例,通过采用粒子群耦合支持向量机（PSO-SVM）算法训练得到模型,并用10组数据进行预测;最后引用BP神经网络算法和PSO-SVM 算法进行了对比,其结果表明, PSO-SVM算法预测准确率较高,预测值与实测值间相关系数达0.682,平均相对误差为3.19%。