1997年河北省小麦白粉病重发原因分析及治理对策

小麦白粉病是我省小麦上的主要病害。从８０年代初期,呈断续严重发生趋势,１９９７年是连续４ａ轻发生后的又一重发生年。本文在分析该年小麦白粉病发生特点及与气候、品种、菌源及生态条件的相互关系的基础上认为：１．气候条件适宜是造成该年白粉病流行的主要因子,其次是菌源、品种和生态条件;２．今后２～３ａ内白粉病将偏重发生;３．病害的治理要在选用抗、耐病品种的同时,搞好测报工作,筛选推广高效低成本的防治药剂。     

湖北省郧县小麦白粉病中期预报技术研究

通过对郧县小麦白粉病１３ａ的历史资料的研究分析,初步明确决定病害发生程度的主要因素是当今早春３月上旬末的菌源基数,３月份的平均温度以及３月份降不量与３月份平均温度的乘积,提出了病害发生程度中期预测式：Ｙ＝－２．５３３０７４２２８＋０．０５６１９７７６７２Ｘ１＋０．４９８２１１９８０Ｘ２＋０．００２４３７２４９１８９Ｘ４。历史符合率８４．５％,经１９８５－１９９７年回测检验,结果与发生实际基本一致,     

河北省小麦白粉病发生程度的中期预测

根据全省１０个县（市）９ａ的历史资料进行归纳总结，提出小麦白粉病流行结构模型，利用３月下旬至４月中旬的气象因子（降雨量、雨日、平均相对湿度）实况值，用判别分析的方法，对当年小麦白粉病发生程度进行中期预测，经１９９３～１９９４年的应用检验，预测结果与各监测县及全省实况吻合     

1998年石家庄市小麦病害重发原因及治理对策

１９９０年以来，随着品种的更换、生产栽培水平的提高，气候条件的变化使我市小麦病害严重发生，潜在威胁性增大。１９９０～１９９１年病害偏重发生，发生面积达３５．３３万ｈｍ２，主要以白粉病、锈病、黑穗病三大病害为主。１９９２～１９９６年偏轻发生，发生面积在...     

南阳盆地小麦纹枯病发生程度长期预测方法研究

通过对小麦纹枯病16a发生情况研究分析，明确了影响病害流行的主要因素和主要预测因子是菌原基数和冬春气候条件。选择12月下旬平均病株率、1～2月平均温度和2～4月降雨量，建立病害发生程度长期预测式，历史回测符合率93.7％，2000年经预测检验，结果和发生实况相一致。     

新疆泽普县小麦白粉病流行的时间动态及预测模型

2012年-2019年对泽普县春季小麦白粉病田间发生情况进行了系统调查, 并对数据进行了分析和模型拟合, 明确了当地白粉病春季发生和流行的特点?其病害春季流行曲线为典型的单峰S形曲线, 符合Logistic或Gompertz模型?在此基础上, 通过Pearson相关系数法分析了多年来该地小麦不同生育期白粉病病情指数与66个主要气象因子之间的相关关系, 筛选出影响小麦白粉病发生流行的关键气象因子为1月下旬平均日照时间?2月下旬平均气温?1月上旬-3月上旬平均气温和10月下旬-4月中旬平均日照时间, 并采用多元回归分析法建立了基于关键气象因子的小麦扬花期?灌浆初期和灌浆中期的病害预测模型?此研究结果可为当地小麦白粉病的防控提供技术支撑?     

粉锈宁和多菌灵混用防治小麦三病效果好

粉锈宁和多菌灵混用防治小麦三病效果好唐韵（四川达县植保站，６３５００２）赤霉病、叶锈病、白粉病是我县小麦的三大病害，据统计，近几年平均发生程度分别为４．２、３．３和２．８级，年均发生面积分别为１，９４、１和０．７７万公顷，年均损失产量４２６．２、１４...     

我国小麦白粉病大区流行的气候因素分析

通过对近年来我国小麦白粉病发生流行情况的分析,总结讨论了影响小麦白粉病流行的气温和降水量等气候因素,结果表明秋冬季及早春气温偏高、小麦生长后期气温偏低,对病害的流行有利;多雨尤其是黄淮海及其以北地区多雨,对病害的流行有利。反之则不利于病害的发生,流行程度将会减轻。     

小麦白粉病防治适期商讨

白粉病是我市小麦主要病害,常年偏重至大发生,已成为制约小麦生产的重要因子。目前防治指标和防治时间不尽一致,为探讨小麦白粉病最佳用药时间,提高防治效果,1991年进行了白粉病分期施药试验,现将试     

创建BP神经网络模型预测小麦白粉病

阐述了主分量分析法的原理与步骤,分析了河南省中原地区1990～2007年小麦白粉病病情及相关气象资料,得出影响其流行的主要分量,最后利用得到的主要分量作为BP神经网络的输入,对中原地区2008～2010年小麦白粉病流行情况进行预测,并与未进行主分量分析而建立的全要素BP网络模型进行比较。结果表明,该模型可以快速准确地预测小麦白粉病的流行程度,有效地减少小麦产量损失。     

陕西小麦条锈病发生面积预测模型

为提高陕西省小麦条锈病发生面积的预测准确度,以2010年-2018年陕西省小麦条锈菌冬繁区和越冬区的发生县区数、发生面积、温度和降雨量为数据集,通过Pearson相关性分析筛选病害流行的主要影响因子,利用全子集回归筛选病害流行的因子集。以筛选得到的影响病害流行的5个因子,即累计发生县区数、冬繁区条锈病发生面积、1月平均温度、1月平均降雨量和3月平均降雨量为自变量,采用全子集回归和BP神经网络算法开展小麦条锈病发生面积的预测研究。结果表明,全子集回归和BP神经网络算法对2019年-2020年的小麦条锈病发生面积预测准确度均达90%以上,预测2021年陕西省小麦条锈病发生面积分别为46.11万hm~2和52.85万hm~2。     

Moisture prediction from simple micrometeorological data

ABSTRACT Four linear regression methods and a generalized regression neural network (GRNN) were evaluated for estimation of moisture occurrence and duration at the flag leaf level of wheat. Moisture on a flat-plate resistance sensor was predicted by time, temperature, relative humidity, wind speed, solar radiation, and precipitation provided by an automated weather station. Dew onset was estimated by a classification regression tree model. The models were developed using micrometeorological data measured from 1993 to 1995 and tested on data from 1996 and 1997. The GRNN outperformed the linear regression methods in predicting moisture occurrence with and without dew estimation as well as in predicting duration of moisture periods. Average absolute error for prediction of moisture occurrence by GRNN was at least 31% smaller than that obtained by the linear regression methods. Moreover, the GRNN correctly predicted 92.7% of the moisture duration periods critical to disease development in the test data, while the best linear method correctly predicted only 86.6% for the same data. Temporal error distribution in prediction of moisture periods was more highly concentrated around the correct value for the GRNN than linear regression methods. Neural network technology is a promising tool for reasonably precise and accurate moisture monitoring in plant disease management.     

安徽省稻曲病气象等级预报方法研究—以池州为例

为进一步明确安徽省稻曲病发生关键期, 探索稻曲病气象等级预报方法, 以满足对该病害气象等级预报的服务需求?本文以安徽省池州市为例, 利用1995年-2018年一季稻稻曲病观测数据和同期气象资料, 通过相关分析确定稻曲病发生关键期?根据稻曲病大发生对适温高湿环境的需求及不同降水等级和温度对稻曲病发生程度的影响不同, 以稻曲病发生关键期降水日数为基础, 引入雨量系数和温度系数, 形成稻曲病发生综合气象条件指数, 通过最优曲线回归分析, 建立稻曲病预报模型?结果表明, 7月下旬至8月中旬是池州市一季稻稻曲病发生关键期; 综合气象条件指数与稻曲病病穗率相关性明显高于降水日数与病穗率相关性; 预报模型回代检验准确率为81.0%, 2016年-2018年模型预测结果均与实际情况相吻合, 由于样本中轻发生和大发生年份较少, 对轻发生和大发生预报的准确性需在样本丰富条件下进一步验证?模型在业务应用中, 可结合CFSv2模式逐日降水和气温预报产品, 提前10~30 d开展稻曲病气象等级预报, 对做好稻曲病的防治工作具有重要参考价值?     

2018年-2019年重庆蚕豆赤斑病发生情况及预测模型的建立

蚕豆赤斑病是世界蚕豆各产区及我国东南沿海和长江流域地区生产中最主要的病害之一?本研究连续2年对重庆地区29个区县的蚕豆赤斑病发生情况开展了调查?调查结果显示, 城口县发病最轻, 两年平均病情指数为40.9, 长寿区发病最重, 两年平均病情指数为73.4?4个自然生态区中, 秦巴山地常绿阔-落叶林生态区的发病最轻, 两年平均病情指数为47.3?三峡库区平行岭谷农林复合生态区发病最重, 两年平均病情指数为68.4?相关性分析和通径分析结果表明, 1月相对湿度?1月平均风速?3月降水量?3月相对湿度在蚕豆赤斑病的发生过程中起主导作用?此外, 11月平均风速对病情的发展产生较强的负向效应?在以上研究基础上初步建立了基于重庆地区蚕豆赤斑病发生规律的病害预测模型:Y=35.019 46-3.016 18 X7-5.575 8 X9+0.567 9 X27+0.158 6 X29, 模型表明, 11月平均风速(X7)?1月平均风速(X9)?1月相对湿度(X27)?3月相对湿度(X29)与病情指数(Y)有较强的线性关系?本模型的建立为蚕豆赤斑病的防控提供了技术支撑?     

大豆疫霉病发生危害及影响其发生因素的探讨

经1995～1998年对黑龙江省大部分大豆产区调查明确,大豆疫霉病在黑龙江大豆产区的发生面积及危害程度有逐年扩大和加重趋势,田间发病率一般为3%～5%,严重达75%,甚至绝产。其发病严重原因除受品种抗病性的因素影响外,主要取决于降水的多少及土壤积水时间的长短。此外,耕作、栽培方式、茬口等因素也不同程度影响发病。大豆在整个生育期间都可受到疫霉菌的侵染。     

AR模型在柑桔溃疡病测报中的应用

 柑桔溃疡病发生程度的预测是进行该病治理的重要依据。本研究用自回归方法对2004年3月12日~2005年4月13日期间调查的病情原始数据进行标准化、平稳化处理以及模型的参数估计和拟合检验,所得AR (14)模型可以精确预测溃疡病发生趋势。     

湖北省白肋烟病毒病调查及其鉴定

１９９５～１９９６年调查表明,湖北省五峰、建始、恩施县（市）白肋烟主产区为花叶和黄花病毒病流行区。１９９５年花叶类型发病率为１０％～９０％,平均３０％以上;黄化类型１０％～３０％,平均２０％左右,蚀纹病在３县（市）零星发生。１９９６年各产区病害比１９９５年轻,以花叶病害为主。经血清鉴定明确,花叶类型病害、黄化类型病害和蚀纹病分别由黄瓜花叶病毒（ＣＭＶ）、马铃薯Ｙ病毒（ＰＶＹ）和烟草花叶病毒（ＴＭＶ）引起。ＣＭＶ为侵染白肋烟的主要病毒。这是湖北省白肋烟病毒病调查与病毒鉴定的首次报道。     

Morphometrics and seasonal occurrence of metacestodes of Neogryporhynchus cheilancristrotus (Cyclophyllidea: Dilepididae) in the blue bream (Abramis ballerus) from the Oder River (Germany/Poland)

From May 1993 to April 1995, the seasonal occurrence of metacestodes of Neogryporhynchus cheilancristrotus (Wedl, 1855) (Cyclophyllidea: Dilepididae) in its second intermediate host, the blue bream Abramis ballerus (L.) was studied monthly in the Oder River on the borders of Germany and Poland. Based on the parasite specimens found, detailed data on their morphometrics are presented. The metacestodes occurred in the blue bream intestine throughout the year (overall prevalence 27% and intensity 1-56 (mean 4.8) metacestodes per infected fish). Increased prevalences and mean intensities of infection were noted from March to June and November to December indicating that spring, late autumn and early winter are the main periods of new infections.