摘要：为了提前1个月预报出水稻稻曲病发生的气象条件适宜程度，根据中长期预报原理，采用因子膨化滑动相关普查、空间拓扑和最优相关技术，筛选出对综合稻曲病指数影响最显著的预报因子，分别构建基于气象要素、海温因子、大气环流指数的预报模型，并对3种模型的预报结果采用算术平均、加权平均和多元回归方法进行集成。结果表明，建立的3种模型均通过了显著性检验，预报效果较为理想，经过集成后提高了单个模型的拟合精度和独立样本试报的准确性，其中多元回归集成的效果更好。因此，建立的稻曲病预报模型可投入业务使用，预报结果将为稻曲病防治工作提供较为充足的时间。
关键词：水稻；稻曲病；综合指数；预报模型；集成方法；气象要素；海温因子；大气环流指数
中图分类号： S435.111.4+9文献标志码： A文章编号：1002-1302（2017）17-0095-04
通信作者：高苹，研究员级高级工程师，主要从事应用气象领域科研、业务和服务工作。Tel：（025）83287136；E-mail：gaoping5268@126.com。稻曲病病菌以菌核、厚垣孢子在土壤、稻种和其他基地或寄主上越冬，翌年当气象条件适宜时萌发作为初侵染源侵染水稻，诱发病害[1]。国内主要分布于长江中下游、西南、华南等地，通常在中晚稻上发生，近年来稻曲病呈现出发病范围广、发病频率高及产量损失严重等趋势[2]。该病危害水稻穗部，造成部分籽粒发病，一般每穗有1～5粒病粒，严重的可达 20～30粒。稻曲病发病后，不仅影响水稻产量，降低结实率和千粒质量，而且病原菌附着在稻米上污染谷粒，严重影响谷粒的品质[3]。在江苏、浙江、云南等省该病已经普遍发生，且连续几年均较大规模流行，产量平均损失5%～10%，发病严重的田块损失高于50%[4]。
稻曲病病菌在24～32 ℃发育良好，最适温度为26～28 ℃，在水稻孕穗至抽穗扬花期适温、多雨、日照少等条件均能促进该病的发生流行。因此，稻曲病与气温、降水、湿度、日照等气象条件有着密切关系，是一种典型的气象型病害[5]。关于气象因子与稻曲病发生关系的基础性研究，已有学者从病菌侵染循环过程、发生规律及其适宜环境因素等方面开展了一系列试验，分析了有利于孢子散发的气象条件，明确了水稻稻曲病流行的气象条件，确定了对稻曲病发病程度具有决定作用的气象因子[6-8]。由此可见，研究气象条件对稻曲病的影响以及两者之间的密切关系为稻曲病的预测提供了科学依据。根据已有的稻曲病促病指数，可利用短期的天气预报进行稻曲病气象等级的预测，但是预报时效非常有限，通常有效期只有3～7 d，预报时效短，不利于稻曲病防治工作的开展。另外，稻曲病在发生的初期很难被发现，等到肉眼可见颖片间夹着白色菌丝时，防治已为时已晚。因此，若能利用海温、大气环流等大尺度预报因子构建长期预报模型，提前1个月且较准确地预报出稻曲病发生程度的气象等级，则可为防治提供较为充足的准备时间，提前制定稻曲病的防治策略，同时对保障粮食安全和提高农民收入也具有十分重要的现实意义。
1材料与方法
1.1研究资料
（1）1978—2015年江苏省72个气象站的逐日气象资料包括日降水量、日平均温度、日平均相对湿度、日照时数；8个农业气象站1978—2015年水稻生育期资料、2005—2015年的水稻稻曲病观测资料包括大面积普查的病穗率和发生面积，15个县（市、区）2014、2015年的水稻稻曲病大田调查资料。这些资料用于计算综合稻曲病指数。
（2）1981—2015年每年1月上旬至8月上旬（共22旬）每旬的气温、降水、日照、温光指数（气温与日照的乘积）、雨日、雨强（每旬中降水总量除以降水日数）用于以气象要素为预报因子构建综合稻曲病指数预报模型；1978—2015年逐月的74项大气环流指数（来自国家气候中心）用于以大气环流指数为预报因子构建综合稻曲病指数的预报模型；1978—2015年太平洋海区（10°S～50°N、120°E～80°W）逐月的海表面温度（来自美国大气与海洋管理局网站https：//www.esrl.noaa.gov/psd/data/gridded/data.cobe.html），水平分辨率是5°×5°，共286个格点，用于以海温为预报因子构建综合稻曲病指数的预报模型。
1.2研究方法
针对江苏省稻区，采用任义方等研究出的综合稻曲病指数计算方法和气象等级划分标准[9]。本研究将分别以大气环流指数、海温、气象要素为预报因子，分别构建综合稻曲病指数的预报模型。为了获得最佳预报因子，采用统一的处理方式，首先采用因子膨化滑动相关普查方法[10]以确定相关最显著的时段，环流预报因子的普查时间是从上一年1月至当年7月，最大的滑动步长为3个月，气象预报因子的普查时间是从当年1月上旬至当年8月上旬，最大的滑动步长为6个旬，海温预报因子的选择是从上一年1月至当年7月，通过空间拓扑法[11]筛选出空间相连格点≥4个的海区，计算此海区影响时段的海温平均值作为1个海温预报因子；其次采用最优化技术[10]确定最佳预报因子；最后通过逐步回归构建3种预报模型。
针对3种预报模型的预报结果，采用以下3种方法进行集成：
（1）算术平均集成
=（Z1+Z2+Z3）3。（1）
式中：Z1、Z2、Z3分别为3个预报模型的预报值；为算术平均集成后的预报值。
（2）加权平均集成
=（Z1R1+Z2R2+Z3R3）（R1+R2+R3）。（2）
式中：R1、R2、R3分别为3个预报模型的权重系数，本研究取各模型的复相关系数。
（3）多元回归集成
=Z1α1+Z2α2+Z3α3+α0。（3）
式中：α1、α2、α3是以預报值为预报因子、综合稻曲病指数的实际值为预报对象建立的多元回归方程的系数；α0为常数。
2结果与分析
2.1综合稻曲病指数3种预报模型
运用以上研究方法，基于气象要素、太平洋海温、大气环流指数分别建立了综合稻曲病指数的预报模型。基于气象要素建立的预报模型为
Zqx=-0.536X1-0.437X2-0.168X3-0.294X4+12.587。（4）
式中：Zqx为水稻综合稻曲病指数；X1、X2、X3、X4为经过线性和非线性处理的气象预报因子。计算公式和相关信息如表1所示。
数的预报模型中预报因子有7个，是不同显著相关时段的北非副高面积指数、北半球区极涡面积和强度指数、欧亚纬向大气环流指数、印缅槽等。从预报因子所处的影响时段可以看出，基于气象要素的预报模型和基于大气环流指数的预报模型在6月初就可以预报出综合稻曲病指数；基于海温的预报模型，由于预报因子中含有当年7月的预报因子，因此在8月初就可以预报出综合稻曲病指数。
2.23种预报模型的拟合检验与模拟效果对比
3种模型的历史拟合效果均通过了α=0.01的F检查，模拟值与实际值的波动特征基本一致（图1）。1981—2012年间，共有6年（1988、1990、1993、1999、2003、2008年）的实际综合稻曲病指数≥11，即这6年的气象条件均非常适宜稻曲病发病，基于气象要素的预报模型准确地模拟出了其中3年（1990、1993、2008年）稻曲病气象等级是非常适宜，1988、1999、2003年的模拟值分别为1093、10.81、10.55，对应的气象等级为适宜稻曲病发病，比实际等级非常适宜低了1个等级。基于海温因子的预报模型准确地模拟出了其中4年稻曲病气象等级是非常适宜，1990、2008年的模拟值分别为1028、10.57，对应的气象等级为适宜，比实际等级同样低了1个等级。基于大气环流指数的预报模型准确地模拟出了这6年的综合稻曲病指数气象等级。由此可见，基于大气环流指数的预报模型对于非常适宜稻曲病发生的气象等级预报性能更好一些。
复相关系数是度量一个变量与其他多个变量之间线性相关程度的指标，复相关系数越大，表明预报值与预报因子之间的线性相关程度越密切，公式（4）、公式（5）、公式（6）3种预报模型的复相关系数分别为0.836、0.891、0.926，表明基于大气环流指数的预报模型中预报量与预报因子的线性程度最高，其次是基于海温的预报模型。公式（4）、公式（5）、公式（6）模拟值的平均相对误差分别为6.8%、5.8%、4.2%，说明基于大气环流指数的预报模型模拟效果好于其他2种模型。
2.33种集成结果对比分析
根据“1.2”节中的3种集成方法，即公式（1）、公式（2）、公式（3）对3种预报模型进行预报集成，生成综合稻曲病指数的集成结果。由图2可知，经与实际值对比，3种集成方法均对模拟效果有所改进，尤其是从20世纪90年代中期至2012年，集合后的模拟值变化曲线与实际值基本重合。算术平均集成、加权平均集成、多元回归集成后的综合稻曲病指数平均相对误差分别为3.7%、3.6%、3.1%，说明对模型结果进行集成后的效果均好于单个模型的模拟效果，因此，对模型结果进行综合集成是非常有必要的。在3种集成方法中，多元回归集成的效果最好，其次是加权平均集成，算术平均集成的效果略差一些。
2.4预报模型的试报检验
利用2013—2015年的资料进行试报检验，结果（表4）表明，利用气象因子构建的预报模型预报出的综合稻曲病指数与实际值的误差范围是0.17～1.64，普遍比实际值大一些；利用大气环流因子构建的预报模型误差范围是-0.62～163；利用海温因子构建的预报模型试报结果误差范围是-0.47～002。从气象等级的预报情况来看，基于气象要素的预报模型和大气环流指数的预报模型均准确预报出了2014—2015年的稻曲病气象等级，但2013年的预报等级比实际气象等级高1个等级；基于海温因子的预报模型准确预报出了这3年的气象等级。从集成情况来看，多元回归集成后的气象等级与实际等级均一致，效果好于加权平均和算术平均2种集成方式。
3结论与讨论
水稻稻曲病发生程度与气象条件密切相关，本研究根据中长期天气预报原理，海温的变化会引起大气环流系统的改变[12]，从而影响到各地的气象条件，而气象条件的变化会影响稻曲病的发生发展，因此，以海温因子、大气环流指数、气象要素为预报因子建立稻曲病气象等级的预报模型是可行的，经过拟合检验和试报检验，预报模型切实可行，可提前1个月预报出气象等级，为提前准备稻曲病的防治提供了充足的时间，弥补了原有稻曲病气象等级预报时效短的不足。
对3种预报模型的预报结果集成后的效果明显好于单个模型，说明对预报结果进行集成十分重要，其中多元回归集成的效果要好于算术平均和加权平均2种集成方式。
值得注意的是，本研究构建的稻曲病气象等级预报模型，预报出的气象等级与稻曲病发生流行实际等级可能会存在不一致的情形，因为实际田块中的稻曲病除了受气象条件影响外，还与水稻品种、播期、植株抗病能力、病原数量、氮肥施用量和施用时期等有关[13-14]。因此，在开展稻曲病的实际预报时，需要综合考虑气象因素、管理水平以及水稻本身的抗病能力。
参考文献：
[1]陈永坚，肖炎农，赵永静. 稻曲病菌越冬厚垣孢子萌發力及其侵染力的研究[J]. 植物保护学报，1995，22（2）：102-106.
[2]舒畅，潘华. 江西水稻病虫灾害发生与防治浅议[J]. 气象与减灾研究，2006，29（1）：61-64.
[3]陈永水. 我国稻曲病研究概述[J]. 中国农学通报，1992，8（4）：15-19.
[4]黄珊. 水稻稻曲病研究进展[J]. 福建农业学报，2012，27（4）：452-456.
[5]苏荣瑞，刘凯文，冯明，等. 2014年江汉平原水稻稻曲病促病气象条件指数分析[J]. 中国植保导刊，2015，35（9）：44-49.
[6]王长金. 稻曲病发生发展的气候条件及其防治措施[J]. 中国农业气象，1996，17（3）：41-48.
[7]叶生海，陈国平，程年娣，等. 鄂州市水稻稻曲病流行的气象条件初探[J]. 湖北植保，2005（2）：37-38.
[8]朱明华. 稻曲病发生规律研究及防治技术研究[C]//华东植物病理学术研讨会论文集. 2003：422-427.
[9]任义方，高苹，朱凤，等. 稻曲病气象风险评估及适宜度等级预测技术[J]. 植物保护，2017，43（1）：61-67.
[10]汤志成，孙涵. 最优化因子处理及加权多重回归模型[J]. 气象学报，1992，50（4）：514-517.
[11]吴长彬，闾国年. 空间拓扑关系若干问题研究现状的评析[J]. 地球信息科学学报，2010，12（4）：524-531.
[12]章基嘉，葛玲. 中长期天气预报基础[M]. 北京：气象出版社，1983：254-282.
[13]张俊喜，成晓松，宋益民，等. 中国水稻稻曲病研究进展[J]. 江苏农业学报，2016，32（1）：234-240.
[14]王文斌，尹小乐，李燕，等. 影响稻曲病严重度主要因素的研究[J]. 西南农业学报，2014，27（3）：1067-1071.龙承鹏，戴小华，郭青云，等. 天竺桂叶片上黑刺粉虱的空间分布格局[J]. 江苏农业科学，2017，45（17）：99-101.