皖江地区水稻病虫害长期定量预测方法研究
——以芜湖为例

司红君，付 伟，徐 阳，祝玉青，丁劲松

（1.无为市气象局，安徽 无为 238300；2.芜湖市气象局，安徽 芜湖 241000；3.安徽省农村综合经济信息中心，安徽 合肥 230061；4.芜湖市农业综合行政执法支队，安徽 芜湖 241000）

0 引言

我国是世界上最大的水稻生产国和稻米消费国，60%以上的人口以稻米为主食。水稻病虫害是影响其稳产高产的重要因素之一，每年都因此而造成了重大经济损失［1］。水稻病虫害的种类繁多，其中对安徽省影响严重的主要有：稻瘟病、纹枯病、白叶枯、稻曲病、二化螟、三化螟、稻纵卷叶螟、稻蝗以及褐飞虱［2］。科学防治水稻病虫害，提前谋划防治措施是当前学者研究的中心问题并已开展了多方面的研究，包括绿色防控技术的研究与应用［3］、药物对病虫害防治研究［4-5］、多尺度遥感技术对水稻病虫害的监测及预警研究等［6-7］。

气象因子也是水稻病虫害发生发展的重要影响因素，彭荣南等［8］研究认为，9～10月的降水量、降水日数、相对湿度、日照时数、气温等要素和化州市白叶枯病存在相关性。任义方等［9］指出，气象因子在稻曲病的侵染循环和发生发展过程中起着至关重要的作用，稻曲病发生强度、范围和持续时间与气象要素存在着较为显著的关系。包云轩等［10］研究表明，稻纵卷叶螟这类典型的迁飞性害虫，水平和垂直气流对其迁飞有明显的影响，稻纵卷叶螟种群多降落在相对湿度大的区域。通过对气象要素的中长期预测，可以对病虫害的未来变化趋势作出预测，从而指导农技工作者提前科学应对。对此学者们进行了深入研究，刘文菁等［11］根据中长期天气预报原理，采用空间拓扑和最优相关普查方法，基于大气环流和海温因子建立了综合稻曲病指数长期预报模型，可提前1个月预报综合稻曲病指数及其等级；彭荣南等［8］采用逐步回归统计方法建立了晚稻白叶枯发病程度气象等级预测模型；岳伟等［12］计算了安徽省稻曲病发生的综合气象条件指数，通过最优曲线回归分析，建立了稻曲病预报模型。这些研究中预测结果通常为病虫害等级或者指数，对病虫害发生具体数量的长期预测不多见，同时这些研究多为对稻曲病等典型的“气象型”病虫害的预测研究，而关于其他常见病虫害的相关研究较少。

皖江地区地处长江中下游平原，长江流域安徽段两岸，气候湿润，水热丰富，土地肥沃，河网密集，是安徽省最主要的水稻产区。目前，针对该区域的水稻病虫害预测研究较少。皖南地区社会和技术水平发展过程差异不大，气候特征相似，且大面积的农业气象灾害发生往往与大的天气过程有关，所以气象因子造成的病虫害发生面积波动趋势应该基本相同［13］。因此，本研究以皖江地区核心城市芜湖为例，通过分析各主要病虫害发生发展的气象影响因子，并基于环流和海温指数，使用多元逐步回归方法建立了各水稻病虫害长期预测模型，为皖江地区农业气象服务开展提供技术支撑，也为植保部门提前做好水稻病虫害防治工作提供科学依据。

1 资料与方法

1.1 资料来源

本文收集了1986～2020年水稻病虫害发生及水稻种植面积数据，其中水稻病虫害数据来自芜湖市植保站，包括稻瘟病、纹枯病、白叶枯和稻曲病4种病害和二化螟、三化螟、稻纵卷叶螟、稻蝗和褐飞虱5种虫害，单位为万亩次。水稻种植面积数据来自芜湖市植保站和安徽省统计年鉴，单位为万亩。由于近30年间芜湖市行政区划多次调整，其中2011年无为市划入，芜湖市土地面积和水稻种植面积均大幅增加，因此，本文使用病虫害发生面积比进行研究，以保证年际数据的可比性，定义病虫害发生面积比（%）=病虫害发生面积/水稻种植面积，由于病虫害发生面积使用的单位是万亩次，即同一面积耕地发生的多次病虫害会被成倍计入，因此发生面积比会存在超过100%的情况。

本文使用的气象要素资料来自芜湖市气象局，包括芜湖市、无为市、湾址区、繁昌区和南陵县5个国家观测站的1986～2020年逐月平均气温、≥35 ℃高温日数、平均气温日较差、平均湿度、降水量、雨日数、平均风速和日照时数等，芜湖市气象数据为5个观测站的算术平均。

大气环流和海温指数资料来自国家气候中心网站，包括1986～2020年逐月88项环流指数和26项海温指数，具体指数名称和含义见网站说明。

1.2 方法

1.2.1 病虫害变化特征和气象影响因子分析 使用线性趋势分析对水稻病虫害多年变化特征进行研究，并将1990～2020年芜湖市各病虫害时间序列与同时段芜湖市各月气象要素时间序列分别进行相关分析，遴选出各病虫害的显著气象影响因子。

1.2.2 病虫害预测模型的构建和检验 在上述分析的基础上，对有显著气象影响因子的水稻病虫害建立了长期的定量预测模型。环流指数和海温指数对气象要素有明显的影响，且这种影响有一定的滞后性，常被作为气象要素长期预测的重要因子［14］，这使得大气环流、海温等大尺度因子对病虫害的发生发展具有明显的前兆性指示［15］。同时，这些大尺度气候指数较气温、降水等直接气象要素更加稳定［11］，因此，本文使用环流指数和海温指数作为因子建立了水稻病虫害的预测模型，根据长期预测业务需要，使用前1年的环流、海温指数预测当年的病虫害。具体思路：将1986～2019年芜湖市各病虫害时间序列与1985～2018年的逐月各环流、海温指数时间序列进行相关分析，将显著相关的指数作为自变量，病虫害数据作为因变量带入模型，借助多元逐步回归方法，建立各病虫害的长期预测模型，此时模型利用了病虫害对环流、海温指数响应的滞后性，可以使用前1年的指数预测当年的病虫害，并且模型的结果是定量的，即病虫害的发生面积比。模型构建过程中对各模型的显著性、拟合优度等进行检验。为了验证模型的预测效果，构建模型时没有使用2020年的实况病虫害数据，而是将2019年的逐月环流、海温指数带入模型，计算出2020年各病虫害发生面积比预测值，并与实况值进行对比，验证模型的预测效果。

2 结果与分析

2.1 水稻病虫害的变化特征

1986～2020年芜湖市水稻病害总体上轻于虫害（图1、图2），病害中的纹枯病发生面积比最高，且总体呈显著上升趋势，年均增加0.4117%（R2=0.1912）；稻瘟病和稻曲病也呈显著增加趋势，分别年均增加0.5554%（R2=0.2925）和0.8648%（R2=0.5261）；白叶枯则呈显著减少趋势，年均减少0.5780%（R2=0.1912），由于白叶枯发病的主要原因是种子带菌［16］，因此，芜湖市农业部门通过加强种子播前处理，使得近10年来该病发病情况明显减少，尤其是2012年后，发生面积比不足1%。

图1 1986～2020年芜湖市稻瘟病、纹枯病、白叶枯和稻曲病变化特征

图2 1986～2020年芜湖市二化螟、稻纵卷叶螟、稻蝗和褐飞虱变化特征

近年来，芜湖市改双季稻为稻麦轮种，秋冬季播种恶化了三化螟的越冬环境［17］，已经基本不发生该虫害，因此，本文不再对三化螟进行分析。虫害中稻蝗发生面积比最少，且呈显著下降趋势，年均减少0.4794%（R2=0.3820），2020年发生面积比不足2%。二化螟、稻纵卷叶螟和褐飞虱发生面积比均呈显著上升趋势，分别年均增加1.1273%（R2=0.2475）、1.5156%（R2=0.2587）和2.2147%（R2=0.3464），但2011年之后均出现明显下降的趋势。

2.2 气象影响因子分析

将1986～2020年水稻病虫害时间序列与同时段月气象要素时间序列进行相关分析，结果显示，各病虫害均有多个显著相关的气象因子（表1），相关性均通过了α= 0.05显著性检验，这些气象要素主要包括病虫害发生发展和越冬时期的气温、降水、日照和相对湿度等水热条件。如稻瘟病与3月的平均气温呈正比，雨日数呈反比，说明3月多晴天少雨，气温高有利于稻瘟病发展；又如稻蝗与9月的相对湿度和雨日数呈正比，平均气温呈反比，说明9月多阴雨寡照，气温偏低对于稻蝗发生发展是有利的条件。另外，二化螟和稻纵卷叶螟还与多个月份的平均风速存在显著的正相关性，说明风对于部分虫害的发生发展具有促进作用。

表1 各病虫害显著相关气象因子分析结果

稻纵卷叶螟和稻飞虱属于迁飞性害虫，虽然一般认为这类害虫气象影响因子主要是大尺度的环流和区域、异地气象要素［18-19］，但本文相关分析显示其与芜湖本地的气温、降水和日照等有显著的相关性，有研究表明，本地气象要素也会对此类害虫的迁飞行为产生明显的影响，如降落地的选择［10］、二次迁飞［15］等。因此，芜湖市各水稻病虫害均有显著的气象影响因子，可以进一步建立病虫害的长期预测模型。

2.3 病虫害长期预测方法

2.3.1 预测模型的构建 将1986～2019年各水稻病虫害时间序列与1985～2018年各月环流、海温指数的时间序列进行相关分析，遴选出显著相关的指数，相关性需通过α= 0.05显著性检验。以病虫害时间序列作为因变量，各显著相关指数时间序列作为自变量，依次放入多元逐步回归模型，放入的前提是其偏回归平方和经检验是显著的，每放入一个新变量后，对已入选回归模型的老变量逐个进行检验，经检验不显著的变量将被删除，从而保证每一个自变量都是显著的，直到不能再引入新变量为止，这时回归模型中所有变量对因变量都是显著的［20］。各病虫害依次构建预测模型，用于建立模型放入的环流、海温指数数量（与病虫害显著相关的指数数量）和最优模型最终保留的作为自变量的指数数量（表2）。

表2 预测模型的部分指标

2.3.2 预测模型结果 借助多元逐步回归方法，在删除了多个不显著的指数后，各病虫害分别构建出了多个预测模型。选取其中最优的预测模型，最优模型保留了尽可能多的指数作为自变量，各检验指标也最优。各最优模型拟合优度和显著性分析结果如表2所示。模型中，拟合优度为被解释向量（病虫害）和解释向量（环流、海温指数）调整判定系数R2。在多个解释变量的时候，需要参考该系数，越接近1，说明回归方程对样本数据的拟合优度越高，被解释向量可以被模型解释的部分越多。8个模型中除了纹枯病和稻蝗，其余预测模型的拟合优度均达到1.000，表明自变量可以解释因变量100%的变化，模拟效果非常好。纹枯病和稻蝗的拟合优度也在0.8左右，也具有很好的模拟效果。各模型方差分析的显著性均小于0.001，通过了α= 0.05的显著性检验，说明模型中变量总体对因变量有显著影响，可以有效地预测因变量，模型的预测方程是有效的［21］。

各病虫害的最优预测模型公式见表3，各模型自变量和常数项T检验的显著性均小于0.05，说明所有自变量对因变量均具有显著影响。

表3 各病虫害的最优预测模型

2.3.3 预测模型效果验证 将2019年各月环流和海温指数带入8个模型，计算出2020年各病虫害的发生面积比的预测值。将预测值与实况值进行对比，验证模型的预报效果，结果见表4。各模型预测的病虫害发生面积比绝对误差均在15%以内，病害的预测结果要优于虫害，纹枯病的预测效果最好。预测结果除了稻曲病预测结果偏少外，其余均偏多。白叶枯和稻蝗由于实况值很小，因此相对误差非常大，但变化趋势基本正确。总体来说，使用环流和海温指数作为自变量，使用多元逐步回归模型长期定量预测病虫害发生的方法效果较好，具有一定的预报能力。

表4 2020年各病虫害发生面积比的预测误差 %

3 结论与讨论

本文以芜湖为例，分析了芜湖市主要病虫害的变化特征和显著气象影响因子，并借助多元逐步回归方法，研究了一种基于环流和海温指数的皖江地区主要病虫害的长期定量预测方法，结果如下。

（1）芜湖市虫害总体重于病害。病害中纹枯病发生面积比最高，其与稻瘟病和稻曲病均呈显著增加的趋势，白叶枯则呈显著减少的趋势，近年来发生面积比不足1%。虫害中稻蝗发生面积比最少，且呈显著下降趋势，二化螟、稻纵卷叶螟和褐飞虱则呈显著增多的趋势。相关分析显示各病虫害均存在显著相关的气象影响因子，可进一步建立基于气象因子的长期预测模型。

（2）病虫害预测模型的自变量选自可对本地气象要素和病虫害有先兆性指示的前1年各环流和海温指数。首先遴选与本地病虫害显著相关的指数，然后将其依次放入多元逐步回归模型，最终建立了8种病虫害的预测模型。模型及其公式中的自变量均通过了显著性检验，模型具有较好的拟合效果，对2020年各病虫害发生面积比的预报效果验证也显示各模型预测效果较好，具有一定的预报能力。

（3）检验结果显示本文所建立的模型，在年初就可以利用前1年的环流、海温指数预测芜湖市当年各主要病虫害的发生面积比，可为本地农业农村部门提前做好病虫害防治工作提供参考。皖江地区各市虽然病虫害具体情况不同，但气候、地理等条件接近，可借鉴此方法建立本地的病虫害长期定量预测模型，为本地农业气象服务开展提供技术支撑。但本方法为统计方法，并未考虑各相关环流、海温指数与病虫害之间的物理学意义，且病虫害的发生发展受多种因素的影响，人为技术因素是其中重要的影响因素［22］，而模型仅考虑了气象因子对病虫害的影响，因此，这些模型必然存在一定的误差。为避免其他因素对模型预测效果的影响，应该定期更新病虫害和环流、海温指数数据，使用本方法对模型重新构建，以保证模型的预测效果。而且对于发生面积比很小的病虫害，预测结果的相对误差较大，主要参考其变化趋势。

另外，本文对各病虫害的气象影响因子，显著相关环流、海温指数的分析还比较笼统，后期可以针对单个病虫害做进一步地详细分析，深入研究气象因子影响的机制和其中的物理学意义。