日光温室黄瓜霜霉病初侵染阶段关键预测因子的筛选及验证_纪涛.pdf-

资源描述：

中中国国瓜瓜菜菜 2018 ， 31 （5 ）：5-10 试验研究收稿日期：2018-03-06 ；修回日期：2018-03-29 基金项目：国家自然科学基金（31401683 ）；山东省重点研发计划（2017CXGC0216 ）；欧盟FP7 （PIRSES-GA-2013-612659 ）作者简介：纪涛，男，在读硕士研究生，主要从事温室蔬菜病害预警模型研究。E-mail ：a513653089qq.com 通信作者：李明，男，副研究员，主要从事植保信息化与农产品质量安全研究。E-mail ：limnercita.org.cn 由古巴假霜霉菌Pseudoperonospora cubensis （Berk. 2. Beijing Research Center for Information Technology in Agriculture/ Key Laboratory of Agri-informatics, Ministry of Agriculture/ National Engineering Laboratory for Agri-product Quality Traceability/ National Engineering Research Center for Information Technology in Agriculture, Beijing 100097, China; 3. Fengtai DistrictPlantProtectionandPhytosanitaryStation,Beijing100070,China) Abstract ：The outbreak of cucumber downy mildew in greenhouse depends on the combined effects of the environment conditions, the management activities and other factors. In production, plant disease prediction relies on all kinds of empirical models, but there are many kinds of input factors, which need to be simplified.The approach we adopt to solve theproblemisusingtheprincipalcomponentanalysistoreducethedimensionof14groupsofearlypredictorsforcucumber downy mildew, based on field investigation experiment. Three principal components were selected out, which reflected the comprehensive humidity information, the temperature information and the management activities of the greenhouse, respectively.Thecumulativecontributionratereached80.76%,andanempiricalmodelwasestablishedbasedonprevious research results. The model had a good predictive effect (R=0.94) on the occurrence date of cucumber downy mildew, anditcouldprovideandecisionreferencefortheearlycontrolofcucumberdownymildewinthesolargreenhouses. Key words ：Cucumber; Pseudoperonospora cubensis; Early warning system; Principal component analysis; Empirical model 5 DOI:10.16861/j.cnki.zggc.2018.0080中国瓜菜第31 卷试验研究留 5 ，因此必须做好对初侵染的预测和防治工作。近年来国内外众多学者开发了以环境因素为驱动的病害预测模型来指导生产 6-8 ，对病害发生时间和风险进行预测，通过生态防治，在减少施药的基础上控制病害的发展。如何自福 9 等人运用距始病期的时间、前10d 累积相对湿度与气温的比值、前 10 d 累积雨日与气温的比值、前 10 d 累积雨量与相对湿度的比值、前10d 累积雨日与相对湿度的比值等多个输入因子构建模型，对广州地区黄瓜霜霉病的发展进行预测。徐宁 10 通过接种日至发病日时间、标准累积温度、标准累积湿度温、标准累积湿度、标准累积温湿度积之倒数等多个变量分别构建了塑料大棚黄瓜白粉病、霜霉病预测模型。但预测过程中常会面临模型输入变量过多造成某些重要信息被覆盖的现象，通过主成分分析对预测因子适当的筛选和化简，能够使模型运行更加方便、迅速。主成分分析就是将多个变量通过线性变换，剔除具有相关性的变量，从而筛选出少数重要综合变量的多元统计分析方法 11 。其原理是通过数学降维处理，设法将多个原变量重新组合成新的相互无关的几个综合变量，这些新变量尽可能多地保留原来较多变量所反映的信息。该方法在植物病害管理方面具有很好的应用 12-13 。寄主、病原、环境和栽培措施共同构成了温室黄瓜病害的四面体，病害的发生、发展受到这四类因素的共同作用。鉴于寄主、病原一般在生产上比较稳定，本研究仅考虑了易变、易控的环境和栽培管理措施作为预测因子筛选的范围，利用 SPSS.19 进行主成分分析，对影响温室黄瓜霜霉病初侵染阶段的多种因素进行筛选，为温室黄瓜霜霉病预警系统的构建提供参考。 1 材料与方法 1.1 温室黄瓜种植试验时间为 2017 年 911 月，试验地点位于北京市昌平区小汤山精准农业试验基地（40.18N ， 116.47 E ）。试验在（11 号）日光温室中进行，温室规格为30m7m ，由聚乙烯薄膜覆盖，东西延长坐北朝南。于3 月种植霜霉病中抗品种京研迷你2 号，并建立生产档案，如实记录灌溉、施肥、夜间通风等栽培管理措施。 1.2 温室环境信息采集在调查对象温室中设置自动气象站，每30min 对温室内的温度、相对湿度、露点温度等数据实时观测并储存。室外也配有相应的自动气象站，每h 对温度、相对湿度、雨量等天气要素进行记录。数据通过设备上的无线传输模块和手动下载相结合来收集。 1.3 霜霉病调查每次调查在清晨露水未干时进行，定植后每天进行全棚普查，直到典型霜霉病早期症状（叶片正面为边缘模糊的黄褐色病斑，叶片背面为多角形水渍状病斑）出现，记录首次发病的日期（本试验初显症日期为10 月12 日）。此后采取对角线5 点取样，定点定株调查，每点510 株，周期改为34d 调查 1 次，统计发病率并根据 GB/T 17980.26 2000 对病害严重度进行分级和记录。并在调查期间记录浇水情况、夜间通风等生产管理措施。 1.4 数据记录选取发病前 15 d 温室内外的环境信息和生产管理信息， X1 日平均气温/ （24 h 温度的平均值）、 X2 日平均相对湿度/% （24 h RH 的平均值）、 X3 气温 - 露点差/ 、 X4 相对湿度 90% 的时间/h 、 X5 相对湿度 80% 的时间/h 、 X6 温度介于 1520 的时间/h 、 X7 温度介于 2025 的时间/h 、 X8 夜间温度/ （20 ： 00 8 ： 00 ）、 X9 夜间相对湿度/% （20 ： 00 8 ： 00 ）、 X10 距上一次浇水日的时间/d 、 X11 每次浇水时长/h 、 X12 室外平均温度/ 、 X13 室外降雨状况（降雨记作 “1 ” 、未降雨记作 “0 ” ）、 X14 距上一次夜间通风的时间/d ，作为日光温室黄瓜霜霉病初侵染阶段的预测因子进行主成分分析。参数计算采用 Excel 2007 进行。 1.5 数据分析进行主成分分析的主要步骤如下：收集并选取需进行筛选的变量和数据；数据标准化处理；相关性分析；确定主成分个数和各个变量的载荷量。 1.6 经验模型构建经验模型是一种传统的农业预测手段，具有输入简单、运行迅速、应用便捷的特点。笔者通过定性的方法从已有文献中归纳前人的研究成果和生产经验，并结合预测因子筛选的结果提出日光温室黄瓜霜霉病初侵染预测规则。 1.7 模型验证选用2006 2007 年北京地区日光温室黄瓜霜霉病实际发生情况作为模型的验证数据（4 栋温室，每栋温室选择5 个调查点，共20 个调查点）。对模拟值和观测进行线性回归分析，计算线性回归斜率 k 、回归截距 b 以及决定系数 R 。另外，为了进一步对 6第5 期等：关键预测因子的筛选及验证试验研究模型的准确度、精度、偏差率等指标作出评价，分别引入拟合指数（ WAI ）、置信指数（ CI ）来描述模型预测的准确度和精度；采用平均偏离差（ MBE ）、平均离差（ MAE ）来评估模型的平均误差幅度和偏离方向 14 。计算均方根误差（ RMSE ）， RMSE 的值越小，说明模拟值与观测值之间的偏差越小，模型的精度越高 15 。计算方法如下： ( ) 2 1 n i i m O S RMSE n = - = ；（1 ） ( ) ( ) 2 1 1 1 n i i m n i i m O S WAI O S = = - = - + ；（2 ） 2 CI WI R = ；（3 ） ( ) 1 n i i m O S MBE n = - = ；（4 ） 1 n i i m O S MAE n = - = 。（5 ）式中： i O 观测值； i S 模拟值； i O 观测值的离均差； i S 模拟值的离均差； n 样本总量。 2 结果与分析 2.1 数据的标准化处理在进行分析前，为了消除各监测数据原始量纲和数量级不相同的影响，要对原始变量数据进行标准化的处理，方法是对同一变量减去其均值再除以其标准差，得到这 14 个原始变量标准化后的标准变量 Z ，然后采用 SPSS 19.0 中的 “ 降维 ” 过程进行主成分分析。 2.2 相关分析通过相关分析（表 1 ）可以发现，一些变量之间相关系数较大，例如日均温度 X1 与RH 80% 的时间 X5 、 RH 90% 的时间 X6 、浇水时长 X11 等预测因子存在较强的相关性，其相关系数分别为 -0.81 、 -0.69 、 0.83 ；平均相对湿度 X2 与气温 - 露点差 X3 的相关系数也达到了 -1.0 ，说明这些变量存在信息上的重叠，表 1 各预测因子之间的相关系数 X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X1 1.00 -0.66 0.66 -0.69 -0.81 0.20 0.45 -0.56 0.15 0.00 0.83 -0.06 0.16 -0.70 X2 1.00 -1.00 0.89 0.43 0.39 0.20 0.78 -0.15 0.19 -0.51 0.41 0.21 0.91 X3 1.00 -0.89 -0.43 -0.39 -0.20 -0.78 0.15 -0.19 0.51 -0.41 -0.21 -0.91 X4 1.00 0.55 0.31 0.24 0.85 -0.20 0.15 -0.69 0.29 0.39 0.91 X5 1.00 -0.57 -0.42 0.49 0.00 0.01 -0.83 0.09 -0.02 0.57 X6 1.00 0.72 0.19 -0.27 0.04 0.28 0.20 0.34 0.18 X7 1.00 0.12 -0.23 0.20 0.29 0.43 0.53 0.07 X8 1.00 0.13 -0.04 -0.59 0.09 0.22 0.92 X9 1.00 -0.67 0.19 -0.43 -0.32 -0.04 X10 1.00 -0.01 0.48 0.46 0.11 X11 1.00 -0.08 0.10 -0.69 X12 1.00 0.13 0.28 X13 1.00 0.17 X14 1.00 较适合主成分分析方法。 2.3 主成分分析主成分是以最少的个数反映尽量多的信息为原则，主成分个数提取原则有3 个：只取 1 的特征值对应的主成分；累计百分比达到 80% 85% 以上的值对应的主成分；根据特征根变化的突变点决定主成分的数量 16 。如表2 所示，第1 至第 3 个主成分的贡献率分别为 44.45% 、 23.52% 和 12.79% ，此时累计贡献率已达到80.76% ，介于80% 85% ，说明前3 个主成分能够反映原始变量提供约 80.76% 的信息。因此，选取前 3 个特征值，并计算相应的主成分载荷（表3 ）。主成分载荷矩阵体现了各变量与主成分之间表 2 主成分特征值及累计贡献率成分 1 2 3 4 5 6 7 8 9 10 11 12 13 14 初始特征值合计 6.22 3.29 1.79 0.94 0.71 0.50 0.28 0.12 0.07 0.05 0.02 0.01 0.00 0.00 贡献率/% 44.45 23.52 12.79 6.68 5.04 3.60 1.99 0.89 0.50 0.33 0.11 0.07 0.02 0.00 累计贡献率/% 44.45 67.97 80.76 87.44 92.49 96.09 98.07 98.96 99.47 99.80 99.91 99.98 100.00 100.00 提取平方和载入合计 6.22 3.29 1.79 贡献率/% 44.45 23.52 12.79 累计贡献率/% 44.45 67.97 80.76 纪涛，等：日光温室黄瓜霜霉病初侵染阶段关键预测因子的筛选及验证纪涛，等：日光温室黄瓜霜霉病初侵染阶段关键预测因子的筛选及验证 7中国瓜菜第31 卷试验研究的紧密度，某一主成分与某一变量的载荷系数的绝对值越大，则该主成分与变量之间的联系越紧密，因此，从主成分贡献率及载荷情况可以看出影响黄瓜霜霉病初侵染发展的预测因子类型及其所占比重。第1 主成分占总载荷量的44.45% ，由表3 可以看出， RH 80% 所持续的时间（0.960 ）、 RH 90% 所持续的时间（0.959 ）、日平均相对湿度（0.929 ）、气温 - 露点差（ -0.929 ）、夜间相对湿度（0.854 ）具有较大的载荷量，且依次减小；可以把第 1 主成分看成是由 RH 80% 的时间、日平均相对湿度、气温 - 露点差、夜间相对湿度所反映的温室内湿度信息综合指标。第2 主成分占总荷载量的23.52% ，其中夜间温度（0.867 ）、 2025 的时间（0.785 ）所占的载荷量较大；因此第2 主成分主要反映的是由夜间温度、 20 25 的时间所构成的温度信息综合指标。第3 主成分占总载荷量的12.79% ，其中浇水时长和距上一次浇水的时间具有较大的载荷量，分别为 -0.725 和 0.707 ，这表明第 3 主成分与温室的灌溉措施关系密切。由结果可以分析出，从以上14 组预测因子中，筛选出了反映温室湿度综合信息、温度信息和温室管理措施的 3 项综合指标（即 3 个主成分）。其中对日光温室黄瓜霜霉病初侵染影响最大的因子分别是RH 80% 所持续的时间、夜间温度以及每次浇水时长。表 3 主成分载荷矩阵因子 X5 X4 X2 X3 X9 X1 X12 X6 X8 X7 X14 X13 X11 X10 成分 F1 0.960 0.959 0.929 -0.929 0.854 -0.794 -0.756 0.660 0.077 0.168 0.227 0.353 0.195 -0.206 F2 0.134 -0.022 0.183 -0.183 -0.039 0.479 0.455 -0.587 0.867 0.785 0.617 0.483 0.482 -0.462 F3 0.105 0.162 0.150 -0.150 0.360 0.160 0.215 -0.294 0.224 0.425 -0.100 -0.393 -0.725 0.707 2.4 经验模型构建根据前人的经验：赵胜荣等 17 发现当RH 80% 的累计时间达到140h ，霜霉病的发病率约为20% ，病情指数的发展也与 RH 80% 累积时间呈显著正相关；乔晓军 18 发现夜间相对湿度大于83% ，发病率约为 28% ；且霜霉病的侵染一般发生在夜间，侵染最适温度为 1520 2 。因此，笔者结合前人的研究成果、生产经验，并综合预测因子筛选的结果，归纳总结出以下适宜温室黄瓜霜霉病初侵染阶段的预警规则：自定植1 周后开始， RH 80% 的累积时间达到200h 左右；夜间相对湿度 83% ，夜间温度介于 1520 ；若夜间或傍晚灌水，增加发病概率；满足以上条件，病害将会在3d 内发生。 2.5 模型验证采用2006 2007 年北京地区日光温室黄瓜霜霉病发生情况作为模型的验证数据。如表4 所示， 20 个调查点中满足生产要求（即命中）的预测频数为16 次，占总体样本的80% ；预测发病日期在实际发病日期之后（即延迟漏报）的预测频数为4 次，占总体样本的20% ，模型预测的准确率较高。表 4 模型验证结果调查年份 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 编号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 RH 80% 累积时间达到200h 的日期 10 月24 日 10 月24 日 10 月24 日 10 月24 日 10 月24 日 10 月24 日 10 月26 日 10 月25 日 10 月25 日 10 月26 日 2 月23 日 2 月25 日 2 月24 日 2 月25 日 2 月25 日 2 月25 日 2 月23 日 2 月26 日 2 月24 日 2 月25 日预测显症日期 10 月24 -26 日 10 月24 -26 日 10 月24 -26 日 10 月24 -26 日 10 月24 -26 日 10 月24 -26 日 10 月26 -28 日 10 月25 -27 日 10 月25 -27 日 10 月26 -28 日 2 月23 -25 日 2 月25 -27 日 2 月24 -26 日 2 月25 -27 日 2 月25 -27 日 2 月25 -27 日 2 月23 -25 日 2 月26 -28 日 2 月24 -26 日 2 月25 -27 日实际显症日期 10 月26 日 10 月26 日 10 月26 日 10 月26 日 10 月26 日 10 月26 日 10 月26 日 10 月26 日 10 月26 日 10 月26 日 2 月24 日 2 月24 日 2 月24 日 2 月25 日 2 月24 日 2 月24 日 2 月24 日 2 月26 日 2 月24 日 2 月24 日预测状态命中命中命中命中命中命中命中命中命中命中命中延迟命中命中延迟延迟命中命中命中延迟将预测值与实际值进行回归分析，进一步验证模型的预测质量。如表5 所示，线性回归的决定系数 R=0.94 ，置信指数 C=0.72 ，拟合指数 W=0.75 其绝对值均趋近于 1 ，表明模型拟合效果较好； MBE=-0.70 说明该模型能够提供早于实际发病日的预测；预测值与实际值相比平均离差 MAE 在1d 左右，基于1 1 散点图，均方根误差 RMSE=1.34 ，说明模型总体预测质量较好，但仍然需要对延迟、漏报的现象进行优化。 8第5 期等：关键预测因子的筛选及验证试验研究表5 温室黄瓜霜霉病经验模型预测结果回归分析 k 0.79 b 3.96 R 0.94 W 0.75 C 0.72 MAE 1.1 MBE -0.7 RMSE 1.34 3 讨论与结论黄瓜霜霉病的发生、发展与温、湿度等环境因素关系密切 19 ，高湿和叶片上的游离水是孢囊萌发、形成初级侵染结构的必要条件 20-22 ；而温度则决定了病害发展的速率和严重程度 23 。叶片自由水存在的条件下，孢子囊 532 均可萌发 24 ，适温在 15 20 20-21 ；当接种物浓度较高时，最适温度1520 下保湿2h ，便可完成侵染过程 25 ；如果低于15 或高于 28 ，则不利于病害的发生发展；且温、湿度对孢子囊的存活也有显著影响，在相同的温度条件下，与45% 和100% 相比， 75% 左右的中等湿度孢子囊的存活率最低 26 。高湿是发病的最重要条件，或叶片湿润时间6h 以上可诱导孢子囊形成，且相对湿度越大，产孢越多 27 ；如果相对湿度低于60% 时，则不利于病害的发生。相对湿度在93% 以上时，发病严重。若阴天或雨天，将迫使种植者减少通风时间以维持棚内温度，这将产生较高的相对湿度和较长的叶片湿润时间，导致黄瓜霜霉病发生严重；若浇水次数多，或采用大水漫灌、喷灌、夜间灌水等灌溉方式，也造成棚内相对湿度增大，利于霜霉病发生、发展 28 。采取膜下滴灌或膜下沟灌则能显著降低黄瓜霜霉病的危害程度 29-30 。通过对日光温室黄瓜霜霉病初侵染阶段预测因子的分析，可以看出利用主成分分析的方法能充分的展现出原始数据所包含的信息，通过主成分贡献率来考量各个变量重要性，具有基于数据的客观性和全面性，能够全面地反映各变量对病害发生发展的影响程度。但是病害的发生与否，除了环境条件和管理措施外，还与病原物、易感寄主等密切相关。因此，接下来的研究中，还需采取适当的方法，在预测模型中逐步加入病原、寄主生育时期、施肥频率、施肥量、温室揭盖帘情况、累积太阳辐射以及累积有效温度等因素综合考虑，以提高预测的准确度。笔者通过主成分分析，筛选出了反映温室湿度综合信息、温度信息和温室管理措施的3 项综合指标，为预测模型的建立及预警系统的开发奠定了基础。根据主成分分析结果并结合前人的生产经验提出黄瓜霜霉病预警规则：自定植后 1 周开始， RH 80% 的累积时间达到200h ；夜间平均RH 83% ，夜间平均温度介于1520 ；若当天灌溉时间较晚，则霜霉病可能发生。笔者使用了2006 2007 年北京地区实际发病情况作为模型的验证数据，预测效果较好，但模型的适用范围还有待进一步验证。在今后的研究工作中，应尽量使用不同地区，不同年份的实际发病数据进行验证，从而提高模型的普适性。参考文献 1 LEBEDA A ， COHEN Y. Cucurbit downy mildew （ Pseudopero nospora cubensis ） biology ， ecology ， epidemiology ， host-pathogen interaction and controlJ. European Journal of Plant Pathology ， 2011 ， 129 （2 ）： 157-192. 2 COHENY ， WHENERTC ， OJIAMBO PS ， et al . Resurgence of Pseudoperonospora cubensis-the agent of cucurbit downy mildew J.Phytopathology ， 2015 ， 105 （7 ）： 998-1012. 3 SAVORYEA ， GRANKE LL ， QUESADAOCAMPO LM ， etal . Thecucurbitdownymildewpathogen Pseudoperonospora cubensis J.MolecularPlantPathology ， 2011 ， 12 （3 ）： 217-226. 4 HOLMES G J ，OJIAMBO P S ，HAUSBECK M K ，et al . Resurgence of cucurbit downy mildew in the United States ：a watershed event for research and extensionJ. Plant Disease ， 2015 ， 99 （4 ）： 428-441. 5 OJIAMBOPS ， PAULPA ， HOLMESGJ.Aquantitativereview of fungicide efficacy for managing downy mildew in cucurbits J.Phytopathology ， 2010 ， 100 （10 ）： 1066-1076. 6 Neufeld K N ， KeinathAP ， Ojiambo PS.Amodel to predict the risk of infection of cucumber by Pseudoperonospora cubensisJ. MicrobialRiskAnalysis ， 2017 ， 6 ： 21-30. 7 OJIAMBO PS ， Gent D H ， Quesadaocampo LM ， et al. Epidemi- ology and population biology of Pseudoperonospora cubensis ：a model system for management of downy mildewsJ. Annual ReviewofPhytopathology ， 2015 ， 53 （1 ）： 223. 8 ZHAO C J ， LI M ， YANG X T ， et al . A data-driven model simulating primary infection probabilities of cucumber downy mildew for use in early warning systems in solar gre

展开阅读全文