基于菌群毒性与气象因子的水稻稻瘟病流行程度判别分析预测

doi:10.11924/j.issn.1000-6850.casb2022-0769

中国农学通报 ›› 2023, Vol. 39 ›› Issue (25): 116-121.doi: 10.11924/j.issn.1000-6850.casb2022-0769

基于菌群毒性与气象因子的水稻稻瘟病流行程度判别分析预测

兰波¹(), 阴长发¹, 陈建¹, 施伟韬², 杨爱萍³, 张晓阳⁴, 况虹敏⁵, 肖慧⁶, 李湘民¹, 杨迎青¹()

¹ 江西省农业科学院植物保护研究所，南昌 330200
² 江西省植保植检局，南昌 330096
³ 江西省农业气象中心，南昌 330096
⁴ 九江市农业技术推广中心，江西九江 332000
⁵ 上高县农业农村局，江西上高 336400
⁶ 万安县枧头镇便民服务中心，江西万安 343811

收稿日期:2022-09-05 修回日期:2022-12-04 出版日期:2023-09-05 发布日期:2023-08-28
通讯作者: 杨迎青，1981年出生，山东临沂人，研究员，博士研究生，研究方向：水稻及特色作物病害防治。通信地址：330200 江西南昌市南莲路602号，Tel：0791-87090752，E-mail：yyq8295@163.com。
作者简介:
兰波，男，1981年出生，江西分宜人，副研究员，博士研究生，研究方向：水稻真菌病害防治。通信地址：330200 江西南昌市南莲路602号，Tel：0791-87090752，E-mail：lanbo611@163.com。
基金资助:
江西省重点研发计划项目“基于菌群毒性结构的江西省水稻稻瘟病绿色防控技术研究与应用”(20202BBFL63001); 江西现代农业科研协同创新专项“优质稻、蔬菜主要病虫害绿色防控及农药减量技术研究”(JXXTCX201901); 江西现代农业科研协同创新专项“抗瘟品系Pi-zt介导的不同稻瘟病菌诱导下转录组分析”(JXXTCXBSJJ202119)

Discriminant Analysis and Prediction of Rice Blast Epidemic Based on Virulence of Magnaporthe oryzae and Meteorological Factors

LAN Bo¹(), YIN Changfa¹, CHEN Jian¹, SHI Weitao², YANG Aiping³, ZHANG Xiaoyang⁴, KUANG Hongmin⁵, XIAO Hui⁶, LI Xiangmin¹, YANG Yingqing¹()

¹ Institute of Plant Protection, Jiangxi Academy of Agricultural Sciences, Nanchang 330200
² Jiangxi Province Station of Plant Protection and Quarantine, Nanchang 330096
³ Jiangxi Agricultural Meteorological Center, Nanchang 330096
⁴ Jiujiang Agricultural Technology Extension Centre, Jiujiang, Jiangxi 332000
⁵ Bureau of Agriculture and Rural Affairs, Shanggao County, Shanggao, Jiangxi 336400
⁶ Jiantou Town Public Service Centre of Wan’an County, Wan’an, Jiangxi 343811

Received:2022-09-05 Revised:2022-12-04 Online:2023-09-05 Published:2023-08-28

摘要/Abstract

摘要：

稻瘟病是水稻上的一种毁灭性病害，利用科学的模型函数对稻瘟病发生流行程度进行预测预报是稻瘟病防控的有效方式。以降雨天数、降雨量、温度、稻瘟病菌致病力、无毒基因为变量参数，以稻瘟病发生指数为因变量，建立江西稻区稻瘟病发生流行程度判别模型函数。结果表明，稻瘟病发生指数与降雨天数、降雨量以及稻瘟病菌致病力有显著正相关性，与稻瘟病菌无毒基因频率、温度表现为显著负相关性；构建的预测函数模型对稻瘟病的发生级别预测回代检验正确判别率较高（80%以上），并且判别结果不会出现指数越级滑动。可将该方法作为水稻稻瘟病预测预报的参考依据，以指导水稻安全生产。

关键词: 水稻稻瘟病, 判别分析, 预测模型, 气象因子, 菌群毒性

Abstract:

Rice blast is a destructive disease of rice. Forecasting the epidemics of rice blast by using scientific model function is an effective way to prevent and control rice blast. Using the rainfall days, rainfall amount, temperature, pathogenicity of Magnaporthe oryzae, and avirulence gene as variables and the occurrence index of rice blast disease as the dependent variable, a model function for discriminating the epidemic of rice blast disease in Jiangxi Province was established. The results showed that the occurrence index of rice blast was positively correlated with the rainfall days, rainfall amount and the pathogenicity of M. oryzae, while the avirulence gene frequency and temperature were negatively correlated. The prediction function model had a high correct discrimination rate (above 80%) for the occurrence grade of rice blast, and the discrimination result did not show the exponential sliding. Therefore, this model function could be used as a method for the prediction of rice blast disease to guide the safe production of rice.

Key words: rice blast, discriminant analysis, prediction model, meteorological factor, virulence of Magnaporthe oryzae

兰波, 阴长发, 陈建, 施伟韬, 杨爱萍, 张晓阳, 况虹敏, 肖慧, 李湘民, 杨迎青. 基于菌群毒性与气象因子的水稻稻瘟病流行程度判别分析预测[J]. 中国农学通报, 2023, 39(25): 116-121.

LAN Bo, YIN Changfa, CHEN Jian, SHI Weitao, YANG Aiping, ZHANG Xiaoyang, KUANG Hongmin, XIAO Hui, LI Xiangmin, YANG Yingqing. Discriminant Analysis and Prediction of Rice Blast Epidemic Based on Virulence of Magnaporthe oryzae and Meteorological Factors[J]. Chinese Agricultural Science Bulletin, 2023, 39(25): 116-121.

图/表 6

参考文献 18

[1]	COUCH B C, HOHN L M. A multilocus gene genealogy concordant with host preference indicates segregation of a new species, Magnaporthe oryzae, from M. grisea[J]. Mycologia, 2002, 94:683-693. doi: 10.1080/15572536.2003.11833196 URL
[2]	兰波, 余建, 霍光华, 等. 江西稻瘟病自然病圃菌群毒性相关基因的鉴定与分析[J]. 江西农业大学学报, 2022, 44(2):377-385.
[3]	张文彤, 董伟. SPSS统计分析高级教程[M]. 北京: 高等教育出版社, 2013:309.
[4]	张家齐, 张毅, 石洁, 等. 基于判别分析的玉米茎腐病发生程度预测模型[J]. 植物保护, 2020, 16(2):85-90.
[5]	梁振中, 黄建森. 小麦赤霉病分段预测模型的研究[J]. 植物保护学报, 1991, 18(2):117-122.
[6]	王清文, 张勇, 李乐, 等. 汉中小麦条锈病流行程度的判别分析预测[J]. 中国植保导刊, 2017, 37(4):60-62.
[7]	王道泽, 洪文英, 吴燕君, 等. 水稻主栽品种和气象因素对稻瘟病田间流行的影响[J]. 浙江农业学报, 2017, 29(5):791-798. doi: 10.3969/j.issn.1004-1524.2017.05.15
[8]	唐启义, 程家安, 蒋学辉, 等. 晚稻稻瘟病神经网络分区预报[J]. 植物保护学报, 2002, 29(3):205-209.
[9]	殷世才, 杨和生, 保世森, 等. 陆良稻瘟病发生规律及预测预报模型应用[J]. 云南农业大学学报, 1995(10):172.
[10]	李湘民, 兰波, 黄凌洪, 等. 江西省稻瘟病菌的致病性分化[J]. 植物保护学报, 2009, 36(6):497-503.
[11]	汪文娟, 苏菁, 陈深, 等. 广东省侵染美香占2号的稻瘟病菌致病性及无毒基因变异分析[J]. 中国农业科学, 2022, 55(7):1346-1358. doi: 10.3864/j.issn.0578-1752.2022.07.007
[12]	邓云. 2017—2019年福建省稻瘟病菌生理小种组成与致病性[J]. 福建农林大学学报(自然科学版), 2021, 50(4):451-459.
[13]	FLOR H H. Host-parasite interactions in flax rustits genetics and other implications[J]. Phytopathology, 1955, 45:680-685.
[14]	WANG B, EBBOLE D J, WANG Z. The arms race between Magnaporthe oryzae and rice: Diversity and interaction of Avr and R genes[J]. Journal of integrative agriculture, 2017, 16:2746-2760. doi: 10.1016/S2095-3119(17)61746-5 URL
[15]	QIU J H, XIE J H, CHEN Y, et al. Warm temperature compromises JA-regulated basal resistance to enhance Magnaporthe oryzae infection in rice[J]. Molecular plant, 2022, 15(4):723-739. doi: 10.1016/j.molp.2022.02.014 URL
[16]	TALBOT N J. On the trail of a cereal killer: exploring the biology of Magnaporthe grisea[J]. Annual review of microbiology, 2003, 57(1):177-202. doi: 10.1146/micro.2003.57.issue-1 URL
[17]	EBBOLE D J. Magnaporthe as a model for understanding hostpathogen interactions[J]. Annual review of phytopathology, 2007(45):437-456.
[18]	WILSON R A, TALBOT N J. Under pressure: investigating the biology of plant infection by Magnaporthe oryzae[J]. Nature reviews microbiology, 2009, 7(3):185-195. doi: 10.1038/nrmicro2032

年份	区组	降雨量/mm	降雨天数/d	温度/℃	上年菌群致病力/%	上年菌群无毒基因频率/%	发生指数
2007	A	1295.2	136.2	19.0	69.73	26.01	3
2008	A	1539.0	138.3	18.3	67.45	27.32	2
2009	A	1382.4	137.0	18.7	66.37	28.15	2
2010	A	2117.3	161.0	18.3	67.92	26.95	3
2011	A	1272.1	136.7	18.1	81.63	22.75	3
2012	A	2214.8	178.7	17.9	83.35	23.25	3
2013	A	1454.5	130.0	18.9	78.01	22.95	3
2014	A	1689.7	150.2	18.7	54.7	35.75	3
2015	A	2296.2	174.8	18.6	78.49	32.35	4
2016	A	2294.6	165.7	18.9	86.92	33.15	4
2017	A	1720.2	151.1	18.9	57.96	32.85	3
2018	A	1547.7	157.6	18.8	65.38	28.38	2
2019	A	1722.1	157.5	18.9	61.57	39.65	2
2020	A	1870.9	157.8	19.0	62.05	35.65	2
2007	B	1264.3	145.0	19.1	51.62	34.22	1
2008	B	1521.5	141.0	18.5	68.92	28.65	3
2009	B	1527.0	148.0	18.7	63.75	33.15	2
2010	B	2315.2	163.0	18.3	81.35	21.56	4
2011	B	1074.5	147.0	18.2	64.82	30.75	2
2012	B	2334.7	186.0	17.9	83.15	20.16	4
2013	B	1328.7	136.0	19.1	62.01	31.38	2
2014	B	1908.7	159.0	18.7	69.1	24.65	3
2015	B	1919.3	177.0	18.8	67.55	22.42	3
2016	B	1689.1	167.0	18.8	61.36	28.83	2
2017	B	1638.5	154.0	19.1	53.75	36.96	1
2018	B	1545.2	155.0	18.5	55.86	38.79	1
2019	B	1749.1	158.0	18.6	64.21	31.65	2
2020	B	1957.1	171.0	18.7	65.83	32.47	2
2007	C	954.0	130.0	18.9	58.63	36.85	2
2008	C	1317.6	134.0	18.1	61.25	37.03	2
2009	C	1320.4	123.0	18.2	59.75	35.28	2
2010	C	1743.4	140.0	17.9	68.25	25.65	3
2011	C	1109.3	115.0	17.6	62.35	36.85	2
2012	C	1593.8	161.0	17.5	70.19	24.39	3
2013	C	1078.4	118.0	18.8	60.33	37.62	2
2014	C	2404.5	149.0	18.1	79.69	22.61	4
2015	C	1681.6	161.0	17.0	62.87	35.85	2
2016	C	1968.1	164.0	17.3	73.96	24.13	3
2017	C	1782.9	145.0	17.2	56.88	36.42	2
2018	C	1530.4	170.0	17.4	59.52	35.96	2
2019	C	1198.3	146.0	17.4	60.03	36.35	2
2020	C	2048.5	170.0	17.5	70.85	23.95	3

年份	区组	降雨量/mm	降雨天数/d	温度/℃	上年菌群致病力/%	上年菌群无毒基因频率/%	发生指数
2007	A	1295.2	136.2	19.0	69.73	26.01	3
2008	A	1539.0	138.3	18.3	67.45	27.32	2
2009	A	1382.4	137.0	18.7	66.37	28.15	2
2010	A	2117.3	161.0	18.3	67.92	26.95	3
2011	A	1272.1	136.7	18.1	81.63	22.75	3
2012	A	2214.8	178.7	17.9	83.35	23.25	3
2013	A	1454.5	130.0	18.9	78.01	22.95	3
2014	A	1689.7	150.2	18.7	54.7	35.75	3
2015	A	2296.2	174.8	18.6	78.49	32.35	4
2016	A	2294.6	165.7	18.9	86.92	33.15	4
2017	A	1720.2	151.1	18.9	57.96	32.85	3
2018	A	1547.7	157.6	18.8	65.38	28.38	2
2019	A	1722.1	157.5	18.9	61.57	39.65	2
2020	A	1870.9	157.8	19.0	62.05	35.65	2
2007	B	1264.3	145.0	19.1	51.62	34.22	1
2008	B	1521.5	141.0	18.5	68.92	28.65	3
2009	B	1527.0	148.0	18.7	63.75	33.15	2
2010	B	2315.2	163.0	18.3	81.35	21.56	4
2011	B	1074.5	147.0	18.2	64.82	30.75	2
2012	B	2334.7	186.0	17.9	83.15	20.16	4
2013	B	1328.7	136.0	19.1	62.01	31.38	2
2014	B	1908.7	159.0	18.7	69.1	24.65	3
2015	B	1919.3	177.0	18.8	67.55	22.42	3
2016	B	1689.1	167.0	18.8	61.36	28.83	2
2017	B	1638.5	154.0	19.1	53.75	36.96	1
2018	B	1545.2	155.0	18.5	55.86	38.79	1
2019	B	1749.1	158.0	18.6	64.21	31.65	2
2020	B	1957.1	171.0	18.7	65.83	32.47	2
2007	C	954.0	130.0	18.9	58.63	36.85	2
2008	C	1317.6	134.0	18.1	61.25	37.03	2
2009	C	1320.4	123.0	18.2	59.75	35.28	2
2010	C	1743.4	140.0	17.9	68.25	25.65	3
2011	C	1109.3	115.0	17.6	62.35	36.85	2
2012	C	1593.8	161.0	17.5	70.19	24.39	3
2013	C	1078.4	118.0	18.8	60.33	37.62	2
2014	C	2404.5	149.0	18.1	79.69	22.61	4
2015	C	1681.6	161.0	17.0	62.87	35.85	2
2016	C	1968.1	164.0	17.3	73.96	24.13	3
2017	C	1782.9	145.0	17.2	56.88	36.42	2
2018	C	1530.4	170.0	17.4	59.52	35.96	2
2019	C	1198.3	146.0	17.4	60.03	36.35	2
2020	C	2048.5	170.0	17.5	70.85	23.95	3

序号	判别函数	方差解释率/%
1	LD₁=-0.003237974Rainfall+0.031923512Raining_days-0.094898323Temperature-0.152661428Pathogenicity+0.006104285Gene_frequency	85.22
2	LD₂=-0.0009443542Rainfall-0.0014218725Raining_days-0.2628766829Temperature-0.1060013217Pathogenicity-0.2920317222 Gene_frequency	11.13
3	LD₃=0.001853144Rainfall+0.012100144Raining_days+1.127973157Temperature-0.105364742Pathogenicity-0.070895932Gene_frequency	3.65

序号	判别函数	方差解释率/%
1	LD₁=-0.003237974Rainfall+0.031923512Raining_days-0.094898323Temperature-0.152661428Pathogenicity+0.006104285Gene_frequency	85.22
2	LD₂=-0.0009443542Rainfall-0.0014218725Raining_days-0.2628766829Temperature-0.1060013217Pathogenicity-0.2920317222 Gene_frequency	11.13
3	LD₃=0.001853144Rainfall+0.012100144Raining_days+1.127973157Temperature-0.105364742Pathogenicity-0.070895932Gene_frequency	3.65

实际指数	预测发病指数
实际指数	1	2	3	4
1	2	1	0	0
2	0	19	1	0
3	0	2	11	1
4	0	0	0	5
判别准确率/%	88.09

基于菌群毒性与气象因子的水稻稻瘟病流行程度判别分析预测

Discriminant Analysis and Prediction of Rice Blast Epidemic Based on Virulence of Magnaporthe oryzae and Meteorological Factors

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 18

相关文章 15

编辑推荐

Metrics

本文评价

关于本刊

作者中心

审者中心

在线期刊

联系我们

实际指数	测试1				测试2				测试3				测试4				测试5
实际指数	1	2	3	4	1	2	3	4	1	2	3	4	1	2	3	4	1	2	3	4
1	1	0	0	0	0	1	0	0	0	1	0	0	0	1	0	0	0	0	0	0
2	0	4	1	0	0	6	1	0	0	5	1	0	0	4	0	0	0	5	0	0
3	0	1	2	0	0	0	1	0	0	0	3	0	0	1	3	0	0	1	3	0
4	0	0	0	1	0	0	0	1	0	0	0	0	0	0	0	1	0	0	0	1
判别准确率/%	80.00				80.00				80.00				80.00				90.00

[1]	汤阳, 刘可群, 杨俊杰, 邓环环, 邓爱娟, 车俊志. 基于判别分析的湖北省马铃薯晚疫病气象风险等级预报模型[J]. 中国农学通报, 2023, 39(8): 74-78.
[2]	赵仲孟, 黄志鹏, 赵瀚, 张露, 段元亮, 牟成艳, 周剑, 李强. 祁连山裸鲤(Gymnocypris chilianensis)雌雄群体的形态差异分析[J]. 中国农学通报, 2023, 39(5): 142-147.
[3]	田婷, 张青, 徐雯. 基于无人机多光谱影像的水稻冠层SPAD值预测研究[J]. 中国农学通报, 2023, 39(4): 149-153.
[4]	廖珺, 方洪生, 苏有健, 王烨军, 张永利, 孙宇龙, 方雅各. 不同摊放环境下茶鲜叶失水的变化规律[J]. 中国农学通报, 2023, 39(4): 160-164.
[5]	朱生翠, 李国婷, 魏永林, 马扶林, 金显玲, 曹迎敏. 青海湖北岸天然牧草产量预测模型研究[J]. 中国农学通报, 2023, 39(25): 109-115.
[6]	何娜, 范雨娴, 袁小康, 张明发, 张胜. 基于关键气象因子的湘西烤烟产量预报模型构建[J]. 中国农学通报, 2023, 39(24): 96-102.
[7]	雷玉红, 李春晖, 妥淑贞, 张英德, 马秀兰, 高成忠, 钟存, 颜亮东. 基于关键气象因子的柴达木枸杞产量预报模型研究[J]. 中国农学通报, 2023, 39(23): 55-61.
[8]	张晓云, 孔祥萍. 高寒草原气象因子对针茅牧草成熟期的影响[J]. 中国农学通报, 2023, 39(22): 132-137.
[9]	杨艳玲, 潘存良, 陈艳丽, 石侃, 白松竹, 司地克·买买提. 哈密绿洲杏花始花期变化特征及预报方法研究[J]. 中国农学通报, 2023, 39(14): 105-109.
[10]	董佳蕊. 科尔沁沙地最典型地区春小麦千粒重与气象因子的相关性[J]. 中国农学通报, 2023, 39(12): 81-85.
[11]	魏莎莎, 陈磊, 崔萌萌, 李清斌, 蔡娜丹, 秦奔奔, 裘建荣. 4个品种草莓大田育苗效果与气象因子的相关性分析[J]. 中国农学通报, 2023, 39(10): 95-100.
[12]	董佳蕊. 通辽市气象因子对红薯产量的影响分析[J]. 中国农学通报, 2022, 38(24): 75-79.
[13]	曾少敏, 陈小明, 姜翠翠, 黄新忠. 梨周年无裙膜避雨栽培主要物候期潜在不利气象因子分析[J]. 中国农学通报, 2022, 38(22): 99-103.
[14]	李民华, 帅细强, 谢佰承, 黄安凤, 张伟. 开花期气象因子对油菜结实的影响[J]. 中国农学通报, 2022, 38(16): 91-96.
[15]	徐相明, 谈建国, 顾品强, 杜纪红, 王正大, 汤晨阳, 姚寅秋, 尹荔阳. 奉贤黄桃产量的气象影响因子分析及预测模型的建立[J]. 中国农学通报, 2021, 37(35): 43-50.