基于機(jī)器學(xué)習(xí)構(gòu)建葡萄霜霉病預(yù)測模型及驗(yàn)證

邊鳳霞， 劉凱歌， 容新民*

（1.石河子農(nóng)業(yè)科學(xué)研究院，新疆 石河子 832000； 2.石河子大學(xué)農(nóng)學(xué)院，新疆 石河子 832003）

葡萄霜霉病是葡萄生產(chǎn)中傳播快、危害大的真菌病害之一，如不及時防治將直接影響葡萄的產(chǎn)量和品質(zhì)，造成嚴(yán)重的經(jīng)濟(jì)損失[1-2]。目前，農(nóng)戶常采用化學(xué)藥劑進(jìn)行防治，但大量、多次用藥易造成農(nóng)藥殘留、威脅食品安全，并導(dǎo)致環(huán)境污染等，因此，對該病害進(jìn)行精準(zhǔn)可靠的預(yù)測[3]將便于農(nóng)戶提前采取管理或防治措施，有利于減少田間農(nóng)藥用量，降低病害對作物和果實(shí)的危害，進(jìn)而提高葡萄產(chǎn)量及品質(zhì)。

氣象數(shù)據(jù)是病害預(yù)測模型的主要驅(qū)動力[4-6]，而葡萄霜霉病的發(fā)生與溫、濕度等有極大關(guān)系。研究表明，溫度在12~20 ℃、相對濕度在90%~95%并保持2~4 h 的黑暗條件利于發(fā)病[7-9]。近年來，國內(nèi)外學(xué)者基于氣象數(shù)據(jù)開展了霜霉病相關(guān)預(yù)測模型構(gòu)建的研究，包括初侵染模型[10]、流行動態(tài)模型[11-12]、在早期微型計(jì)算機(jī)上建立的預(yù)測系統(tǒng)[13]以及利用數(shù)理統(tǒng)計(jì)法[14-15]和歸納邏輯程序設(shè)計(jì)法 （inductive logic programming, ILP）[16-17]等的多種病害預(yù)測方法，但由于氣象因子間相互聯(lián)系又相互制約，沒有固定的變化速率（即具有非線性特點(diǎn)），且隨著數(shù)據(jù)類別和規(guī)模的增加，模型變量的定義和建模效率會受到影響，很難充分對數(shù)據(jù)進(jìn)行挖掘并構(gòu)建高精度的預(yù)測模型[18-19]。隨著物聯(lián)網(wǎng)、大數(shù)據(jù)、機(jī)器學(xué)習(xí)等技術(shù)的不斷發(fā)展及其在農(nóng)業(yè)上的應(yīng)用[20]，為病害預(yù)測提供了更多解決方案。Mezei 等[21]基于低功耗的網(wǎng)絡(luò)物聯(lián)網(wǎng)技術(shù)開發(fā)了葡萄霜霉病預(yù)警系統(tǒng)；Volpi 等[22]和Chen 等[23]基于機(jī)器學(xué)習(xí)算法對霜霉病病害癥狀及發(fā)生嚴(yán)重程度進(jìn)行預(yù)測，根據(jù)病害發(fā)生風(fēng)險水平預(yù)測了病害的發(fā)生，并通過評估表明模型的應(yīng)用降低了殺菌劑的施用量；吳寧[24]將灰色關(guān)聯(lián)分析和機(jī)器學(xué)習(xí)算法結(jié)合，構(gòu)建了葡萄霜霉病短期預(yù)測模型，通過設(shè)計(jì)開發(fā)的葡萄霜霉病預(yù)測系統(tǒng)實(shí)現(xiàn)了面向用戶的發(fā)病程度預(yù)測、預(yù)警功能；Menesatti 等[25]構(gòu)建的多元預(yù)測模型對葡萄霜霉病的合理防治管理進(jìn)行了優(yōu)化，驗(yàn)證了模型對不同殺菌劑施用量在病害防控中的可能性；Firanj等[26]依托病害預(yù)測模型開發(fā)了基于氣象的預(yù)報系統(tǒng)，可預(yù)測未來10 d 左右的氣象，能更好地掌握氣象條件，進(jìn)一步幫助農(nóng)戶采取防治措施。可見，利用這些技術(shù)對病害進(jìn)行預(yù)測是可行且有效的，且對生產(chǎn)上的指導(dǎo)作用也將具有至關(guān)重要的意義。但目前將多個機(jī)器學(xué)習(xí)算法應(yīng)用于新疆地區(qū)葡萄霜霉病預(yù)測模型構(gòu)建的研究尚未見報道。

為降低葡萄生產(chǎn)中因病害帶來的產(chǎn)量與經(jīng)濟(jì)損失，本文依托氣象站采集的葡萄生長期間的氣象數(shù)據(jù)，結(jié)合霜霉病發(fā)生調(diào)查情況，基于4 種機(jī)器學(xué)習(xí)算法，對新疆地區(qū)葡萄園構(gòu)建霜霉病發(fā)生預(yù)測模型，并進(jìn)行評價與驗(yàn)證，篩選出適宜用于對當(dāng)?shù)夭『M(jìn)行預(yù)測的模型，給大數(shù)據(jù)、機(jī)器學(xué)習(xí)等技術(shù)在葡萄病害預(yù)測上的應(yīng)用研究提供參考，進(jìn)而為葡萄霜霉病預(yù)警系統(tǒng)的開發(fā)奠定技術(shù)基礎(chǔ)，以期為農(nóng)戶進(jìn)一步采取管理或防治措施提供決策支持。

1 材料與方法

1.1 試驗(yàn)概況

試驗(yàn)于2020 年4 月—2021 年11 月在新疆石河子市石河子葡萄研究所試驗(yàn)地進(jìn)行，供試葡萄樹為5 年生樹體，選用對霜霉病抗性較強(qiáng)的‘夏黑’葡萄品種作為試驗(yàn)材料，栽培架式為雙廠“U”型架，株行距為3.0 m×0.8 m。該園為平地果園，土壤肥力中等，灌溉條件較好，園內(nèi)所有葡萄栽培管理措施保持一致，均按常規(guī)高產(chǎn)優(yōu)質(zhì)栽培模式進(jìn)行，其中2020年試驗(yàn)數(shù)據(jù)用于模型構(gòu)建，2021年試驗(yàn)數(shù)據(jù)用于模型的驗(yàn)證與篩選。

1.2 數(shù)據(jù)采集

葡萄樹生長期間的氣象數(shù)據(jù)來源于田間安裝的HOBO 小型自動氣象站，采集時間間隔為1 h，病害發(fā)生數(shù)據(jù)通過人工調(diào)查獲得，每周調(diào)查1 次。調(diào)查方法如下：在試驗(yàn)園隨機(jī)選擇5 個固定的觀測點(diǎn)，每點(diǎn)隨機(jī)調(diào)查10 個當(dāng)年抽生新蔓，自上而下調(diào)查全部葉片，記錄總?cè)~數(shù)和病葉數(shù)；若果實(shí)發(fā)病，則在每點(diǎn)調(diào)查不同部位的果穗6 個，記錄病穗數(shù)和病穗總果粒數(shù)及病果粒數(shù)，計(jì)算病穗率和病果率。當(dāng)葉片首次出現(xiàn)淡黃綠色水浸狀病斑、果梗/花序首次出現(xiàn)淺色水浸狀斑點(diǎn)時[27]記錄發(fā)病時間。其中2020 年首次發(fā)病日期為8 月29 日；2021年首次發(fā)病日期為8月14日。

1.3 變量選取及數(shù)據(jù)集構(gòu)建

根據(jù)葡萄霜霉病的發(fā)生規(guī)律及傳播特點(diǎn)，溫、濕度及光照均影響孢子嚢的形成和萌發(fā)[2]，病菌能在病葉殘體和土壤中越冬或越夏，主要以氣流、雨水為媒介進(jìn)行擴(kuò)散。本研究選取有利于病菌孢子嚢擴(kuò)散與侵染的關(guān)鍵氣象數(shù)據(jù)作為預(yù)測模型輸入變量，分別為氣象站采集的每小時空氣溫度、濕度、降雨量、風(fēng)速、太陽輻照度、40 cm 土層土壤溫度的平均值，霜霉病是否發(fā)病（二分類，是/否用1/0表示）作為模型輸出變量。

使用PyCharm 2019.3 和Python 3.7.11 對采集的數(shù)據(jù)進(jìn)行歸一化處理及模型代碼實(shí)現(xiàn)，進(jìn)而將數(shù)據(jù)轉(zhuǎn)化為0~1 的有監(jiān)督無量綱數(shù)據(jù)，消除量綱數(shù)據(jù)間的相互影響，降低模型運(yùn)算量，提高運(yùn)算速度及模型精度和性能，歸一化公式如下。

式中，Xi為所有樣本數(shù)據(jù)（i=1,2,3,…,n），Xmin為所有樣本數(shù)據(jù)中的最小值，Xmax為所有樣本數(shù)據(jù)中的最大值，X*為歸一化的結(jié)果。

由于病害是否發(fā)生為1/0 分類標(biāo)簽，已經(jīng)符合位于[0, 1]之間，故不需進(jìn)行歸一化處理。歸一化后得到病害發(fā)生預(yù)測模型數(shù)據(jù)集，將其70%作為模型訓(xùn)練集（用于模型對數(shù)據(jù)中包含的信息進(jìn)行學(xué)習(xí)與記憶），剩余30%作為模型測試集（用于模型對數(shù)據(jù)的學(xué)習(xí)效果進(jìn)行測試驗(yàn)證及分類預(yù)測）。

1.4 模型構(gòu)建

選用在處理二分類問題時常用且效果較好的機(jī)器學(xué)習(xí)算法構(gòu)建模型，包括二項(xiàng)邏輯斯蒂（binary logistic regression, BLR）模型[28]、支持向量機(jī)（support vector machine, SVM）模型[29]、決策樹（decision tree, DT）模型[30]和K 最近鄰（K-nearest neighbors, KNN）模型[31]。

1.4.1BLR 模型 BLR 模型由條件概率分布P(Y|X)表示，其中，X為樣本值，Y取值為0或1，通過輸入的X，得出Y為0或1的概率并比較，將X歸至所得概率較大的一類。從而完成對輸入變量預(yù)測后的是否發(fā)?。?/0）進(jìn)行預(yù)測，需遵循以下條件分布。

式中，w為權(quán)重向量；b為偏置項(xiàng)。

1.4.2SVM模型 SVM模型是通過對樣本數(shù)據(jù)的類別進(jìn)行分割，以尋求超平面對所需分類問題進(jìn)行劃分，來確定各類別中與超平面間最短距離的點(diǎn)，而該點(diǎn)即為支持向量，原理如式（6）和圖1所示。

圖1 SVM模型原理Fig. 1 SVM model principle

式中，w為權(quán)重向量；b為偏置項(xiàng)；s.t.為約束條件；T為矩陣轉(zhuǎn)置；Y為樣本分類值（用于本研究的二分類問題時，Y為是/否發(fā)病的1/0 值）；X為樣本值；i=1,2,3,…,n。

1.4.3DT 模型 DT 模型是通過樹形結(jié)構(gòu)來對每個特征進(jìn)行測試、響應(yīng)的過程，在機(jī)器學(xué)習(xí)中常用于分類問題建模。目前已針對模型衍生出多種改進(jìn)模型。原理如圖2所示。

圖2 Decision Tree模型原理Fig. 2 Decision tree model principle

1.4.4KNN 模型 KNN 是用特征空間中的K 個最鄰近樣本的大多數(shù)類別來代替目標(biāo)樣本類別的分類方法，其原理如圖3所示。與BLR 相比，KNN是更具體的標(biāo)簽而不是概率；與SVM 相比，KNN去除了原理中公式對距離的運(yùn)算過程，更加簡便、快捷。

圖3 KNN模型原理Fig. 3 KNN model principle

1.5 模型評價指標(biāo)

病害發(fā)生預(yù)測模型采用受試者工作特征曲線（receiver operating characteristic，ROC）、AUC 值（area under the roc curve）、混淆矩陣（confusion matrix）、Kappa 系數(shù)（k值）、準(zhǔn)確率（Accuracy）、精準(zhǔn)率（Precision）、召回率（Recall）及F1分值（F1-score）對模型性能和分類預(yù)測指標(biāo)進(jìn)行評價[32]。

其中，ROC 曲線是以假陽性率（false positive rate，F(xiàn)PR）為橫坐標(biāo)、真陽性率（true positive rate,TPR）為縱坐標(biāo)得到的的用于展示模型分類效果的曲線圖；AUC 值是ROC 曲線下的面積，其值越接近1，表示模型的分類性能越好。計(jì)算公式如下。

式中，TP 指實(shí)際為陽性且預(yù)測為陽性的樣本數(shù)；FP 指實(shí)際為陰性但預(yù)測為陽性的樣本數(shù)；TN指實(shí)際為陰性且預(yù)測為陰性的樣本數(shù)；FN 指實(shí)際為陽性但預(yù)測為陰性的樣本數(shù)。

混淆矩陣是通過n行×n列的矩陣分別將樣本真實(shí)值與預(yù)測值間的異同數(shù)量對比進(jìn)行可視化的一個評價指標(biāo)，用于展示模型分類預(yù)測情況，并通過對每個矩陣的數(shù)值計(jì)算得出k值、準(zhǔn)確率、精準(zhǔn)率、召回率和F1分值，以衡量模型整體精度。混淆矩陣列聯(lián)表如表1所示。

表1 混淆矩陣列聯(lián)表Table 1 Confusion matrix contingency table

Kappa 檢驗(yàn)是一種一致性檢驗(yàn)方法，計(jì)算得出的值通常在0 到1 之間，且越接近1，表明模型的整體性能越好。k值的計(jì)算公式如下，其一致性分類標(biāo)準(zhǔn)如表2所示。

表2 k值一致性劃分標(biāo)準(zhǔn)Table 2 The k value consistency classification criteria

式中，P0為觀測一致率；Pe為機(jī)遇一致率。

準(zhǔn)確率（Accuracy）表示預(yù)測正確的樣本數(shù)占樣本總數(shù)的比例；精準(zhǔn)率（Precision）表示正確預(yù)測發(fā)病的樣本數(shù)占預(yù)測發(fā)病樣本數(shù)的比例；召回率（Recall）表示正確預(yù)測發(fā)病的樣本數(shù)占實(shí)際發(fā)病樣本數(shù)的比例；F1分值（F1-score）是綜合了精準(zhǔn)率和召回率的評價指標(biāo)。計(jì)算公式如下。

2 結(jié)果與分析

2.1 病害發(fā)生不同預(yù)測模型比較分析

2.1.1不同預(yù)測模型分類預(yù)測指標(biāo)分析 如圖4A，BLR 模型分類預(yù)測的ROC 曲線下面積（AUC值）為0.817 9；根據(jù)混淆矩陣（圖4B），4 個矩陣中的總數(shù)目為測試集1 395 條的數(shù)量，其中TN、TP、FN、FP 分別為875、321、135、64，由公式（9）~（15）得出k值為0.66，預(yù)測準(zhǔn)確率、預(yù)測發(fā)生精準(zhǔn)率、召回率和F1分值分別為86%、83%、70%、76%。由此表明，預(yù)測精度具有高度一致性，模型性能較好。

圖4 BLR模型分類預(yù)測指標(biāo)Fig. 4 BLR model classification prediction indicators

SVM 模型的預(yù)測結(jié)果中，AUC 值為0.813 6；TN、TP、FN、FP 分別為878、317、145、55；k值為0.66；預(yù)測準(zhǔn)確率、預(yù)測發(fā)生精準(zhǔn)率、召回率和F1分值分別為86%、85%、69%、76%，模型預(yù)測精度具有高度一致性（圖5）。

圖5 SVM模型分類預(yù)測指標(biāo)Fig. 5 SVM model classification prediction indicators

DT模型的預(yù)測結(jié)果中，AUC值為0.928 8；TN、TP、FN、FP 分別為900、410、46、39；k值為0.86；預(yù)測準(zhǔn)確率、預(yù)測發(fā)生精準(zhǔn)率、召回率和F1分值分別為94%、91%、90%、91%，模型預(yù)測精度幾乎完全一致（圖6）。

圖6 DT模型分類預(yù)測指標(biāo)Fig. 6 DT model classification prediction indicators

KNN 模型的預(yù)測結(jié)果中，AUC 值為0.923 7；TN、TP、FN、FP分別為879、416、41、59；k值為0.84；預(yù)測準(zhǔn)確率、預(yù)測發(fā)生精準(zhǔn)率、召回率和F1分值分別為93%、88%、91%、89%，模型預(yù)測精度幾乎完全一致（圖7）。

圖7 KNN模型分類預(yù)測指標(biāo)Fig. 7 KNN model classification prediction indicators

不同模型預(yù)測的AUC 值表現(xiàn)為DT>KNN>BLR>SVM，表明在關(guān)于預(yù)測葡萄霜霉病是否發(fā)病的問題上，DT和KNN模型表現(xiàn)較好，具有較高性能。

2.1.2不同預(yù)測模型分類預(yù)測結(jié)果對比 將BLR、SVM、DT、KNN 預(yù)測模型的評價指標(biāo)進(jìn)行對比，結(jié)果（表3）表明，在病害發(fā)生預(yù)測模型的構(gòu)建上，DT 模型稍有優(yōu)勢，但此結(jié)果只是基于2020 年試驗(yàn)數(shù)據(jù)，因此還需對模型進(jìn)行驗(yàn)證和評價，以選出總體相對最優(yōu)的模型。

表3 不同預(yù)測模型的分類結(jié)果Table 3 Classification results of different prediction models

2.2 病害發(fā)生不同預(yù)測模型驗(yàn)證比較分析

2.2.1不同預(yù)測模型分類預(yù)測驗(yàn)證指標(biāo)分析 使用2021 年試驗(yàn)采集數(shù)據(jù)對上述4 個模型進(jìn)行驗(yàn)證，結(jié)果（圖8）表明，BLR 模型的驗(yàn)證結(jié)果與根據(jù)上年數(shù)據(jù)所構(gòu)建模型的預(yù)測結(jié)果相比，AUC 值為0.702 4，TN、TP、FN、FP分別為730、303、267、106；k值為0.42；預(yù)測準(zhǔn)確率、預(yù)測發(fā)生精準(zhǔn)率、召回率和F1分值分別為73%、74%、53%、62%。綜上所述，各項(xiàng)評價指標(biāo)降低，表明該模型魯棒性較差。如圖9 所示，SVM 模型的驗(yàn)證結(jié)果與BLR 模型驗(yàn)證結(jié)果類似，各項(xiàng)指標(biāo)也均降低，其中AUC值為0.721 5；TN、TP、FN、FP 分別為731、324、228、123；k值為0.46；預(yù)測準(zhǔn)確率、預(yù)測發(fā)生精準(zhǔn)率、召回率和F1分值分別為75%、72%、59%、65%。結(jié)合病害發(fā)生預(yù)測模型構(gòu)建結(jié)果，SVM 和BLR 模型的穩(wěn)定性及分類預(yù)測性能均未能達(dá)到較高水平，表明并不適用于預(yù)測葡萄霜霉病是否發(fā)病的問題。

圖8 BLR 模型分類預(yù)測2021年驗(yàn)證指標(biāo)Fig. 8 BLR model classification prediction validation indicators in 2021

圖9 SVM模型分類預(yù)測2021年驗(yàn)證指標(biāo)Fig. 9 SVM model classification prediction validation indicators in 2021

如圖10 所示，DT 模型預(yù)測結(jié)果中的AUC 值為0.897 0；TN、TP、FN、FP 分別為774、492、67、73；k值為0.79；預(yù)測準(zhǔn)確率、預(yù)測發(fā)生精準(zhǔn)率、召回率和F1分值分別為90%、87%、88%、88%。即模型預(yù)測精度具有高度一致性，評價指標(biāo)均處于較高水平，具有較好的泛化性及魯棒性。

圖10 DT模型分類預(yù)測2021年驗(yàn)證指標(biāo)Fig. 10 DT model classification prediction validation indicators in 2021

由圖11可知，KNN 模型的驗(yàn)證結(jié)果較預(yù)測結(jié)果也有所降低。其中，AUC 值為0.828 2；TN、TP、FN、FP 分別為725、450、121、110；k值為0.66；預(yù)測準(zhǔn)確率、預(yù)測發(fā)生精準(zhǔn)率、召回率和F1分值分別為84%、80%、79%、80%。從評價指標(biāo)來看，模型性能總體仍處于較高水平。

圖11 KNN模型分類預(yù)測2021年驗(yàn)證指標(biāo)Fig. 11 KNN model classification prediction validation indicators in 2021

不同模型的AUC 值表現(xiàn)為DT>KNN>SVM>BLR。即在預(yù)測及驗(yàn)證結(jié)果中，DT和KNN模型具有較強(qiáng)魯棒性和泛化性； BLR模型的表現(xiàn)較差。

2.2.2不同預(yù)測模型分類預(yù)測驗(yàn)證結(jié)果對比 4個模型驗(yàn)證結(jié)果如表4 所示。DT 模型在病害發(fā)生預(yù)測模型的構(gòu)建與驗(yàn)證上均表現(xiàn)最優(yōu)；其次是KNN 模型。結(jié)合模型原理，表明在多變量作為輸入的病害預(yù)測問題上，DT模型更適于挖掘特征與標(biāo)簽間的關(guān)系，同時在驗(yàn)證數(shù)據(jù)上也能保持較高穩(wěn)定性和泛化性。

表4 不同預(yù)測模型分類驗(yàn)證結(jié)果Table 4 Classification validation results of different prediction models

3 討論

本研究基于葡萄生長期間的氣象數(shù)據(jù)，結(jié)合人工調(diào)查的葡萄霜霉病發(fā)生數(shù)據(jù)，分別利用4 種機(jī)器學(xué)習(xí)算法構(gòu)建了葡萄霜霉病發(fā)生預(yù)測模型，并進(jìn)行了評價與驗(yàn)證，結(jié)果表明，DT 模型在葡萄霜霉病發(fā)生預(yù)測模型的構(gòu)建與驗(yàn)證結(jié)果均高于其他3 個模型。對于4 個模型分類預(yù)測結(jié)果的差異性及優(yōu)劣原因，一方面是由于模型本身，不同模型在處理不同問題時的表現(xiàn)可能存在差異；另一方面是由于本研究中的數(shù)據(jù)為氣象站每小時采集的數(shù)據(jù)，分類預(yù)測結(jié)果的偏差（假陽性、假陽性）可能是每小時間數(shù)據(jù)的特征信息過于詳細(xì)或區(qū)別較小，使模型不易學(xué)習(xí)和分類，導(dǎo)致分類錯誤。總體來說，本研究構(gòu)建模型的分類預(yù)測精度較高，綜合性能較好。這與宋旺[33]、Volpi 等[22]、秦華[34]分別基于氣象數(shù)據(jù)構(gòu)建的SVM 模型、隨機(jī)森林模型、自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型表現(xiàn)較好的結(jié)果不同，可能是由于模型對于數(shù)據(jù)集和時空尺度上的差異導(dǎo)致，且模型在構(gòu)建手段、參數(shù)設(shè)置不同的情況下，也會對不同問題產(chǎn)生不同的適應(yīng)性及結(jié)果。

本研究首次將4 種機(jī)器學(xué)習(xí)模型應(yīng)用于預(yù)測新疆石河子地區(qū)葡萄霜霉病發(fā)生的模型構(gòu)建，還存在一些不足，如沒有考慮病原菌的致病性、沒有探究品種抗性以及不同樹齡植株對病害的抗性等，限制了模型的通用性。但由于本研究是根據(jù)葡萄是否發(fā)病構(gòu)建的預(yù)測模型，因此，從適用性角度出發(fā)，在病害循環(huán)過程中，如能滿足“病害三角”致病關(guān)系，導(dǎo)致寄主顯癥，則可用于發(fā)病預(yù)測模型的構(gòu)建與驗(yàn)證，進(jìn)而實(shí)現(xiàn)模型應(yīng)用場景和范圍的擴(kuò)充。Rossi等[10]通過接種葡萄霜霉病病原菌來構(gòu)建初侵染階段發(fā)病癥狀的模型；Francesca等[9]構(gòu)建了氣候變化下預(yù)測葡萄霜霉病流行情況的模型。本研究與前人研究結(jié)果一致，均從單個水平探究其對病害的影響，即在提出假設(shè)（如假設(shè)病原存在或會由外界傳播，且具備其生長、繁殖、侵染的氣候條件及寄主非避?。?，并根據(jù)病害已經(jīng)發(fā)生的事實(shí)，表明假設(shè)確實(shí)成立的基礎(chǔ)上，確保病害發(fā)生理論和病害循環(huán)的完整性，對其中環(huán)節(jié)進(jìn)行分析。

在未來的研究中，將在不同地點(diǎn)選用不同抗性品種進(jìn)行驗(yàn)證，同時，考慮田間孢子囊密度帶來的影響，通過監(jiān)測、預(yù)測孢子數(shù)量[35-36]實(shí)現(xiàn)對葡萄霜霉病發(fā)生嚴(yán)重程度的預(yù)測，探索葡萄霜霉病發(fā)生各階段機(jī)理模型[37-39]的構(gòu)建，將其與本研究中模型融合使用，為預(yù)警系統(tǒng)的開發(fā)應(yīng)用奠定技術(shù)基礎(chǔ)，并通過預(yù)警系統(tǒng)短期預(yù)報結(jié)果為病害前期防治提供決策，進(jìn)而更好地指導(dǎo)生產(chǎn)。［1］ 蘆屹,努爾孜亞·亞力麥麥提,付文君,等.新疆伊犁河谷地區(qū)葡萄霜霉病流行與氣候條件的關(guān)系[J].新疆農(nóng)業(yè)科學(xué),2020,57(10):1855-1862.LU Y, Nuerziya Yalimaimaiti, FU W J,et al.. Research the relationship between epidemic of grape downy mildew and climatic conditions in Ili Valley of Xinjiang [J]. Xinjiang Agric.Sci., 2020, 57(10): 1855-1862.