基于氣象因子的小麥籽粒嘔吐毒素（DON）污染風險的早期預警方法

中圖分類號：S431.11 文獻標識碼：A 文章編號： 1000-4440（2025）04-0790-09

doi：10.3969/j.issn.1000-4440.2025.04.017

Early warning method for the risk of deoxynivalenol （DON） contamination in wheat grains based on meteorological factors

TAN Weiqi1，2， WU Haojie12，LIU Xin2， GAO Tao2， XU Jianhong2， SHI Jianrong2， LI Fuhou1

QIU Jianbo2， WU Shaojie'， SHEN Guanghui2

（1.JiangsuKbofidtiCeofdtrU versityQd andTechnolostefedrdefcatoddd

收稿日期：2024-08-30

基金項目：國家重點研發(fā)計劃項目（2023YFD1400903）；江蘇省農業(yè)自主創(chuàng)新項目[CX（24）3035]；江蘇省現代農業(yè)重點及面上項目（BE2022377）；國家自然科學基金項目（32402257）；江蘇省科技成果轉化專項資金項目（BA2022034）

作者簡介：譚蔚琦（2000-），男，江蘇徐州人，碩士研究生，主要從事農產品質量安全檢測技術研究。（E-mail）20842461@qq.com通訊作者：吳少杰，（E-mail） shjwu@ jou.edu.cn;沈廣輝，（E-mail）shenguanghui@jaas.ac.cn;仇劍波，（E-mail）qiujianbo @ jaas.ac.cn

Agro-product Safety and Quality，Ministry of Agricultureand Rural Affairs，Nanjing210014，China）

Abstract：Deoxynivalenol（DON）in wheat grains posesaseriousthreatto the healthofhumans and animals. Toachieve earlywarning ofDONcontaminationinwheat grains，this study took the wheat grain samples and meteorological factors collected in Jiangsu province during the years2016-2019 and 2021-2022 as the research objects. Thisstudy investigated the correlationbetween variousme

teorologicalfactorsandthe DONcontamination levels in wheat grains within diferenttimewindows.Inaddition，this study identifiedcharacteristic meteorological factorsforboth fieldprecisioncontrolandpost-harvest wheat productsupervision needs，andcombined chemometricalgorithms toconstructanearlywarning modelforDONcontaminationrisk in wheat grains.The results showed thatthe model（AF_Model_2）constructed using thecharacteristic meteorological factors before andafteranthesis wassuperiortothe model（AF_Model_1）constructed usingallmeteorological factors beforeandafteranthesis，aswellastheBF_Model_1modelconstructedusingallmeteorologicalfactorsbeforeanthesisandtheBF_Model2 -- modelconstructedusing thecharacteristicmeteorologicalfactorsbeforeanthesis.Thepredictionsetdeterminationcoeicient （R_p² ）and root mean square error （ RMSE_P ）of the AF_Model_2 model were O.53 and O.28，respectively. The early warning modelforDONcontaminationrisk inwheat grains developed inthisstudycan guidethefieldcontrolofFusarium head blightand thesupervision of wheat products after harvest，which isof great significance for ensuring food security.

Keywords： wheat；deoxynivalenol（DON）；meteorological factor;early-warning models

小麥是中國主要的糧食作物之一，其產量占全國糧食總產量的 22% 左右。脫氧雪腐鐮刀菌烯醇（DON）又稱嘔吐毒素，主要由禾谷鐮刀菌復合群侵染小麥等，引起赤霉病發(fā)病過程中產生的有毒次級代謝產物，是世界上污染面積最大、污染量最高，對小麥籽粒危害最嚴重的真菌毒素之一，具有廣泛的細胞毒性、生殖毒性和致畸致突變等作用，嚴重威脅人畜健康[1]。2010-2021年，中國小麥籽粒DON整體檢出率為 78.8% ，其中2012年、2015年、2016年和2021年的檢出率均高于 90% ，不同年份DON污染水平差異較大，2015年、2016年、2018年和2021年 DON平均污染水平分別為 2240.1μg/kg 2601.0μg/kg，816.1μg/kg 和 921.8μg/?g ，DON污染是制約中國小麥產品質量安全的主要風險因子[2]。因此，開發(fā)小麥籽粒DON污染的早期預警方法，實現DON污染的田間精準防治和小麥收獲后監(jiān)管，對于保障小麥產品質量安全具有重要意義。

小麥赤霉病是典型的氣候型病害，國內外研究人員系統(tǒng)研究了氣象因素對小麥赤霉病發(fā)生的影響，發(fā)現小麥揚花期前后的大氣溫度、濕度和降雨量與赤霉病發(fā)生具有顯著的內在聯(lián)系[3-6，并基于氣象因素開發(fā)了多種小麥赤霉病預警模型[7-8]，為赤霉病的防控提供了技術支撐。小麥赤霉病的發(fā)生情況在一定程度上能反映小麥籽粒DON的污染水平[9]，但赤霉病癥狀與DON 污染間的關系并不是絕對的[10-I1]，部分被DON污染的小麥籽?？赡軟]有病變癥狀，有癥狀的麥粒也可能沒有受到DON污染。然而當前以小麥赤霉病預警研究為主，關于小麥籽粒DON污染預警方面的報道并不多。

氣象因素不僅影響小麥赤霉病的發(fā)生，還會影響DON的產生和累積，如Schaafsma等[12]研究發(fā)現，DON的污染水平與小麥揚花前降雨量和平均溫度均呈正相關，與揚花期后平均溫度呈負相關，與相對濕度無相關性；但是Vanova等[13]研究發(fā)現，DON的污染水平與揚花前5d相對濕度呈負相關，與揚花期后5d相對濕度呈正相關。氣象因素具有顯著的地域性，目前已報道的小麥籽粒DON預警模型均具有一定的區(qū)域局限性[1415]，且以指導收獲后的小麥產品監(jiān)管為主。小麥赤霉病可防不可治，產生的DON污染也是不可逆的，若在揚花前實現小麥DON污染早期預警，對于指導田間合理用藥和精準防治具有重要意義。

江蘇省是中國小麥籽粒DON污染的重發(fā)、頻發(fā)區(qū)，本研究以2016-2019年、2021-2022年在江蘇省內采集的4000多個小麥籽粒樣品的DON污染時空動態(tài)分布和氣象數據為基礎，探究揚花期前后各氣象因素與DON污染水平的相關關系，分別針對田間精準防治和收獲后小麥產品監(jiān)管需求篩選特征氣象因子，結合化學計量學算法，構建江蘇省小麥籽粒DON污染早期預警專用分析模型，保障江蘇省小麥產品的質量安全。

1材料與方法

1.1小麥籽粒樣品采集及處理

本研究共采集小麥籽粒樣品4517個，每個樣品重量為 2kg 左右，覆蓋江蘇省13個市，時間跨度為2016-2022年（2020年除外），樣品信息如表1所示。所有小麥籽粒樣品采集地點精確至村，記錄經緯度信息，并參考國家標準（GB5009.111-2016）方法測定小麥籽粒樣品中DON污染水平。為優(yōu)化數據結構，根據樣品的經緯度和地區(qū)信息，將同鎮(zhèn)或地理位置接近的樣品進行合并處理，DON含量取合并樣品的平均值，合并后共得到1368個數據。

1.2不同地區(qū)小麥揚花期統(tǒng)計

受氣候因素和播種期的影響，江蘇省各市每年的小麥進入揚花期的時間存在差異，參考各市農業(yè)農村局公開數據，對2016-2019年、2021-2022年不同地區(qū)小麥進入揚花期的時間進行統(tǒng)計，結果如表2所示。

1.3氣象數據獲取及處理

2016-2022年全國日尺度氣象數據來源于國家氣候中心，包括氣溫、日照時數、風速、相對濕度、氣壓、降水量、地表溫度和蒸發(fā)量等20個相關要素。首先逐個要素剔除空缺數據和異常數據，然后使用ArcGIS軟件進行克里金插值處理，獲取每個要素日平均值的全國空間分布圖，再根據小麥采樣點的經緯度信息，提取對應位置的日尺度氣象數據，處理時間為每年的3月1日至6月30日。利用上述方法，分別提取每個小麥籽粒樣品采集地區(qū)小麥揚花期前后各1個月的20個氣象因素的日尺度數據。

1.4氣象因素與DON污染水平的相關性分析

為探究各氣象因素對小麥DON污染水平的影響，參考vanderFels-Klerx等[16]的研究方法，以揚花期為臨界點，提取每個樣品采集地區(qū)小麥揚花期前后各28d的20個氣象數據（表3），以連續(xù)7d為一個時間窗口，將數據劃分為8個階段（表4），共提取160個不同時間段氣象因子。利用Pearson相關性分析，研究各時間段內氣象因子與DON污染水平的關系，首先根據顯著性水平 （P） ，判斷氣象因子與DON污染水平之間是否有顯著關系；然后根據相關系數（r），篩選關鍵影響因子，一般 r 的絕對值在0.60以上的，表明變量之間存在強相關，在0.41至0.60之間為中度相關，在0.20至0.40之間為弱相關，小于0.20表示極弱相關或無相關[17]

1.5 預警模型構建與評價

本研究以2016-2019年和2021年的樣品為建模集，構建定量分析模型，以2022年樣品為外部驗證集，對模型精度進行驗證和評價。針對小麥DON污染防治和監(jiān)管的不同需求，本研究將基于小麥不同生長期的氣象數據，構建了2個小麥DON污染風險早期預警模型：提取揚花期前 28d 氣象數據，結合偏最小二乘（PLS）算法，構建小麥DON污染早期預警模型，以指導小麥田間藥劑防治；以揚花期前后各28d數據為基礎，結合PLS算法，構建小麥DON污染預警模型，以指導小麥收獲后小麥產品監(jiān)管。進一步基于相關系數 （r） 和顯著性水平 （P） ，篩選與小麥DON污染水平相關性較強的氣象因素，構建小麥DON污染定量分析模型，探明特征變量篩選對模 型精度的影響。

PLS是一種用于構建回歸模型的多變量統(tǒng)計方法，通過提取潛變量，即原始自變量 （x） 和因變量（Y）的線性組合，來同時最大化 x 和 Y 之間的協(xié)方差[18]。為了使建模數據集 Y 趨于正態(tài)分布，利用公式（1）對樣品DON含量進行處理。與傳統(tǒng)的多元線性回歸（MLR）相比，PLS不僅能夠有效處理變量數量多于樣本數量的情況，還能提高模型的預測性能，在食品安全領域得到了廣泛應用。

式中， C 為樣品中DON 含量，單位為 μg/?g

本研究中氣象數據的插值和提取使用ArcGIS軟件完成，相關性和顯著性差異分析利用Python自編程序實現，預警模型構建借助Matlab 2014a 和PLS_Toolbox8.0完成。

2 結果與分析

2.1小麥籽粒DON污染水平

本研究共采集江蘇省范圍內6年（2016-2019年、2021-2022年）小麥籽粒樣品4517個，樣品DON污染水平統(tǒng)計結果如表5所示。從表5可知，小麥中DON最低污染水平低于檢出限（ 10μg/kg^′， ，最高檢出含量高達 30230.20μg/kg ，超國家限量標準中 多倍。小麥籽粒DON污染水平不同年度間差異較大，整體污染水平隨年度增加呈波動下降趨勢。2016年小麥籽粒DON污染最為嚴重，平均污染水平為2 ≥861.53μg/μg ，超標率達 70% 以上；2018年和2021年小麥籽粒樣品的最高檢出量分別為 和9 328.35μg/kg ，平均污染含量分別為 805.12μg/kg 和 690.98μg/kg ，超標率均在 20% 以上；2017年、2019年和2022年全省小麥籽粒DON污染水平較輕，其中2019年和2022年小麥籽粒DON 污染平均水平均低于 100μg/kg ，超標率均在 0.50% 以內。進一步從地理分布方面分析，可以發(fā)現沿江及沿淮地區(qū)是江蘇省小麥籽粒DON污染的高風險區(qū)。

2.2氣象因子與小麥籽粒DON污染水平的相關性

將不同時間段的160個氣象因子分別與小麥籽粒DON污染水平進行Pearson相關性分析，通過對相關系數與顯著性水平進行統(tǒng)計分析可知，在所有氣象因子中有16個與小麥籽粒DON污染水平呈顯著相關（ Plt;0.05 ），98個氣象因子與小麥籽粒DON污染水平呈極顯著相關（ Plt;0.01 。在 Plt;0.01 的98個氣象因子中，46個氣象因子與小麥籽粒DON污染水平呈弱相關關系 （0.20lt;∣r∣lt;0.40），1 1個氣象因子與小麥籽粒DON污染水平中度相關（ 0.41lt; ，相關氣象因子如表6所示。

通過對本研究所采集的氣象數據分析可知，在揚花期前后的2個月內，相對濕度（RHU）最高值為95% ，最低值為 21% ，平均值為 66%～72% （圖1）。從表7可知，在與相對濕度（RHU_Avg和RHU_Min）有關的16個因子中，1個因子與小麥籽粒DON污染水平呈顯著相關（ Plt;0.05 ），12個因子呈極顯著相關（ Plt;0.01? ），其中BF21、BF14和AF21這3個階段的相對濕度與小麥籽粒DON污染水平呈弱正相關關系（ 0.20lt;∣r∣lt;0.40） ，且相關性在AF21達到最大，表明小麥揚花期前后的高濕氣候會促進鐮刀菌的侵染以及DON的產生、累積，尤其是灌漿階段的高濕度會加劇小麥籽粒的DON污染，以上研究結果與Li等[15]的研究結果基本一致。

從表7可知，在小麥揚花期前后8個時間窗口中，與降水量（PRE）有關的氣象因子共24個，其中3個因子與小麥籽粒DON污染水平呈顯著相關（ Plt; 0.05），16個呈極顯著相關 （Plt;0.01） ）。BF21、BF7這2個階段的降水量（PRE_AII）與小麥籽粒DON污染水平呈中度相關關系 （0.41lt;|r|lt;0.60） ，其中小麥揚花期前7d（BF7）的PRE_AII與小麥籽粒DON污染（%） 三BF28BF21BF14 BF7AF7AF14AF21AF28時間窗口RHU_Min;RHU_Avg;RHU_Max

BF28、BF21、BF14、BF7、AF7、AF14、AF21、AF28見表4。RHU_Min、RHU_Avg、RHU_Max見表3。

水平的相關性最強，相關系數為0.508，表明小麥揚花期前的降水量對小麥籽粒DON的污染水平具有重要影響，此結果與已有相關研究報道基本一致[12，19]。揚花期是鐮刀菌侵染小麥的關鍵時期，揚花期前的降水增加了小麥穗部的含水量，為鐮刀菌的侵染和生長提供了有利條件。此外，降水不僅為鐮刀菌的代謝產毒提供有利條件，還會增加田間的空氣濕度，進一步加劇DON的產生和累積。一般情況下，揚花期前后的降水量與小麥籽粒DON的污染水平呈正相關關系[20]，不過若在收獲前短時間內降水量過大，也可能發(fā)生DON 的淋溶現象，使 DON 污染水平降低[21-22]

從表7可知，在涉及溫度（GST和TEM）的48個氣象因子中，有2個因子與小麥籽粒DON污染水平呈顯著相關（ Plt;0.05 ），39個因子與小麥籽粒DON污染水平呈極顯著相關（ Plt;0.01 ）。地溫（ GST_Max 和 GST_-Min ）共有24個因子，其中GST_Avg與小麥籽粒DON污染水平的相關性無明顯規(guī)律，5個時間窗口的 與小麥籽粒DON污染水平呈負相關關系，7個時間窗口的GST_Min與小麥籽粒DON污染水平呈正相關關系。雖然地溫與氣溫間具有很強的相關性，但TEM_Avg和GST_Avg與小麥籽粒DON污染水平的相關性有很大差異。各窗口期TEM_Min與小麥籽粒DON污染水平的相關性和GST_Min與小麥籽粒DON污染水平的相關性基本一致。據報道鐮刀菌子囊殼的形成需要一定的溫度，氣溫達到 7～10°C 時，子囊殼開始產生，最適宜的形成溫度為 15-20°C ，高于 27°C 子囊殼較難形成。小麥揚花期前后各時間窗口 GST_-Max 的均值在 ，高溫抑制了鐮刀菌子囊孢子的形成和釋放，降低了赤霉病發(fā)生程度和小麥籽粒DON污染風險，因此 GST_- Max與小麥籽粒DON污染水平為負相關關系。 GST_- Min的平均值在 7～15‰ ，適宜的溫度有利于鐮刀菌子囊孢子的形成和釋放，因此 GST_-Min 與小麥籽粒DON 污染水平為正相關關系[23]。通常情況下，氣溫低于地溫，在揚花期前后8個時間窗口平均氣溫在14～21°C ，最高氣溫平均值介于 19～26^°C ，鐮刀菌在25^°C 產DON能力最強，本研究中氣溫基本在 26^°C 以下，因此與DON污染水平間為以正相關關系為主，以上結果與Schaafsma等[12]和Ramirez[24]等的研究結果基本一致。Li等[15則發(fā)現，DON污染水平與平均氣溫和氣溫大于 25^°C 的天數呈負相關，但并未提到平均氣溫實際值的大小，氣溫高于 25^°C 會抑制鐮刀菌的生長和代謝，降低DON的污染量。

以上研究結果表明，DON的產生和累積與氣象因素緊密相關，在一定氣溫范圍內小麥籽粒DON污染水平與氣溫呈正相關關系。相對濕度和降水量也是影響小麥籽粒DON污染水平的決定因素，其對鐮刀菌的繁殖和傳播具有重要影響。此外，氣壓、風速和日照時數等也對小麥籽粒DON污染水平有一定影響，但具體的關聯(lián)機制尚不清楚。

2.3小麥籽粒DON污染預警模型

在小麥揚花期前后8個時間窗口內共160個氣象因子，通過Pearson相關性分析，發(fā)現98個因子與小麥籽粒DON 污染水平的相關性極顯著（ （Plt;0.01） ，其中57個因子（表6）與小麥籽粒DON污染水平具有正相關或負相關關系（ ，將此部分氣象因子作為特征因子。本研究以小麥揚花期為臨界點，分別以篩選出的特征氣象因子和全部氣象因子為基礎，構建了針對小麥籽粒DON污染田間防治和收獲后小麥產品監(jiān)管需求的預警模型，各模型所用具體氣象因子如表8所示。其中，BF_Model_1和BF_Model_2分別表示基于揚花期前的全部氣象因子和篩選出的特征氣象因子構建的小麥DON污染預警模型；AF_Model_1和AF_Model_2分別表示基于揚花期前后全部氣象因子和篩選出的特征氣象因子構建的小麥籽粒DON污染預警模型。

小麥籽粒DON污染風險早期預警模型結果如表9和圖2所示。從表9和圖2A可知，基于揚花期前所有氣象因子構建的BF_Model_1模型的校正集決定系數（ R_c² ）和校正集均方根誤差（ RMSE_c ）分別為0.64和0.28，交互驗證集決定系數（ R_cv² ）和交互驗證集均方根誤差（ RMSE_cv ）分別為0.62和0.29，預測集決定系數（ R_p² ）和預測集均方根誤差（RMSE_p ）分別為0.30和 模型內部交互驗證效果較好，但外部預測誤差較大。利用篩選出的揚花期前特征氣象因子對模型進行優(yōu)化，結果如表9和圖2B所示，與 BF_-Model_-1 模型相比，BF_Model_2模型的 R_c² 和 R_cv² 略降， R_p² 由0.30升高至 0.31，RMSEP_p 由0.42降低至0.39，說明通過特征變量篩選，可有效去除冗余變量，但對模型預測精度的提高作用不大。

A：BF_Model_1;B：BF_Model_2;C：AF_Model_1;D：AF_Model_2。

基于揚花期前后所有氣象因子構建的模型 AF_- Model_1，結果如表9和圖2C所示， AF_-Model_-1 模型的 R_c² 和RMSE。分別為0.46和 0.35，R_cv² 和 RMSE_cv 分別為0.45和0.36， R_p² 和 RMSE_p 分別為0.49和0.28，與基于篩選出的揚花期前特征氣象因子構建的小麥籽粒DON污染風險預警模型BF_Model_2相比， AF_-Model_-1 模型的 RMSEP_p 由0.39降低至0.28，預測精度升高。其原因是小麥中DON的產生和累積不僅與揚花期前氣象因素有關，還受揚花期后氣象因素的影響，AF_Model_1模型構建過程中兼顧了揚花期前后的氣象因素，因此模型的預測性能更好?；诤Y選出的揚花期前后特征氣象因子構建的預警模型AF_Model_2，結果如表9和圖2D所示，與AF_Model_1模型相比，AF_Model_2模型的 R_c² ）R_cv² 和 |R_p²| 均有所升高， RMSE_p 未發(fā)生變化，說明通過Pearson相關性分析結果篩選特征因子可有效去除冗余信息，在簡化模型復雜程度的同時還能保證模型的預測精度。

小麥赤霉病及其次生的DON污染可防不可治，在“主動出擊、見花打藥”的防治措施下，江蘇省小麥赤霉病和DON毒素污染防治效果顯著，有效挽回了產量損失，降低了小麥籽粒DON污染水平。但當前的防治策略未考慮不同區(qū)域小麥籽粒DON污染風險等級，無差別防治造成化學農藥大量、甚至過量使用，不僅增加了生產成本，而且對生態(tài)環(huán)境造成危害。揚花期是DON污染防治的關鍵時間節(jié)點，本研究構建的AF_Model_2模型對指導田間小麥赤霉病精準防治和收獲后小麥產品監(jiān)管工作提供了數據參考。

3結論

本研究以江蘇省13個市6年的小麥籽粒樣品和氣象因子為研究對象，探究了氣象因子與小麥籽粒DON污染水平之間的相關關系，并構建了基于氣象因子的小麥籽粒DON污染風險早期預警模型。研究發(fā)現，DON的產生和累積與氣象因子緊密相關，在一定溫度范圍內小麥籽粒DON污染水平與溫度呈正相關關系；揚花期前后的降水有助于鐮刀菌的侵染和代謝產毒，且小麥揚花期前7d的降水量與小麥籽粒DON污染水平的相關性最高；揚花期前后的相對濕度平均值與小麥籽粒DON污染水平均呈正相關關系，尤其是灌漿階段的高濕度會加劇小麥籽粒DON的污染。除了氣溫、相對濕度和降水量外，氣壓、風速和日照時數等也對小麥籽粒DON的污染水平有一定影響。基于揚花期前后的氣象因子構建小麥籽粒DON污染風險早期預警模型，可為田間防治和收獲后小麥產品監(jiān)管提供技術支撐?；趽P花期前后氣象因子構建的預警模型精度比基于揚花期前氣象因子構建的模型高。但由于本研究中預警模型僅考慮了氣象因素，預測偏差較大，下一步將綜合利用田間禾谷鐮刀菌菌株、小麥品種和農藝信息，構建基于多源信息融合的小麥籽粒DON污染風險早期預警模型，進一步提升模型預測精度。

參考文獻：

[1］姜冬梅，王荷，武琳霞，等.小麥中嘔吐毒素研究進展[J].食 品安全質量檢測學報，2020，11（2）：423-432.

[2]JIANG C Z，LI S，CAI D，et al. ChatGPT-based meta-analysis for evaluating the temporal and spatial characteristicsof deoxynivalenol contaminationin Chinese wheat[J].Journal of Hazardous Materials，2024，480：135888.

[3]REISEM，ZOLDAN SM，ZANATA M.Interactions between temperature and wheat head weting duration on Fusarium head blight intensity[J].Summa Phytopathologica，2023，49：e268908.

[4]BIRR T，HASLER M，VERREETJA，et al. Composition and predominance of Fusarium species causing Fusarium head blight in winter wheat grain depending on cultivar susceptibility and meteorological factors[J].Microorganisms，2020，8（4）：617.

[5]岳偉，陳曦，姚衛(wèi)平，等.安徽省小麥赤霉病氣象風險評估 與區(qū)劃[J].植物保護，2022，48（5）：167-173.

[6] 費慧芬.大冶市小麥赤霉病與氣象條件關系的研究[J].農業(yè) 災害研究，2022，12（9） ：28-30.

[7]SHAHDA，DEWOLFED，PAULPA，etal.Functional data analysis of weather variables linked to Fusarium head blight epidemicsintheUnited States[J].Phytopathology，2019，109（1）： 96-110.

[8]韓杳，張順榮，曾俊，等.孝感市小麥赤霉病發(fā)生氣象指標 及預報模型研究[J].湖北植保，2024（4）：13-18.

[9]TITTLEMIERSA，ARSIUTAJ，MOHAMMADU，etal.Variable relationships between Fusarium damage and deoxynivalenol concentrations in wheat in western Canada in 2O16[J].Canadian Journal of Plant Pathology，2020，42（1） ：41-51.

[10]FEMENIASA，BAINOTTIMB，GATIUSF，etal.Standardizationof near infrared hyperspectral imaging for wheat single kernel sorting according to deoxynivalenol level[J].Food Research International，2021，139：109925.

[11]ANDERSEN KF，MADDENL V，PAUL P A. Fusarium head blightdevelopment and deoxynivalenol accumulation in wheat as influenced by post-anthesis moisture patterns[J].Phytopathology， 2015，105（2）：210-219.

[12]SCHAAFSMAAW，HOOKERDC.Climatic modelsto predict occurrenceofFusarium toxinsinwheatand maize[J].International JournalofFood Microbiology，2007，119（1/2）：116-125.

[13]VANNOVAM，KLEMK，MATUSINSKYP，etal.Prediction model for deoxynivalenol in wheat grain based onweather conditions[J].Plant Protection Science，2009，45（10）：33-37.

[14]MUSAT，HECKERA，VOGELGSANGS，etal.Forecastingof Fusariumhead blight and deoxynivalenol content in winterwheat withFusaProg[J].EPPOBulletin，2007，37（2）：283-289.

[15]LIS，LIUNJ，CAID，etal.Apredictive model on deoxynivalenol in harvested wheat in China：revealing the impact of the environment and agronomic practicing[J]. Food Chemistry，2023， 405：134727.

[16]VANDERFELS-KLERXHJ，OLESENJE，MADSENMS，et al.Climate change increases deoxynivalenol contamination of wheat innorth-western Europe[J].Food Additivesamp; Contaminants， 2012，29（10） ：1593-1604.

[17］ABELAJJ.The effect of consumer characteristicsand behaviour onpork consumption in malta.a quantitative study[J].MCAST Journal ofApplied Researchamp; Practice，2O18，2（1）：44-58.

[18］毛瑞.偏最小二乘法在小麥赤霉病預測中的研究與應用：以 安徽桐城小麥數據為例[D].合肥：安徽農業(yè)大學，2016.

[19]HJELKREMAR，AAMOTHU，LILLEMOM，etal.Weather patterns associated with DON levels in Norwegian spring oat grain： afunctional dataapproach[J].Plants，2O21，11（1）：73.

[20]MARZEC-SCHMIDTK，BORJESSONT，SUPRONIENE S，et al. Modelling the effects of weather conditions on cereal grain contaminationwith deoxynivalenol in theBaltic Sea Region[J].Toxins， 2021，13（11） ：737.

[21]GAUTAMP，DILL-MACKY R.Free water can leach mycotoxins fromFusarium-infected wheat heads[J]. Journal of Phytopathology，2012，160（9）：484-490.

[22]XUEAG，FREGEAU-REIDJ，ROWSELLJ，et al. Effect of harvesting time on incidence of seed-borne Fusarium spp.in spring wheat in eastern Ontario[J].Canadian Journal ofPlant Science， 2004，84（3）：757-763.

［23］吳基日，劉憲虎，許明子，等.麥類赤霉病菌子囊殼形成所需環(huán) 境條件的研究[J].延邊大學農學學報，1997，19（2）：69-73.

[24]RAMIREZ ML，CHULZE S，MAGAN N.Temperature and water activityeffectsongrowth and temporal deoxynivalenolproduction bytwo Argentineanstrainsof Fusarium graminearumon irradiated wheat grain[J].International Journal of Food Microbiology，2006， 106（3）：291-296.

（責任編輯：黃克玲）