影响水稻纹枯病流行、危害的因子分析

以连作早稻为研究对象，对影响水稻纹枯病发生、危害有关的因子，即品种、施氮肥量、气象因素、为害损失、发病时间、病情程度及药剂等作了系统的定量研究．结果表明，品种间存在抗病性和危害损失程度上的差异；施氮肥量与发病程度关系密切；气象因素中以日均温和雨日频率与病害流行速率关系密切；发病时间与为害损失率相关性不明显，药剂防治效果与控病时间、病情基数有关．

试用灰色关联度分析水稻纹枯病的为害损失

对水稻纹枯病不同发病程度与水稻产量损失关系的灰色关联度分析结果表明：水稻纹枯病对穗实粒数影响最大，其次是结实率和千粒重，这是引起产量损失的主要原因；同时对株高。

基于图像的水稻纹枯病智能测报方法

【目的】目前水稻纹枯病测报依赖人工调查水稻发病丛数、株数和每株严重度来计算其病情指数,操作专业性强,费时费力且数据难以追溯。本研究提出基于图像的水稻纹枯病病斑检测模型和发生危害分级模型,为水稻纹枯病智能测报提供理论依据。【方法】利用便携式图像采集仪采集田间水稻纹枯病图像,研究不同目标检测模型(Cascade R-CNN和RetinaNet)和特征提取网络(VGG-16和ResNet-101)对水稻纹枯病病斑的检测效果,筛选出具有较好检测效果的模型。针对Cascade R-CNN模型检测纹枯病病斑存在漏检现象,根据纹枯病病斑呈现形状不规则、大小和位置多变的复杂情况,对Cascade R-CNN进行改进,添加OHEM结构均衡难易样本,选择边框回归损失函数,通过精准率、漏检率、平均精度和P-R曲线来评价不同模型的检测效果。在改进的Cascade R-CNN-OHEM-GIOU模型检测结果基础上,分别建立基于病斑面积和病斑数的水稻纹枯病丛发生危害分级模型,通过决定系数(R^(2))和Kappa值筛选分级模型。【结果】在相同主干网络条件下,Cascade R-CNN模型较RetinaNet模型对水稻纹枯病具有更好的检测效果,其中Cascade R-CNN-ResNet-101目标检测模型效果最佳,病斑检测准确率为92.4%,平均精度为88.2%,但漏检率为14.9%。改进的Cascade R-CNN-OHEM-GIOU检测模型有效解决了样本不均衡问题,添加边框回归损失函数有效降低了漏检率,较Cascade R-CNN-ResNet-101模型降低8.7%,平均精度提高到92.3%。以人工分级结果作为标准,基于病斑面积的水稻纹枯病发生危害分级模型在0—5级分级准确率分别为96.0%、90.0%、82.0%、76.0%、74.0%和96.0%,平均分级准确率为85.7%,Kappa系数为0.83,基于图像的水稻纹枯病丛发生危害分级与人工分级结果具有较高的一致性。【结论】基于图像的水稻纹枯病智能测报方法可实现病斑自动检测和发生危害自动分级,提高了测报的智能化水平,结果客观且可追溯,也可为其他农作物病害智能测报提供参考。

不同种植方式对水稻纹枯病发生的影响

在长沙县早稻种植示范基地开展了5种不同种植方式与纹枯病发生危害关系的研究。结果表明:水稻纹枯病发生危害程度为抛秧>手插>直播>机插(2种),其影响发病轻重的主要原因是种植方式的不同和密植程度的大小。

水稻纹枯病的病理学特性与防治方法

介绍了水稻纹枯病的病原及特征、发生规律、危害症状,并提出了以农业防治为基础,如选用抗(耐)病品种,加强田间栽培管理,并结合药剂防治的综合防治方法。为减轻水稻纹枯病的危害,提高水稻的产量和品质提供了一定的依据。

清流县水稻纹枯病的发生、危害及防控措施

通过调查分析近年来清流县水稻纹枯病发生、危害情况,提出加强农业防治,强化科学用药的防控措施。