首页 > 论文范文 > 农业科技论文 > 林业论文 > 森林保护学论文 > 樟子松红斑病的空间分布和抽样技术探究分析

樟子松红斑病的空间分布和抽样技术探究分析

2020-08-26 277 上传者：管理员

摘要：通过野外调查，采用聚集度指标法构建Iwaom*-m和Taylor幂法则2种回归模型，对樟子松红斑病害的空间分布格局和抽样技术进行了研究。结果表明，樟子松红斑病在调查区内病株个体之间互相排斥，当种群发病指数较低时，表现为均匀分布型；最适抽样模型显示，当允许误差相同时，样本数随着疾病等级平均值的增加而减少，而在平均疾病等级相同的情况下，误差随着样本数的减少而增加。试验结果对开展樟子松红斑病防控具有重要的参考价值。

关键词：
抽样技术
林业
樟子松红斑病
生态效益
空间分布
加入收藏

樟子松（Pinussylvestrisvar.mongolica）属松科（Pinaceae）松属（Pinus）常绿乔木[1]，天然主要分布在我国北方大兴安岭和呼伦贝尔草原一带[2]。由于其树干树形美观，寿命较一般绿化树种长，且抗逆、抗寒、抗旱能力很强，在绿化景观、防风固沙等方面应用广泛。近年来，在陕北毛乌素沙地大面积引种栽培，目前造林总面积已达7.5万hm2[3,4,5,6]。但由于大面积纯林栽培、养护管理不善以及气候变化等因素，导致樟子松红斑病（Dothistramapini）逐年加重，该病主要危害针叶，病斑中心为棕红色，有树脂溢出，严重时导致针叶枯萎、死亡并提早脱落，严重危害樟子松健康生长，大大影响了樟子松生态效益的发挥[7,8]。

目前，前人对樟子松红斑病的研究比较缺乏，尚未见有关于空间分布方面的研究。有鉴于此，本研究通过野外调查，利用传统分布型指数法系统研究了樟子松红斑病的空间分布格局和抽样技术，旨在探明该病害发生发展的规律，提高对该病害的预测预报的准确性，为及时制定有效的绿色防控措施提供理论依据。

1、材料和方法

1.1 试验地概况

试验地位于陕西省榆林市樟子松种子园（109°46′02″～109°46′30″E,38°09′06″～38°09′27″N），属温带半干旱大陆季风气候，地貌属风沙地貌与黄土丘陵沟壑地貌过渡地带，平均海拔1024m，无霜期151d左右，年平均降水量400mm。土壤为盖沙黄土，通透性较好。样地内樟子松均为20～30年生，株行距5.0m×5.0m。

1.2 调查方法

于樟子松林内随机选取8个地块，每块30m×30m，调查樟子松红斑病的病害特征、分布位置和各树的发病程度，计算樟子松红斑在各地块的发病指数。将病害为害级别分为五级，分类标准如表1所示。

表1樟子松红斑病分级

1.3 分析方法

1.3.1 聚集度指标法

根据调查数据，计算每块样地的病情等级均值（m）和方差（V），再通过下列指标确定红斑病在樟子松上的空间分布：平均拥挤度（M*）、扩散系数（C）、丛生指数（I）、CA指标、负二项分布参数（K）、M*/m指标、兰星平La指标等[9,10]。

1.3.2 回归模型

1.3.2.1 Iwaom*-m回归模型[11]

利用Iwaom*-m回归方法，对调查区樟子松的病害等级均值与平均拥挤度进行线性回归，m*=α+βm。α=0，分布以单个个体为基本成分；α>0，个体相互吸引，分布以个体群为基本成分；α<0，个体相互排斥；β>1，β=1和β<1，分别代表空间分布为聚集分布、随机分布和均匀分布。

1.3.2.2 Taylor的幂法则回归模型[12]

按照Taylor幂法则，将样方中病情等级均值和方差进行线性回归，lgV=lga+blgm。lga=0、b=1和lga<0,b<1，分别代表种群的空间分布呈随机分布和均匀分布；lga>0、b=1和lga>0、b>1均表示种群为聚集分布，所不同的是，当lga>0、b=1时的聚集度与种群密度无关，当lga>0、b>1时的聚集度随着种群密度的升高而增加。

1.3.3 最适抽样数[13]

在抽样调查时，需要确定抽取样本的数量，即最适抽样数，来达到一定的准确度。根据Iwaom*=α+βm回归方程，在一定的允许误差下，确定不同病情等级均值的田间最适抽样数。式中N为最适抽样数；D为允许误差，一般取D=0.1、0.2;x軃为病情等级均值；t为概率保证值（t=1）；α、β为回归方程中的参数。

2、结果与分析

2.1 樟子松红斑病的空间分布

从表2可以看出，扩散系数<1，丛生指数<0，负二项分布参数<0,M*/m指标<1,CA指标<0,La/m<1，各项指标都表明樟子松红斑病的空间分布型是均匀分布。

表2各样地内樟子松红斑病的空间分布指数

2.2 Iwaom*-m回归分析

对调查区樟子松的病害等级均值与平均拥挤度进行线性回归，建立回归方程为m*=-0.2372+0.897m(r=0.8357）。式中α=-0.9372<0，说明樟子松红斑病病株个体间存在相互排斥；β=0.897<1，表明红斑病在樟子松林内分布为均匀分布。

2.3 Taylor幂法则回归分析

将样方中病情等级均值和方差进行线性回归，建立红斑病在樟子松上的幂函数关系为lgV=-0.5975+0.8346lgm(r=0.8653）。式中lga=-0.5975<0,b=0.8346<1，表明樟子松红斑病在林间的分布为均匀分布。

2.4 最适抽样数的确定

根据m*-m回归模型，m*=-0.2372+0.897m，其中，α=-0.9372，β=0.897，得出樟子松红斑病的最适抽样数公式：N=(0.7628/-0.103）/D2。按公式计算在允许误差条件下抽取樟子松不同病害等级均值的最适抽样数。从表3可以看出，当允许误差相同时，随着病害等级均值的增加，抽样数量减少；在病害等级均值相同的情况下，抽样数量减少，相对误差增加。

表3樟子松红斑病理论抽样

3、结论与讨论

本研究利用聚集度指标测定了樟子松红斑病的空间分布情况，结果表明，该病害在林间呈均匀分布；应用Iwaom*-m和Taylor幂法则2种回归模型对所调查数据进行线性回归分析表明，在研究区内，樟子松红斑病病株个体存在相互排斥，呈均匀分布格局。对于均匀分布的病害，应当适时进行林分改造，优化抚育管理措施，必要时喷洒高效低毒药剂，才能最大限度的控制病害[14,15,16]。

病害植株的抽样技术是研究病害种群动态、实施病害综合治理和防控决策的基础[17,18]。研究樟子松红斑病在樟子松林内的抽样技术以及允许误差对于该病害的预测预报、有效防治具有重要的意义。樟子松林一般面积较大，确定最适抽样数可以有效减少调查病害所耗费的时间、人力和物力。本研究所得出的最适抽样数与病害等级均值有很大关系，当病害等级均值一定时，样本数量越大，误差越小[19]，因此，在实践中进行病害调查时，为确保调查结果更加准确，应该尽量加大样本采集量，从而减小误差[20]。

参考文献：

[1]吴捷,肖锐,杨凯.樟子松人工林枝条分布的研究[J].林业勘查设计,2018(3):110-112.

[2]周文飞,李继有,白子红,等.榆林沙区樟子松造林技术[J].防护林科技,2012(6):111-112.

[3]白晓霞,艾海舰.榆林沙地樟子松人工林土壤养分变化特征[J].西部林业科学,2020,49(3):80-85.

[4]于清,张欣,解玉发,等.樟子松特征特性及抚育管理技术[J].现代农业科技,2012(15):143,147.

[5]马立民,郭梦春.毛乌素沙地樟子松造林关键技术[J].现代园艺,2018(6):36.

[6]祁伟峰,李茂榕.干旱沙漠地区樟子松标准化繁育技术研究[J].中国农业信息,2015(19):21.

[7]李军保,董强,马志林,等.榆林市樟子松人工林分布及其生长特性调查研究[J].陕西林业科技,2017(2):26-29.

[8]周晏平,雷泽勇,赵国军,等.病虫害对沙地樟子松树高生长的影响[J].干旱区研究,2018,35(3):653-661.

[9]段显德.玉米瘤黑粉病空间分布型研究[J].河南农业科学,2010(6):84-86.

[10]张文军.生态学研究方法[M].广州:中山大学出版社,2007:45-55.

[13]谢子正,方辉,李阳,等.籼-粳杂交稻稻曲病空间分布和抽样技术研究[J].植物保护,2019,45(2):134-137.