Прогнозирование болезней растений — это система управления, используемая для прогнозирования возникновения или изменения тяжести болезней растений . В полевых масштабах эти системы используются производителями для принятия экономических решений о методах борьбы с болезнями. Часто системы задают фермеру ряд вопросов о восприимчивости культуры- хозяина и учитывают текущие и прогнозируемые погодные условия, чтобы дать рекомендации. Обычно даются рекомендации о том, необходимо ли лечение заболевания или нет. Обычно лечение заключается в применении пестицидов .
Системы прогнозирования основаны на предположениях о взаимодействии возбудителя с хозяином и окружающей средой, треугольнике болезни . [1] Цель состоит в том, чтобы точно предсказать, когда три фактора – хозяин, окружающая среда и патоген – взаимодействуют таким образом, что заболевание может возникнуть и вызвать экономические потери.
В большинстве случаев хозяина можно определить как устойчивого или восприимчивого , а наличие патогена часто можно обоснованно установить на основе предыдущего сбора урожая или, возможно, данных обследования. Окружающая среда обычно является фактором, определяющим развитие заболевания или его отсутствие. Условия окружающей среды могут определять присутствие возбудителя в конкретное время года через их влияние на такие процессы, как перезимовка . Условия окружающей среды также влияют на способность возбудителя вызывать заболевание, например, для возникновения серой пятнистости листьев кукурузы требуется минимальная продолжительность влажности листьев . В этих случаях система прогнозирования заболеваний пытается определить, когда окружающая среда будет способствовать развитию заболевания.
Хорошие системы прогнозирования заболеваний должны быть надежными, простыми, экономически эффективными и применимыми ко многим заболеваниям. По существу, они обычно предназначены только для заболеваний, которые достаточно нерегулярны, чтобы гарантировать систему прогнозирования, а не для заболеваний, которые возникают каждый год и для лечения которых следует применять регулярное лечение. [2] Системы прогнозирования могут быть разработаны только при наличии понимания фактических параметров треугольника болезней.
Модели могут предсказать распространение – см. Parry et al 2014 и Soubeyrand et al 2008 для особо успешных оценок закономерностей и скорости распространения; оптимальная стратегия по цели, либо эпидемиологическому уровню, либо уровню экономического воздействия – см. Cunniffe et al 2015 о проблемах в создании этих моделей и Papaïx et al 2014, в частности, о реализации их в ddal ; и время до ликвидации – пример передачи вируса оспы сливы см . Glasa et al 2004 . [3]
Качество моделей улучшилось как за счет усовершенствований в технологиях, поставляемых компьютерной промышленностью, так и за счет усовершенствований статистических методов. [3]
Системы прогнозирования могут использовать один из нескольких параметров для определения риска заболевания или комбинацию факторов. [4] Одна из первых систем прогнозирования, разработанная для увядания Стюарта , была основана на индексе зимней температуры, поскольку низкие температуры убивают переносчика болезни, поэтому вспышки не возникает. [5] Примером системы прогнозирования множественных болезней/вредителей является система эпидемиологии, прогнозирования и профилактики (EPIPRE), разработанная в Нидерландах для озимой пшеницы и ориентированная на множественные патогены. [6] USPEST.org отображает риски различных заболеваний растений на основе прогнозов погоды с почасовым разрешением влажности листьев. Модели прогнозирования часто основаны на таких отношениях, как простая линейная регрессия , где x используется для прогнозирования y. Другие отношения можно смоделировать с помощью кривых роста населения . [4] Используемая кривая роста будет зависеть от характера эпидемии. Полициклические эпидемии, такие как фитофтороз картофеля , обычно лучше всего моделировать с использованием логистической модели, тогда как моноциклические эпидемии лучше всего моделировать с использованием мономолекулярной модели. [7] Правильный выбор модели необходим для того, чтобы система прогнозирования заболеваний была полезной.
Модели прогнозирования болезней растений должны быть тщательно протестированы и проверены после разработки. В последнее время возник интерес к проверке модели посредством количественной оценки экономических издержек ложноположительных и ложноотрицательных результатов , когда меры профилактики заболеваний могут использоваться, когда нет необходимости, или не применяться, когда это необходимо, соответственно. [4] Прежде чем принять решение об использовании системы прогнозирования заболеваний, необходимо тщательно взвесить стоимость этих двух типов ошибок.
В будущем системы прогнозирования заболеваний могут стать более полезными по мере увеличения вычислительной мощности и увеличения объема данных, доступных патологам растений для построения моделей. Хорошие системы прогнозирования также могут стать все более важными в связи с изменением климата . Будет важно иметь возможность точно предсказать, где могут возникнуть вспышки заболеваний, поскольку они могут находиться не в исторически известных районах.