Effect of weather factors on spore population dynamics of rice blast fungus in Guilan province

• Autorzy: Mousanejad S , Alizadeh A. , Safaie N.

Warianty tytułu

PL

Dzialanie czynnikow pogodowych na dynamike populacji zarodnikow grzyba wywolujacego zgorzel ryzu w prowincji Guilan

• Języki publikacji: EN

Abstrakty

EN

Effect of weather factors on fluctuations of spore population of Pyricularia grisea and the occurrence of the disease was considered. During growing seasons of 2006-2007, paddy fields were chosen in distance of five kilometers from weather stations of Rasht, Lahijan and Anzali in Guilan province and spore population (Ps) were measured daily using sporetraps. Weather data including precipitation (P), daily maximum and minimum temperature (Tmax, Tmin), daily maximum and minimum relative humidity (RHmax, RHmin) and sunny hours (SH) were obtained from weather stations. The relationship between spore population fluctuations and weather data was analyzed and the most important weather factors affecting spore population and predicting blast were determined. Accordingly, weather factors such as P, Tmax, RHmin and SH are the most important factors predicting rice blast in Guilan and enough precipitation, increased daily RHmin, decreased daily Tmax and SH result in increased spore population and blast occurrence during next 7-10 days. To predict final leaf blast severity (Yflbs) and neck blast index (Ynbi), factors such as Tmax, Tmin, T, RHmax, RHmin, RH, P and SH and Ps were used for modeling. For leaf blast, these factors were considered for June and July and for neck blast, the same factors used for August. Step wise regression was applied for modeling. Statistics like r, R2, aR2, SE, F and Durbin-Watson were applied for evaluating the models. Finally, the two quantitative models: Yflbs = -2.41-2.80 Tmin+0.68RHmin-0.015Ps-0.014P+0.052SH (R2 = 96.73%) and Ynbi = -24.11+0.08Tmax+0.19 RHmax+0.034Ps-0.015P+0.016SH (R2 = 73.97%), were introduced for predicting final leaf blast severity and neck blast index, respectively. Related to effects of amount of applied N fertilizer (F) and date (D) and space (S) of transplanting, the results showed high correlation between F and Yflbs and Ynbi, but such high correlation was not observed for D and S. The best function for predicting Yflbs was Y = 4.46-4.12F+1.93F2 (R2 = 96.37). The best equation for predicting Ynbi acquired when F, D and S were applied in multiple regression, Y = 2.06+0.33F+0.10D-0.03S(R2 = 54.40).

PL

Omówiono wpływ czynników pogodowych na wahania w populacji zarodników Pyricularia grisea i występowanie choroby. W okresach wegetacji lat 2006-2007 wytypowano podmokłe pola w odległości pięciu kilometrów od stacji meteorologicznych w Rasht, Lahijan i Anzali w prowincji Guilan; populację zarodników określano wykorzystując pułapki zarodników. Dane pogodowe obejmujące opady, temperatury dobowe, minimalne i maksymalne, dobową wilgotność względną i godziny nasłonecznienia otrzymano ze stacji meteorologicznych. Analizowano związek pomiędzy wahaniami populacji zarodników i danymi pogodowymi mogącymi wpływać na populację zarodników, a prognozowaniem wystąpienia zgorzeli ryżu. Opady, maksymalne temperatury, minimalna wilgotność względna i godziny nasłonecznienia są najważniejsze dla prognozowania choroby w Guilan, a wystarczająca ilość opadów zwiększała dobową wilgotność względną, zmniejszała dobową maksymalną temperaturę i ilość godzin nasłonecznienia, powodując zwiększanie populacji zarodników i wystąpienie zgorzeli ryżu w okresie następnych 7-10 dni. W celu uzyskania danych o nasileniu zgorzeli ryżu i wskaźnika zgorzeli szyjki, dane te były wykorzystane do modelowania przebiegu choroby. Dla zgorzeli liści wzięto pod uwagę informacje z czerwca i lipca, a dla zgorzeli szyjki dane z września. Do modelowania wykorzystano metodę stopniowej regresji. Do oceny modeli wykorzystano statystykę taką jak r, R2, aR2, SE, F i Durbin-Watson. W końcu opracowano dwa ilościowe modele: Yflbs = -2,41-2,80 Tmin +0,68RHmin-0,015Ps-0,14P+0,052SH (R2 = 96,73%) i Ynbi = -24,11+0,08Tmax+0,034Ps-0,015P+0,016SH (R2=73,97%), co zostało wprowadzone odpowiednio do przewidywania końcowego indeksu nasilenia zgorzeli liści i szyjki. W stosunku do efektu zastosowanego nawożenia azotowego (F), terminu (D) i rozstawy (S) przy przesadzaniu, wyniki wykazały wysoką korelację pomiędzy F i Yflbs i Ynbi, ale takiej wysokiej korelacji nie obserwowano dla D i S. Najlepszą funkcją do przewidywania Ynbi była: Y = 4,46-4,12+1,93F2 (R2 = 96,37). Gdy F, D i S były stosowane w wielokrotnej regresji najlepszym równaniem do przewidywania Ynbi, było Y = 2,06+0,33F+0,10D-0,035 (R2 = 54,40).

Słowa kluczowe

PL

Guilan province; rice; plant disease; rice blast; fungal disease; fungi; spore; population dynamics; weather factor; blast; Pyricularia grisea; forecasting

• Wydawca: -
• Czasopismo: Journal of Plant Protection Research
• Rocznik: 2009
• Tom: 49
• Numer: 3
• Opis fizyczny: p.319-329,fig.,ref.

Twórcy

autor

Mousanejad S

• Tarbiat Modares University, P.O.Box: 14115-111, Tehran, Iran

autor

Alizadeh A.

autor

Safaie N.

Bibliografia

• Calvero S.B. Jr., Coakley S.M., Teng P.S. 1996. Development of empirical forecasting models for rice blast based on weather factors. Plant Pathol. 45: 667-678.
• Chien C.C., Tsai W.H., Yang Y.Z., Liu C. 1984. Studies on the epidemiology of rice blast disease in central areas of Taiwan. J. Agric. Res. China 33: 169-180.
• El Refaei M.J. 1977. Epidemiology of rice blast disease in the tropics with special reference to leaf wetness in relation to disease development. Ph.D. Thesis, Faculty of the Postgraduate School, Indian Agricultural Research Institute, New Delhi.
• Esmailpoor M.H. 1980. Study on the environmental factors affecting rice blast. Iranian Plant Dis. Pest J. 48 (2): 105-118.
• Hashiguchi S., Kato H. 1983. Quantificational method applied to the forecasting of the rice blast occurrence. Plant Prot. 37: 425-429.
• IRRI. 1996. Standard Evaluation System for Rice. The Philippines. 4th ed., 52 pp.
• Izadyar M. 1983. The relation between weather conditions and rice leaf and neck blast development on different rice cultivars in Guilan province. Proc. 7th Iranian Plant Prot. Congress, Karaj, Iran, p 85. (Abstract).
• Izadyar M. 1993. Rice blast and its forecasting in Guilan province. Proc. 11th Iranian Plant Prot. Congress, Rasht, Iran, p 64. (Abstract).
• Kim C.H., Mackenzie D.R., Rush M.C. 1987. A model to forecast rice blast disease based on weather indexing. Korean J. Plant Pathol. 3: 210-216.
• Kim C.H., Mackenzie D.R., Rush M.C. 1988. Field testing a computerized forecasting system for rice blast disease. Phytopathology 78: 931-934.
• Kim C.K. 1982. Improved methods for rice blast forecasting. Korean J. Plant Prot. 21 (1): 19-22.
• Kim C.K., Yoshino R., Mogi S. 1975. A trial of estimating number of leaf blast lesions on rice plants on the basis of the number of trapped spores and wetting period of leaves. Ann. Phytopathol. Soc. Japan 41: 492-499.
• Kingsolver C.H., Barksdale T.H., Marchetti M.A. 1984. Rice blast epidemiology. Bull. Pennsylvania Agric. Exp. Stn. 853: 1-33.
• Kono T. 1977. Studies on the utilization method of electronic computer in the forecast work on disease and insect outbreak. 4. The system calculating forecast values using multiple regression analysis. Bull. Hiroshima Agric. Exp. Stn. 39: 1-20.
• Kuribayashi K., Ichikawa H. 1952. Studies on forecasting of the rice blast disease. Spec. Rep. Nagano agric. Exp. Stn. 13: 1-229.
• Muramatsu Y., Koyanagi T. 1977. Attempts to utilize computers for forecasting rice diseases and pets. Plant Prot. 31: 59-63.
• Ono K. 1965. Principles, methods and organization of rice disease forecasting. p. 173-194. In: "The Rice Blast Disease". The Johns Hopkins Press, Baltimore, Maryland.
• Padmanabhan S.Y. 1965. Studies on forecasting outbreaks of blast disease of rice. 1. Influence of meteorological factors on blast incidence at Cuttack. Proc. Indian Ac. Sc. 62: 117-129.
• Shimizu S. 1980. Quantification analysis of variation of rice blast outbreak and its application to disease forecast. Bul. Agric. Exp. Stn. Naga Agric. Res. Center 41: 1-137.
• Tsai W.H. 1986. Prediction of rice leaf blast. 3. Meteorological variables and percentage of leaf area infected by Pyricularia oryzae.Plant Prot. Bull. Taiwan 26: 171-180.
• Tsai W.H., Su H.J. 1984. Prediction of rice leaf blast. 1. Meteorological variables and the development of the number of lesions. J. Agric. Res. China 34: 71-78.
• Tsai W.H., Su H.J. 1985. Prediction of rice leaf blast. 2. The relationships of meteorological variables, conidial numbers and the development of the number of lesions. J. Agric. Res. China 34: 71-78.
• Uehara Y. 1985. Regional classification of rice blast occurrence in Hiroshima prefecture by multivariate analysis. Bull. Hiroshima Pre. Agric. Exp. Stn. 49: 19-30.
• Yoshino R. 1971. Ecological studies on the infection in rice blast epidemics. I. Infection rates and hyphal growth in epidermal cells. Proc. Assoc. Plant Prot. Hokuriku 19: 14-17.