阿根廷花生黑穗病田间尺度空间分布模式解析及其对病害管理的启示

本研究针对阿根廷花生主产区由土壤病原菌Thecaphora frezzii引起的花生黑穗病（peanut smut），通过多尺度空间统计方法（包括BPL、SADIE和Moran's I等）揭示了病害分布规律：低发病率（<6%）时呈聚集分布，高发病率（>20%）转为随机分布，且田间入口区域病害压力显著升高。该成果为优化病害监测采样策略（避免边缘区域）和设计田间试验提供了关键理论依据，对南美花生产业可持续发展具有重要意义。

　　

在阿根廷广袤的花生产区，一种被称为"花生黑穗病"（peanut smut）的病害正悄然威胁着这个全球重要经济作物的产量。这种由土壤病原真菌Thecaphora frezzii引起的病害，其狡猾之处在于它独特的传播方式——病原体孢子只在收获期通过破碎的病荚释放，随后能在土壤中蛰伏长达六年之久。更棘手的是，作为单循环病害（mono-cyclic disease），它不会在当季作物间传播，却通过农机作业和风力在田间扩散，形成复杂的空间分布格局。传统防治策略对此类病害往往收效甚微，究其根源，正是缺乏对病害空间分布规律的精准认知。

为破解这一难题，Juan A.Paredes领衔的研究团队在《European Journal of Plant Pathology》发表了开创性研究。团队整合了田间调查与多尺度空间统计方法，包括小尺度（240个采样点/336 m²）和大尺度（20-96公顷）网格化采样，运用二元幂律（Binary Power Law, BPL）分析142块田间的病害数据，结合Morisita指数、空间自相关（Moran's I）和SADIE（Spatial Analysis by Distance IndicEs）等先进统计工具，系统解析了花生黑穗病的空间分布特征及其形成机制。

关键技术方法

研究选取阿根廷科尔多瓦省9个田间试验点（2019-2024年），采用空间网格采样设计，小尺度分析使用12×20规则网格（1.4 m×1 m间距），大尺度采用100×100 m网格。通过GPS定位采集花生荚样本，实验室检测黑穗病发病率（病荚数/总荚数×100%）。运用R语言进行空间统计分析，包括Morisita指数计算（vegan包）、全局Moran's I检验（spdep包）和SADIE聚类分析（epiphy包），建立BPL模型量化空间异质性。

主要研究结果

Small-scale plots

在3个小尺度试验田（4.3%-29.7%发病率）中，Morisita指数（1.134-2.10）显示低发病率田块（Field 2:2.3%）呈现显著聚集分布（P<0.05），而高发病率田块（Field 3:29.7%）接近随机分布。SADIE分析进一步验证该规律，Field 2的聚集指数Ia达1.47（P<0.01），而Field 3的Ia=1.10（P=0.19）无统计学差异。空间自相关分析发现，Field 2存在弱空间依赖性（Moran's I=0.060，z-score=1.894）。

Large-scale plots

6个大尺度商业田（5.7%-42.8%发病率）分析表明，当全局发病率>20%（Field 4、5、7、9）时，Morisita指数趋近1（1.00-1.07），呈现随机分布；而发病率<12%的Field 6和8则显示明显聚集（Morisita指数1.12-1.32）。值得注意的是，病害热点多集中在田块入口处，如Field 8入口区域发病率达44.8%，显著高于田间平均值（12%）。

Binary power law

对142块田的BPL分析揭示关键阈值：当田间平均发病率<6%时，斜率b=1.36（P<0.001）表明聚集分布；发病率≥6%时，b=0.829（P<0.001）转为随机分布。这一规律与多尺度空间分析结果高度一致。

研究启示与展望

该研究首次系统阐明了花生黑穗病"低聚高散"的空间分布规律，为病害管理提供了三大科学依据：

1. 1.

   采样策略优化：应避开田块边缘/入口区域（hotspots高发区），在发病率>6%田块可减少采样点数量；

2. 2.

   防治时机选择：针对收获期孢子扩散关键环节，需加强农机消毒和田间卫生管理；

3. 3.

   抗病育种方向：结合T. frezzii土壤存活特性，需培育持久抗性品种。

这项研究不仅为阿根廷花生产业提供了精准防控策略，其创新的多尺度空间分析方法更为其他土壤传播病害研究树立了新范式。随着抗病品种Granoleico的推广和采样标准的建立，该成果将助力南美花生产业实现可持续发展。正如作者强调，未来需持续监测长期轮作田的病害时空演变，以应对这一"潜伏的土壤杀手"的持久威胁。