Моделирование риска возникновения пятнистости листьев «frogeye» (Cercospora sojina) у сои в разных районах США

Почему эта болезнь сои важна

По всей территории США фермеры, выращивающие сою, сталкиваются с тихой, но дорогостоящей угрозой — заболеванием листьев, известным как frogeye leaf spot. Оно может уменьшать урожайность в той степени, что съедает и без того скромную прибыль, а контролировать болезнь стало сложнее: гриб, вызывающий её, развил устойчивость к ряду распространённых фунгицидов. Описанное исследование поставило практическую задачу: на основании повседневных погодных условий — когда вероятность агрессии болезни наиболее высока и как эти данные помогут фермерам опрыскивать реже, но эффективнее?

Как пятнистость распространяется по полям

Frogeye leaf spot вызывается грибом, который сохраняется в растительных остатках и иногда в семенах, а затем инфицирует молодые листья сои. Через 10–14 дней после заражения появляются небольшие пропитанные влагой пятна, которые разрастаются в серые центры с красноватыми краями. При тёплой и влажной погоде гриб образует споры, которые переносятся дождём и ветром на соседние растения, запуская новые циклы заражения. Такие повторяющиеся циклы могут привести к существенным потерям урожая — вспышки в Америке стоили фермерам миллиарды долларов. Многие сорта сои лишены сильной устойчивости, поэтому производители в значительной степени полагаются на фунгициды для сдерживания болезни.

Почему требуется более разумное опрыскивание

Годами популярный класс фунгицидов QoI успешно боролся с frogeye leaf spot. Со временем гриб, однако, эволюционировал и стал устойчив к этим препаратам, поэтому в полях США они часто не работают. Другие группы фунгицидов всё ещё эффективны, но их чрезмерное использование повышает риск развития устойчивости и к ним. Многие обработки проводятся даже при низком давлении болезни, в основном как страховка урожая. Такая практика увеличивает затраты, усиливает селекционное давление на гриб и приводит к потере времени и средств. Надёжный прогноз риска мог бы помочь фермерам обрабатывать поля только тогда, когда вероятность развития болезни действительно велика, сохраняя эффективность фунгицидов и защищая урожай.

Преобразование погодных паттернов в оценку риска

Команда исследователей собрала наблюдения за frogeye leaf spot из 279 сочетаний «место–год» испытаний сои в 20 штатах США, а также подробные почасовые погодные данные для каждой точки. Они сосредоточились на том, как меняется степень поражения между полевыми обследованиями, и соотнесли эти изменения с недавними паттернами температуры, влажности, осадков, ветра и времени влажности листа. Вместо того чтобы учитывать только суточные средние значения, они рассчитывали скользящие средние по окнам от 5 до 30 дней, чтобы уловить более длительные периоды благоприятных или неблагоприятных условий. Используя эту крупную базу данных, авторы протестировали множество статистических и методов машинного обучения, чтобы определить, какие из них лучше предсказывают увеличение болезни между визитами.

Влажность, тепло и лучшая модель риска

Из десятков погодных факторов наиболее сильным драйвером увеличения болезни оказались длительные суточные периоды высокой относительной влажности, особенно в сочетании с тёплой погодой. Наиболее полезная и практичная модель опиралась всего на два показателя: 30‑дневное среднее число часов в сутки с относительной влажностью ≥ 80% и 30‑дневное среднее суточного максимума температуры. Риск frogeye leaf spot оставался низким, когда в поле было менее примерно пяти часов в сутки такой влажности, независимо от температуры. Риск резко возрастал, когда ежедневные часы высокой влажности достигали примерно 15–20, а максимумы температуры составляли около 24–36 °C, причем пик риска наблюдался при одновременном сочетании высокой влажности и жары. Более сложные подходы машинного обучения в целом были немного точнее, но имели тенденцию чаще сигнализировать о риске, что могло бы стимулировать ненужные опрыскивания.

От исследовательской модели к инструменту для фермеров

Поскольку простая модель на двух факторах оказалась точной, понятной и быстрой в расчёте, авторы выбрали её для использования в публичной онлайн‑системе поддержки принятия решений. Этот инструмент теперь предоставляет карты риска frogeye leaf spot в режиме реального времени для соевых регионов США, позволяя фермерам и консультантам увидеть, когда недавняя погода благоприятствует накоплению болезни. Хотя модель не учитывает все характеристики конкретного поля, такие как выбор сорта или предшествующая культура, она даёт надёжную погодную основу для решения о том, действительно ли требуется опрыскивание фунгицидом. Проще говоря, исследование показывает: отслеживание сочетания влажности и тепла за предыдущий месяц помогает производителям сои точнее выбирать время обработок, сохранять эффективность существующих фунгицидов и избегать опрыскиваний, когда вероятность усиления болезни низка.

Цитирование: González-Acuña, J.F., Allen, T.W., Bish, M.D. et al. Modeling the environment-related risk of frogeye leaf spot (Cercospora sojina) in soybean across the United States. Sci Rep 16, 16236 (2026). https://doi.org/10.1038/s41598-026-46975-z

Ключевые слова: frogeye leaf spot, болезнь сои, использование фунгицидов, модель погодного риска, инструмент поддержки принятия решений