A disease predictive model based on epidemiological factors for the management of bacterial leaf blight of rice

ABSTRACT

Abstract Rice is a widely consumed staple food for a large part of the worlds human population. Approximately 90% of the worlds rice is grown in Asian continent and constitutes a staple food for 2.7 billion people worldwide. Bacterial leaf blight (BLB) caused by Xanthomonas oryzae pv. oryzae is one of the devastating diseases of rice. A field experiment was conducted during the year 2016 and 2017 to investigate the influence of different meteorological parameters on BLB development as well as the computation of a predictive model to forecast the disease well ahead of its appearance in the field. The seasonal dataset of disease incidence and environmental factors was used to assess five rice varieties/ cultivars (Basmati-2000, KSK-434, KSK-133, Super Basmati, and IRRI-9). The accumulated effect of two year environmental data; maximum and minimum temperature, relative humidity, wind speed, and rainfall, was studied and correlated with disease incidence. Average temperature (maximum & minimum) showed a negative significant correlation with BLB disease and all other variables; relative humidity, rainfall, and wind speed had a positive correlation with BLB disease development on individual varieties. Stepwise regression analysis was performed to indicate potentially useful predictor variables and to rule out incompetent parameters. Environmental data from the growing seasons of July to October 2016 and 2017 revealed that, with the exception of the lowest temperature, all environmental factors contributed to disease development throughout the cropping season. A disease prediction multiple regression model was developed based on two-year data (Y = 214.3-3.691 Max T-0.508 Min T + 0.767 RH + 2.521 RF + 5.740 WS), which explained 95% variability. This disease prediction model will not only help farmers in early detection and timely management of bacterial leaf blight disease of rice but may also help reduce input costs and improve product quality and quantity. The model will be both farmer and environmentally friendly.

RESUMO

Resumo O arroz é um alimento básico amplamente consumido por grande parte da população humana mundial. Aproximadamente 90% do arroz do mundo é cultivado no continente asiático e constitui um alimento básico para 2,7 bilhões de pessoas em todo o mundo. O crestamento bacteriano das folhas (BLB) causado por Xanthomonas oryzae pv. oryzae é uma das doenças devastadoras do arroz. Um experimento de campo foi realizado durante os anos de 2016 e 2017 para investigar a influência de diferentes parâmetros meteorológicos no desenvolvimento do BLB, bem como o cálculo de um modelo preditivo para prever a doença bem antes de seu aparecimento em campo. O conjunto de dados sazonais de incidência de doenças e fatores ambientais foi usado para avaliar cinco variedades/cultivares de arroz (Basmati-2000, KSK-434, KSK-133, Super Basmati e IRRI-9). O efeito acumulado de dados ambientais de dois anos; temperatura máxima e mínima, umidade relativa do ar, velocidade do vento e precipitação pluviométrica foram estudados e correlacionados com a incidência da doença. A temperatura média (máxima e mínima) apresentou correlação significativa negativa com a doença BLB e todas as outras variáveis; umidade relativa, precipitação e velocidade do vento tiveram uma correlação positiva com o desenvolvimento da doença BLB em variedades individuais. A análise de regressão stepwise foi realizada para indicar variáveis preditoras potencialmente úteis e para descartar parâmetros incompetentes. Os dados ambientais das safras de julho a outubro de 2016 e 2017 revelaram que, com exceção da temperatura mais baixa, todos os fatores ambientais contribuíram para o desenvolvimento da doença ao longo da safra. Um modelo de regressão múltipla de previsão de doença foi desenvolvido com base em dados de dois anos (Y = 214,3-3,691 Max T-0,508 Min T + 0,767 RH + 2,521 RF + 5,740 WS), que explicou 95% de variabilidade. Este modelo de previsão de doenças não só ajudará os agricultores na detecção precoce e gestão atempada da doença bacteriana das folhas do arroz, mas também pode ajudar a reduzir os custos de insumos e melhorar a qualidade e a quantidade do produto. O modelo será agricultor e ambientalmente amigável.