隋媛媛, 王慶鈺, 于海業(yè)

1. 吉林大學(xué)生物與農(nóng)業(yè)工程學(xué)院, 吉林 長(zhǎng)春 130022 2. 吉林大學(xué)植物科學(xué)學(xué)院, 吉林 長(zhǎng)春 130022

基于葉綠素?zé)晒夤庾V指數(shù)的溫室黃瓜病害預(yù)測(cè)

隋媛媛1, 2, 王慶鈺2*, 于海業(yè)1*

1. 吉林大學(xué)生物與農(nóng)業(yè)工程學(xué)院, 吉林 長(zhǎng)春 130022 2. 吉林大學(xué)植物科學(xué)學(xué)院, 吉林 長(zhǎng)春 130022

溫室蔬菜病害的發(fā)生及大面積流行嚴(yán)重影響設(shè)施農(nóng)業(yè)的生產(chǎn)管理, 大大降低設(shè)施農(nóng)業(yè)的經(jīng)濟(jì)效益。為了實(shí)現(xiàn)溫室蔬菜病害的無損準(zhǔn)確預(yù)測(cè), 以黃瓜霜霉病害為例, 利用激光誘導(dǎo)葉綠素?zé)晒鈽?gòu)建光譜特征指數(shù), 建立了溫室蔬菜病害的預(yù)測(cè)模型。在試驗(yàn)中采用對(duì)比分析的方法, 通過對(duì)作物健康葉片接種病菌孢子, 分別采集健康、接種2 d、接種6 d和出現(xiàn)明顯病癥共4組試驗(yàn)樣本的光譜曲線, 定性分析了熒光強(qiáng)度隨葉片樣本感染病菌孢子的變化規(guī)律； 利用光譜曲線不同波段峰谷值創(chuàng)建了葉綠素?zé)晒夤庾V指數(shù)k1=F685/F512和k2=F734/F512, 根據(jù)數(shù)值的變化范圍, 設(shè)定k1和k2分別為20和10時(shí)可以作為判斷樣本出現(xiàn)明顯病癥與未出現(xiàn)明顯病癥的特征值, 其判斷的準(zhǔn)確率分別達(dá)到96%和94%； 利用構(gòu)建的光譜指數(shù)與樣本健康狀況的分類結(jié)果, 選擇光譜指數(shù)F685/F512，F(xiàn)685-F734，F(xiàn)715/F612可以定性判斷樣本健康狀況, 并選擇光譜指數(shù)F685/F512，F(xiàn)734/F512，F(xiàn)685-F734，F(xiàn)715/F612作為建立定量分析模型的輸入量, 以預(yù)測(cè)集分類準(zhǔn)確率作為評(píng)價(jià)標(biāo)準(zhǔn), 對(duì)比判別分析、BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)三種數(shù)據(jù)建模方法, 結(jié)果表明支持向量機(jī)作為霜霉病害預(yù)測(cè)的建模方法, 其預(yù)測(cè)能力達(dá)到91.38%。利用激光誘導(dǎo)葉綠素?zé)晒鈽?gòu)建光譜指數(shù)方法, 研究植物病害的預(yù)測(cè)問題, 具有很好的分類和鑒別效果。

光譜指數(shù)； 病害預(yù)測(cè)； 葉綠素?zé)晒猓?支持向量機(jī)

引 言

高效生產(chǎn)、連作是導(dǎo)致設(shè)施農(nóng)業(yè)病害呈逐年增加趨勢(shì)的主要原因, 病害的發(fā)生嚴(yán)重影響設(shè)施內(nèi)作物的產(chǎn)量與品質(zhì)[1]。農(nóng)藥作為一種補(bǔ)償性手段, 經(jīng)常應(yīng)用于農(nóng)業(yè)生產(chǎn)中, 過量使用農(nóng)藥是影響食品安全、導(dǎo)致設(shè)施環(huán)境污染[2]的主要問題。溫室作為設(shè)施農(nóng)業(yè)的主要生產(chǎn)場(chǎng)所, 具有高濕度的特點(diǎn), 主要生產(chǎn)對(duì)象為蔬菜、花卉等面向大眾的食品或經(jīng)濟(jì)作物, 一旦發(fā)生病害, 流行極快, 造成的經(jīng)濟(jì)損失嚴(yán)重, 危害食品安全, 因此, 溫室作物病害預(yù)測(cè)具有重要意義。

葉綠素?zé)晒馐侵参矬w自身發(fā)射的內(nèi)源光, 它與光合作用、熱輻射一起分配著植物吸收到體內(nèi)能量, 可以作為反映植物體光合作用的無損檢測(cè)探針[3]。葉綠素?zé)晒夤庾V是葉綠素?zé)晒庠诓ㄩL(zhǎng)維反映熒光強(qiáng)度變化的曲線, Lichtenthaler等的研究結(jié)果表明, 不同波段熒光與葉片的組織結(jié)構(gòu)有關(guān), 如藍(lán)綠光區(qū)域的熒光主要來自于主、側(cè)葉脈, 而紅光區(qū)域與遠(yuǎn)紅光區(qū)域熒光主要來自非葉脈區(qū)[4]。近幾年國(guó)內(nèi)外的專家學(xué)者將葉綠素?zé)晒鈶?yīng)用于植物體受到病蟲害侵染的規(guī)律研究中, 試圖利用葉綠素?zé)晒夥囱葜参矬w受到病蟲害侵染的情況。Manda的研究結(jié)果表明霜霉病害可引起作物葉綠素?zé)晒庵笖?shù)Fv/Fm的變化[5]；Christen等利用葉片的快速葉綠素?zé)晒鈾z測(cè)葡萄感染Esca病的現(xiàn)象, 可在病癥發(fā)生前2個(gè)月進(jìn)行較好預(yù)測(cè)[6], 也有學(xué)者利用快速葉綠素?zé)晒鈦碓u(píng)估大豆對(duì)環(huán)境條件的耐受性[7]；Benjamin利用葉綠素?zé)晒鈦碓u(píng)價(jià)作物受到花葉病的侵染程度[8]；Adnan采用藍(lán)色LED光源誘導(dǎo)的葉綠素?zé)晒? 觀察棉桃感染蟲害后細(xì)胞不同結(jié)構(gòu)的損害情況[9]；Schmitz等利用激光誘導(dǎo)和脈沖調(diào)節(jié)激發(fā)葉綠素?zé)晒鈾z測(cè)甜菜受到異皮線蟲的感染現(xiàn)象[10]。

本研究以黃瓜霜霉病害為例, 構(gòu)建篩選葉綠素?zé)晒夤庾V特征指數(shù), 研究葉綠素?zé)晒夤庾V特征指數(shù)預(yù)測(cè)溫室蔬菜病害問題, 旨在植物出現(xiàn)明顯病癥前達(dá)到良好預(yù)測(cè)效果, 減少農(nóng)藥等生產(chǎn)成本的投入, 保證食品安全, 具有重要意義。

1 實(shí)驗(yàn)部分

1.1 材料與方法

研究于2014年6月—9月在吉林大學(xué)日光溫室內(nèi)進(jìn)行, 選用的黃瓜品種為“長(zhǎng)春密刺王”, 屬于易感病品種； 霜霉病菌采摘自溫室內(nèi)自然發(fā)病的葉片, 采摘后將葉片剪掉, 以隔離病源防止病菌大面積流行。

1.2 熒光光譜試驗(yàn)

在黃瓜健康植株100株同一生長(zhǎng)位置接種霜霉病菌, 常規(guī)管理。在葉片同一部位(主葉脈右側(cè)葉肉中心位置)進(jìn)行光譜采集試驗(yàn)。根據(jù)接菌后葉片的發(fā)病情況, 去除試驗(yàn)人為因素影響, 選擇50片葉片作為試驗(yàn)樣本, 分別采集健康葉片、接種病菌2d和6d以及葉片表面出現(xiàn)明顯病癥的葉綠素?zé)晒夤庾V數(shù)據(jù)進(jìn)行對(duì)比分析。

1.3 儀器

研究采用荷蘭AVANTES公司生產(chǎn)的AvaSpec-2048-USB2型光纖光譜儀作為熒光光譜接收器, 貼于葉片表面測(cè)量, 接收光譜范圍為331.010～1 099.970nm, 分辨率為2.1nm,VA光柵300線·mm-1, 光譜采集間隔時(shí)間設(shè)為1.1ms。采用激光作為激發(fā)光源, 其發(fā)射中心波長(zhǎng)為473nm, 強(qiáng)度為7.5mW, 貼于葉片表面垂直照射。激發(fā)光源與光譜接收器成45°角。

2 結(jié)果與討論

2.1 熒光光譜強(qiáng)度變化

在無外在因素干擾下, 熒光光譜強(qiáng)度的變化與植物細(xì)胞內(nèi)分子的振動(dòng)密切相關(guān), 強(qiáng)度的強(qiáng)弱取決于分子振動(dòng)的數(shù)量和幅度。如圖1所示, 健康葉片接種病菌后, 光譜強(qiáng)度表現(xiàn)出先上升后下降的趨勢(shì)。當(dāng)病菌孢子侵染葉片并在其體內(nèi)存活生長(zhǎng)繁殖時(shí), 受到葉片自身免疫力的保護(hù), 抗氧化酶活性增強(qiáng), 細(xì)胞活性增強(qiáng), 熒光強(qiáng)度增強(qiáng)； 伴隨著病原菌的生長(zhǎng)繁殖細(xì)胞出現(xiàn)凋亡, 細(xì)胞生命活性降低, 熒光強(qiáng)度隨之降低, 熒光光譜強(qiáng)度值的變化符合植物生理學(xué)變化的規(guī)律。

圖1 接種霜霉病原體后樣本葉綠素?zé)晒鈴?qiáng)度變化

Fig.1 Changes of chlorophyll fluorescence intensity of the samples after being inoculated with downy mildew pathogen

熒光光譜強(qiáng)度隨病菌成活繁殖情況變化, 通過對(duì)比可以定性判斷植物感染病菌規(guī)律, 但定量靈敏度不佳, 因此需要進(jìn)一步對(duì)熒光光譜進(jìn)行定量判斷。

2.2 光譜特征指數(shù)構(gòu)建

熒光光譜數(shù)據(jù)量冗多, 若以整條光譜曲線作為輸入量, 計(jì)算量大, 有研究表明, 病害脅迫對(duì)光譜及葉綠素?zé)晒馓卣饔幸欢ǖ挠绊慬11], 因此篩選具有代表性的光譜特征點(diǎn)。從圖1可以看出, 熒光光譜曲線出現(xiàn)了三峰二谷共5個(gè)特征點(diǎn), 其峰谷強(qiáng)度的發(fā)射中心波長(zhǎng)大約位于512，685，734，612，715 nm附近, 分別標(biāo)記為F512，F(xiàn)685，F(xiàn)734，F(xiàn)612，F(xiàn)715。

分別構(gòu)建篩選對(duì)于黃瓜健康狀況表征較為明顯的光譜指數(shù), 如圖2(a)和(b)所示, 構(gòu)建的光譜指數(shù)中F685/F512和F734/F512對(duì)于未出現(xiàn)病癥與出現(xiàn)明顯病癥的葉片分類規(guī)律較為明顯, 分別設(shè)定k1=F685/F512和k2=F734/F512, 根據(jù)統(tǒng)計(jì)數(shù)據(jù)結(jié)果, 設(shè)定k1=20和k2=10, 其分類準(zhǔn)確率分別達(dá)到96%和94%, 因此將k1=20和k2=10作為判別出現(xiàn)明顯病癥葉片樣本的特征值,k1判別的準(zhǔn)確率優(yōu)于k2。

圖2 不同光譜指數(shù)的分類結(jié)果

利用波峰值構(gòu)建光譜指數(shù)還包括F685，F(xiàn)734，F(xiàn)685/F734，F(xiàn)685+F734，F(xiàn)685-F734, 其中F685/F734值均處于0～2之間, 分類效果不明顯； 如圖2(c)所示, 在剩余4個(gè)光譜指數(shù)對(duì)于健康葉片與接種2和6 d的分類趨勢(shì)相似, 根據(jù)設(shè)定k值的不同, 光譜指數(shù)的分類準(zhǔn)確率分別為75%，82%，68%，85%, 其中F685-F734分類精度較高(4 000

此外還利用光譜波谷值構(gòu)建光譜指數(shù)F715+F612，F(xiàn)715-F612，F(xiàn)715/F612, 其中F612相對(duì)于F715強(qiáng)度較小,F715+F612與F715-F612判別差異不明顯, 只采用F715-F612進(jìn)行對(duì)比, 如表1所示, 其分類準(zhǔn)確率達(dá)到81%, 采用F715/F612對(duì)于出現(xiàn)病癥與未出現(xiàn)病癥樣本的分類效率較為理想, 準(zhǔn)確率達(dá)到92.4%。

表1 利用光譜指數(shù)對(duì)黃瓜健康狀況的分類準(zhǔn)確率

對(duì)于不同健康狀況的葉片樣本, 構(gòu)建的光譜指數(shù)具有不同的分類能力, 如F685/F512，F(xiàn)734/F512，F(xiàn)715/F612對(duì)于樣本是否出現(xiàn)病癥具有良好的分類能力；F685-F734對(duì)于樣本是否受到侵染分類效果較好。分別將光譜指數(shù)F685/F512,F715/F612,F685-F734作為一個(gè)輸入量, 其分類效果如圖3所示。

圖3 四組樣本的光譜指數(shù)分類效果

2.3 光譜指數(shù)分類模型

構(gòu)建光譜指數(shù)可以定性判斷試驗(yàn)樣本的分類, 而采用單一的光譜指數(shù)很難達(dá)到理想的效果, 因此選擇多光譜指數(shù)建立定量分析模型。

根據(jù)表1的計(jì)算結(jié)果, 篩選光譜指數(shù)F685/F512，F(xiàn)685-F734，F(xiàn)715/F612，F(xiàn)734/F512作為建模的輸入量, 建立模型進(jìn)行定量判別。

判別分析(DA)是一種判別樣品所屬類別的一種統(tǒng)計(jì)方法, 是在已知樣本分成若干組別, 在此基礎(chǔ)上根據(jù)某些準(zhǔn)則建立判別式進(jìn)而判斷未知樣本的歸屬問題； BP 神經(jīng)網(wǎng)絡(luò)(BP)是光譜分析中常用的方法, 是一種多層前饋型神經(jīng)網(wǎng)絡(luò), 其神經(jīng)元的傳遞函數(shù)是S型函數(shù), 可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射； 支持向量機(jī)(support vector machine, SVM)是采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化(SRM)原理, 在高維特征空間使用線性函數(shù)假設(shè)空間的學(xué)習(xí)系統(tǒng), 由最優(yōu)化理論的學(xué)習(xí)算法訓(xùn)練, 實(shí)現(xiàn)了由統(tǒng)計(jì)學(xué)習(xí)理論導(dǎo)出的學(xué)習(xí)偏置[12]。

分別利用DA，BP，LSSVM數(shù)據(jù)處理方法對(duì)光譜指數(shù)建立定量分類模型, 設(shè)定訓(xùn)練集每組35個(gè)樣本, 共140個(gè)； 測(cè)試集每組15個(gè)樣本, 在計(jì)算過程中去除接種6 d、出現(xiàn)明顯病癥樣本集中的奇異點(diǎn)各1個(gè), 共計(jì)58個(gè), 所得預(yù)測(cè)集的準(zhǔn)確率如表2所示, 以預(yù)測(cè)集計(jì)算結(jié)果的準(zhǔn)確率作為評(píng)價(jià)標(biāo)準(zhǔn), 選擇LSSVM作為建立模型的方法。

表2 不同建模方法比較

3 結(jié) 論

隨著病菌孢子在植物體內(nèi)的存活及繁殖, 植物體內(nèi)光合速率、呼吸速率、水分含量及酶活性等均會(huì)表現(xiàn)出不同的變化, 葉綠素?zé)晒饩G光、紅光、遠(yuǎn)紅光波段的光譜指數(shù)與植物的光合作用、水分含量息息相關(guān), 構(gòu)建與病害相關(guān)的光譜指數(shù), 利用數(shù)據(jù)挖掘方法以光譜指數(shù)微觀表征生理生化指標(biāo), 實(shí)現(xiàn)了對(duì)葉片健康狀況的合理分類。

利用激光誘導(dǎo)葉綠素?zé)晒鈽?gòu)建光譜指數(shù)研究溫室作物病害的預(yù)測(cè)問題, 定性分析了感染病菌不同階段的作物熒光光譜強(qiáng)度, 通過對(duì)光譜特征參數(shù)的變換組合, 篩選能夠反映4組試驗(yàn)樣本的光譜指數(shù), 并將其作為建立定量分析模型的輸入量, 利用判別分析、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)三種建模方法對(duì)比分析, 其中支持向量機(jī)建模方法的預(yù)測(cè)能力達(dá)到91.38%。該模型的預(yù)測(cè)效果較好, 可以用于指導(dǎo)生產(chǎn), 為溫室作物病害的無損檢測(cè)提供了新的方法。

[1] Lucas J A. Journal of Agricultural Science, 2011, 149: 91.

[2] Chowdhury A, Pradhan S, Saha M, et al. Indian Journal of Microbiology, 2008, 48(1): 114.

[3] Zhang Shouren. Chinese Bulletin of Botany, 1999, 16(4): 444.

[4] Lichtenthaler H, Lang M, Sowinska M, et al. Journal of Plant Physiology, 1996, 148: 599.

[5] Manda K, Saravanan R, Maitl S, et al. Journal of Plant Diseases and Protection, 2009, 116(4): 164.

[6] Danilo C, Susan S, Mauro J, et al. Environmental and Experimental Botany, 2006，(60): 504.

[7] Strauss A, Kruger G, Strasser R, et al. Environmental and Experimental Botany, 2006, 56: 147.

[8] Benjamin A, Moses J, Elvis A, et al. Environmental Technology, 2012, 33(3): 367.

[9] Adnan M, Erin E, Michael D, et al. Journal of Biological Engineering, 2013, 7: 5.

[10] Astrid S, Iryna I T, Sebastian K, et al. Nematology, 2006, 8(2): 273.

[11] CHEN Bing, WANG Ke-ru, LI Shao-kun, et al(陳 兵, 王克如, 李少昆, 等). Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報(bào)), 2011, 27(9): 86.

[12] Cristianini. N, Shawe-Taylor. J. An Introduction to Support Vector Machines and Other Kerner-Based Learning Methods(支持向量機(jī)導(dǎo)論). Beijing: Publishing House of Electronics Industry(北京： 電子工業(yè)出版社), 2004.

(Received Mar. 19, 2015; accepted Jun. 28, 2015)

*Corresponding authors

Prediction of Greenhouse Cucumber Disease Based on Chlorophyll Fluorescence Spectrum Index

SUI Yuan-yuan1, 2, WANG Qing-yu2*, YU Hai-ye1*

1. College of Biological and Agricultural Engineering, Jilin University, Changchun 130022, China 2. College of Plant Science，Jilin University，Changchun 130022, China

The occurrence of greenhouse vegetable diseases and its epidemic seriously affect the production and management of facility agriculture, which greatly reduce the economic benefits of facility agriculture. In order to achieve nondestructive and accurate prediction of greenhouse vegetable diseases, this paper taking cucumber downy mildew disease as the research object, constructed spectrum characteristic index by using chlorophyll fluorescence induced by laser and established the prediction model of greenhouse vegetable diseases. In this paper, the experiment used comparative analysis method. The healthy leaves of the crops were inoculated with the pathogen spores, the spectrum curves of four groups of test samples: healthy, 2 d inoculated, 6 d inoculated and the ones with obvious symptoms were collected; then qualitative analysis was given to the variation regulation of the fluorescence intensity with the leaf samples infected with the pathogen spores. The chlorophyll fluorescence spectrum indexk1=F685/F512andk2=F734/F512were created by using the peak and valley values of different bands. According to the range of values, setk1=20 andk2=10 as the characteristic value to judge the sample with obvious symptoms or with no obvious symptoms, and the accuracy rate of the judgment was 96% and 94% respectively. Based on spectrum index created and the classification results of sample health status, we selected the spectrum indexF685/F512,F685-F734,F715/F612to determine the health status of the sample and selected spectrum indexF685/F512,F734/F512,F685-F734,F715/F612as the inputs of quantitative analysis model. Regarding classification accuracy of prediction set as the evaluation criteria, we compared three data modeling methods: discriminant analysis, BP neural network and support vector machine. The results showed that the forecasting ability can reach 91.38% when the support vector machine was used as the modeling method for predicting the downy mildew disease. Use the method with chlorophyll fluorescence induced by laser to construct spectrum index to study the prediction of plant diseases, which has a good classification and identification effect.

Spectrum index; Disease prediction; Chlorophyll fluorescence; Support vector machine

2015-03-19，

2015-06-28

國(guó)家高技術(shù)研究發(fā)展計(jì)劃(863)項(xiàng)目(2012AA10A506-4, 2013AA103005-04), 中國(guó)博士后基金面上項(xiàng)目(2013M541308)和吉林大學(xué)基本科研業(yè)務(wù)費(fèi)項(xiàng)目(450060491471)資助

隋媛媛, 1985年生, 吉林大學(xué)生物與農(nóng)業(yè)工程學(xué)院講師 e-mail: suiyuan0115@126.com *通訊聯(lián)系人 e-mail: wqy414cn@yahoo.com.cn; haiye@jlu.edu.cn

S123

A

10.3964/j.issn.1000-0593(2016)06-1779-04