基于叶绿素荧光光谱指数的温室黄瓜病害预测

隋媛媛, 王庆钰, 于海业

1. 吉林大学生物与农业工程学院, 吉林 长春 130022 2. 吉林大学植物科学学院, 吉林 长春 130022

基于叶绿素荧光光谱指数的温室黄瓜病害预测

隋媛媛1, 2, 王庆钰2*, 于海业1*

1. 吉林大学生物与农业工程学院, 吉林 长春 130022 2. 吉林大学植物科学学院, 吉林 长春 130022

温室蔬菜病害的发生及大面积流行严重影响设施农业的生产管理, 大大降低设施农业的经济效益。为了实现温室蔬菜病害的无损准确预测, 以黄瓜霜霉病害为例, 利用激光诱导叶绿素荧光构建光谱特征指数, 建立了温室蔬菜病害的预测模型。在试验中采用对比分析的方法, 通过对作物健康叶片接种病菌孢子, 分别采集健康、接种2 d、接种6 d和出现明显病症共4组试验样本的光谱曲线, 定性分析了荧光强度随叶片样本感染病菌孢子的变化规律； 利用光谱曲线不同波段峰谷值创建了叶绿素荧光光谱指数k1=F685/F512和k2=F734/F512, 根据数值的变化范围, 设定k1和k2分别为20和10时可以作为判断样本出现明显病症与未出现明显病症的特征值, 其判断的准确率分别达到96%和94%； 利用构建的光谱指数与样本健康状况的分类结果, 选择光谱指数F685/F512，F685-F734，F715/F612可以定性判断样本健康状况, 并选择光谱指数F685/F512，F734/F512，F685-F734，F715/F612作为建立定量分析模型的输入量, 以预测集分类准确率作为评价标准, 对比判别分析、BP神经网络、支持向量机三种数据建模方法, 结果表明支持向量机作为霜霉病害预测的建模方法, 其预测能力达到91.38%。利用激光诱导叶绿素荧光构建光谱指数方法, 研究植物病害的预测问题, 具有很好的分类和鉴别效果。

光谱指数； 病害预测； 叶绿素荧光； 支持向量机

引 言

高效生产、连作是导致设施农业病害呈逐年增加趋势的主要原因, 病害的发生严重影响设施内作物的产量与品质[1]。农药作为一种补偿性手段, 经常应用于农业生产中, 过量使用农药是影响食品安全、导致设施环境污染[2]的主要问题。温室作为设施农业的主要生产场所, 具有高湿度的特点, 主要生产对象为蔬菜、花卉等面向大众的食品或经济作物, 一旦发生病害, 流行极快, 造成的经济损失严重, 危害食品安全, 因此, 温室作物病害预测具有重要意义。

叶绿素荧光是植物体自身发射的内源光, 它与光合作用、热辐射一起分配着植物吸收到体内能量, 可以作为反映植物体光合作用的无损检测探针[3]。叶绿素荧光光谱是叶绿素荧光在波长维反映荧光强度变化的曲线, Lichtenthaler等的研究结果表明, 不同波段荧光与叶片的组织结构有关, 如蓝绿光区域的荧光主要来自于主、侧叶脉, 而红光区域与远红光区域荧光主要来自非叶脉区[4]。近几年国内外的专家学者将叶绿素荧光应用于植物体受到病虫害侵染的规律研究中, 试图利用叶绿素荧光反演植物体受到病虫害侵染的情况。Manda的研究结果表明霜霉病害可引起作物叶绿素荧光指数Fv/Fm的变化[5]；Christen等利用叶片的快速叶绿素荧光检测葡萄感染Esca病的现象, 可在病症发生前2个月进行较好预测[6], 也有学者利用快速叶绿素荧光来评估大豆对环境条件的耐受性[7]；Benjamin利用叶绿素荧光来评价作物受到花叶病的侵染程度[8]；Adnan采用蓝色LED光源诱导的叶绿素荧光, 观察棉桃感染虫害后细胞不同结构的损害情况[9]；Schmitz等利用激光诱导和脉冲调节激发叶绿素荧光检测甜菜受到异皮线虫的感染现象[10]。

本研究以黄瓜霜霉病害为例, 构建筛选叶绿素荧光光谱特征指数, 研究叶绿素荧光光谱特征指数预测温室蔬菜病害问题, 旨在植物出现明显病症前达到良好预测效果, 减少农药等生产成本的投入, 保证食品安全, 具有重要意义。

1 实验部分

1.1 材料与方法

研究于2014年6月—9月在吉林大学日光温室内进行, 选用的黄瓜品种为“长春密刺王”, 属于易感病品种； 霜霉病菌采摘自温室内自然发病的叶片, 采摘后将叶片剪掉, 以隔离病源防止病菌大面积流行。

1.2 荧光光谱试验

在黄瓜健康植株100株同一生长位置接种霜霉病菌, 常规管理。在叶片同一部位(主叶脉右侧叶肉中心位置)进行光谱采集试验。根据接菌后叶片的发病情况, 去除试验人为因素影响, 选择50片叶片作为试验样本, 分别采集健康叶片、接种病菌2d和6d以及叶片表面出现明显病症的叶绿素荧光光谱数据进行对比分析。

1.3 仪器

研究采用荷兰AVANTES公司生产的AvaSpec-2048-USB2型光纤光谱仪作为荧光光谱接收器, 贴于叶片表面测量, 接收光谱范围为331.010～1 099.970nm, 分辨率为2.1nm,VA光栅300线·mm-1, 光谱采集间隔时间设为1.1ms。采用激光作为激发光源, 其发射中心波长为473nm, 强度为7.5mW, 贴于叶片表面垂直照射。激发光源与光谱接收器成45°角。

2 结果与讨论

2.1 荧光光谱强度变化

在无外在因素干扰下, 荧光光谱强度的变化与植物细胞内分子的振动密切相关, 强度的强弱取决于分子振动的数量和幅度。如图1所示, 健康叶片接种病菌后, 光谱强度表现出先上升后下降的趋势。当病菌孢子侵染叶片并在其体内存活生长繁殖时, 受到叶片自身免疫力的保护, 抗氧化酶活性增强, 细胞活性增强, 荧光强度增强； 伴随着病原菌的生长繁殖细胞出现凋亡, 细胞生命活性降低, 荧光强度随之降低, 荧光光谱强度值的变化符合植物生理学变化的规律。

图1 接种霜霉病原体后样本叶绿素荧光强度变化

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

荧光光谱强度随病菌成活繁殖情况变化, 通过对比可以定性判断植物感染病菌规律, 但定量灵敏度不佳, 因此需要进一步对荧光光谱进行定量判断。

2.2 光谱特征指数构建

荧光光谱数据量冗多, 若以整条光谱曲线作为输入量, 计算量大, 有研究表明, 病害胁迫对光谱及叶绿素荧光特征有一定的影响[11], 因此筛选具有代表性的光谱特征点。从图1可以看出, 荧光光谱曲线出现了三峰二谷共5个特征点, 其峰谷强度的发射中心波长大约位于512，685，734，612，715 nm附近, 分别标记为F512，F685，F734，F612，F715。

分别构建筛选对于黄瓜健康状况表征较为明显的光谱指数, 如图2(a)和(b)所示, 构建的光谱指数中F685/F512和F734/F512对于未出现病症与出现明显病症的叶片分类规律较为明显, 分别设定k1=F685/F512和k2=F734/F512, 根据统计数据结果, 设定k1=20和k2=10, 其分类准确率分别达到96%和94%, 因此将k1=20和k2=10作为判别出现明显病症叶片样本的特征值,k1判别的准确率优于k2。

图2 不同光谱指数的分类结果

利用波峰值构建光谱指数还包括F685，F734，F685/F734，F685+F734，F685-F734, 其中F685/F734值均处于0～2之间, 分类效果不明显； 如图2(c)所示, 在剩余4个光谱指数对于健康叶片与接种2和6 d的分类趋势相似, 根据设定k值的不同, 光谱指数的分类准确率分别为75%，82%，68%，85%, 其中F685-F734分类精度较高(4 000

此外还利用光谱波谷值构建光谱指数F715+F612，F715-F612，F715/F612, 其中F612相对于F715强度较小,F715+F612与F715-F612判别差异不明显, 只采用F715-F612进行对比, 如表1所示, 其分类准确率达到81%, 采用F715/F612对于出现病症与未出现病症样本的分类效率较为理想, 准确率达到92.4%。

表1 利用光谱指数对黄瓜健康状况的分类准确率

对于不同健康状况的叶片样本, 构建的光谱指数具有不同的分类能力, 如F685/F512，F734/F512，F715/F612对于样本是否出现病症具有良好的分类能力；F685-F734对于样本是否受到侵染分类效果较好。分别将光谱指数F685/F512,F715/F612,F685-F734作为一个输入量, 其分类效果如图3所示。

图3 四组样本的光谱指数分类效果

2.3 光谱指数分类模型

构建光谱指数可以定性判断试验样本的分类, 而采用单一的光谱指数很难达到理想的效果, 因此选择多光谱指数建立定量分析模型。

根据表1的计算结果, 筛选光谱指数F685/F512，F685-F734，F715/F612，F734/F512作为建模的输入量, 建立模型进行定量判别。

判别分析(DA)是一种判别样品所属类别的一种统计方法, 是在已知样本分成若干组别, 在此基础上根据某些准则建立判别式进而判断未知样本的归属问题； BP 神经网络(BP)是光谱分析中常用的方法, 是一种多层前馈型神经网络, 其神经元的传递函数是S型函数, 可以实现从输入到输出的任意非线性映射； 支持向量机(support vector machine, SVM)是采用结构风险最小化(SRM)原理, 在高维特征空间使用线性函数假设空间的学习系统, 由最优化理论的学习算法训练, 实现了由统计学习理论导出的学习偏置[12]。

分别利用DA，BP，LSSVM数据处理方法对光谱指数建立定量分类模型, 设定训练集每组35个样本, 共140个； 测试集每组15个样本, 在计算过程中去除接种6 d、出现明显病症样本集中的奇异点各1个, 共计58个, 所得预测集的准确率如表2所示, 以预测集计算结果的准确率作为评价标准, 选择LSSVM作为建立模型的方法。

表2 不同建模方法比较

3 结 论

随着病菌孢子在植物体内的存活及繁殖, 植物体内光合速率、呼吸速率、水分含量及酶活性等均会表现出不同的变化, 叶绿素荧光绿光、红光、远红光波段的光谱指数与植物的光合作用、水分含量息息相关, 构建与病害相关的光谱指数, 利用数据挖掘方法以光谱指数微观表征生理生化指标, 实现了对叶片健康状况的合理分类。

利用激光诱导叶绿素荧光构建光谱指数研究温室作物病害的预测问题, 定性分析了感染病菌不同阶段的作物荧光光谱强度, 通过对光谱特征参数的变换组合, 筛选能够反映4组试验样本的光谱指数, 并将其作为建立定量分析模型的输入量, 利用判别分析、BP神经网络和支持向量机三种建模方法对比分析, 其中支持向量机建模方法的预测能力达到91.38%。该模型的预测效果较好, 可以用于指导生产, 为温室作物病害的无损检测提供了新的方法。

[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(陈 兵, 王克如, 李少昆, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2011, 27(9): 86.

[12] Cristianini. N, Shawe-Taylor. J. An Introduction to Support Vector Machines and Other Kerner-Based Learning Methods(支持向量机导论). Beijing: Publishing House of Electronics Industry(北京： 电子工业出版社), 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

国家高技术研究发展计划(863)项目(2012AA10A506-4, 2013AA103005-04), 中国博士后基金面上项目(2013M541308)和吉林大学基本科研业务费项目(450060491471)资助

隋媛媛, 1985年生, 吉林大学生物与农业工程学院讲师 e-mail: suiyuan0115@126.com *通讯联系人 e-mail: wqy414cn@yahoo.com.cn; haiye@jlu.edu.cn

S123

A

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