基于近红外光谱的番茄黄化曲叶病抗病性识别研究

杨增冲++刘桂礼++李响

摘要：使用传统的聚合酶链反应技术检测番茄（Lycopersicon esculentum Mill.）植株是否有黄化曲叶病的抗病基因，进而确定植株是否具有抗病性；采集鉴定后的植株叶片的近红外漫反射光谱，采用多种方法对原始光谱进行预处理，并将不同预处理后的数据以及原始光谱作为输入，利用支持向量机建立抗病性的识别模型。采用标准正态变量变换和去趋势算法预处理后所建立的模型对预测集的识别准确率可以达到96.153 8%。表明通过近红外光谱技术可以识别番茄植株对黄化曲叶病是否具有抗病性。

关键词：番茄（Lycopersicon esculentum Mill.）黄化曲叶病；抗病性；近红外光谱；光谱预处理；支持向量机

中图分类号：S123；O657.33 文献标识码：A 文章编号：0439-8114（2017）05-0953-04

DOI：10.14088/j.cnki.issn0439-8114.2017.05.042

Study of Identifying Tomato Yellow Leaf Curl Disease Resistance Based on Near-infrared Spectroscopy Analysis Technique

YANG Zeng-chong，LIU Gui-li，LI Xiang

（School of Instrument Science and Opto Electronics Engineering，Beijing Information Science & Technology University，Beijing 100192，China）

Abstract： Gene of tomato（Lycopersicon esculentum Mill.） yellow leaf curl disease resistance has been detected by using polymerase chain reaction. This method is widely used to determine the disease resistance of tomato plants. The near-infrared diffuse reflectance spectroscopy of the identified samples was collected. Then the original data and the data preprocessed by different methods are used as the input of Support Vector Machine（SVM） to build the model to judge whether a tomato plant is resistant to the disease. Experimental results show that the model which used the correction method of Standard Normal Variate and Detrending had the best performance and the recognition accuracy of the test set can reach 96.153 8%. The result proves that it is feasible to identify the resistance of Tomato Yellow Leaf Curl Disease by Near Infrared Spectroscopy.

Key words： tomato （Lycopersicon esculentum Mill.） yellow leaf curl disease；resistance；NIR；spectral pretreatment；SVM

番茄（Lycopersicon esculentum Mill.）因其營养丰富、高产等特点已经成为中国乃至世界上的重要农作物之一。番茄黄化曲叶病（TYLCD）会使番茄幼苗生长缓慢甚至停滞，后期感染这种病也会影响果实的产量和品质，甚至造成绝收，已成为限制番茄生产的重要病害之一[1]。黄化曲叶病病毒（TYCLV）自然条件下通过烟粉虱传播和扩散，烟粉虱繁殖能力强，寄主广泛，易产生抗药性，难以从寄主方面阻止病毒的传播和扩散。再加上TYCLD易爆发、扩散迅速[2]，选取具有抗病性的番茄植株进行精细化的栽培能够保障植株后期的发育成长，保证番茄的产量和经济收益。

国内外已经针对番茄黄化曲叶病抗病性的鉴定提出了多种方法，如嫁接接种鉴定、农杆菌接种鉴定、基因枪轰击法接种鉴定、烟粉虱浸染接种、田间自然接种等[3]，但这些方法都相对费时或者费力，不能够在大面积栽培前鉴定幼苗的抗病性。目前，广泛采用的聚合酶链反应技术（PCR）经过对番茄DNA的提取、酶切、扩增、电泳、凝胶等步骤，能够标记识别番茄抗TYCLV的抗病基因，完成对植株是否具有抗TYCLV特性的识别，可靠性强[4]。虽然该技术结果可靠，但其过程繁琐，对操作者有较高的技术要求，所用部分试剂对人体有危害，仍然存在耗时、污染环境的缺陷。

近红外光谱分析技术（NIR）能够快速、无损、高效的对样品进行定量或定性地检测识别，已经被广泛用于食品、农业、医学等众多领域。在农业上，利用NIR技术可以测定油菜种子的品质[5]，实现对番茄叶片灰霉病病害程度准确、快速的检测[6]，识别番茄细菌性叶斑病的病害程度[7]。但在国内应用NIR识别番茄植株抗病性的研究鲜见报道。通过PCR技术检测番茄黄化曲叶病的抗病基因，证明抗病基因存在的同时，番茄抗病基因能够在其光谱特征曲线上体现[8]，通过光谱分析技术识别番茄光谱特征曲线上的差异，实现对番茄抗病性的识别。本研究以北京市农林科学院蔬菜研究中心培育的番茄品种佳红4号为对象，利用NIR技术对番茄黄化曲叶病抗病性进行初步分类研究，获得了良好的分类效果，为番茄选育提供一种新的有效检测手段，进而降低农户的种植风险，保障其经济收益。

1 材料与方法

1.1 试验材料

采用荷兰爱万提斯生产的近红外光谱仪，型号为AvaSpec-NIR256-1.7。配套使用的光源为Avalight-HAL，波长范围360～2 500 nm。采用的光纤是标准型反射探头FCR-71R400-2-ME，参考瓦为WS-2。所用番茄植株为北京市农林科学院蔬菜研究中心培育的佳红4号。

1.2 试验方法

1.2.1 光谱采集 植物的冠层叶片在很大程度上反映植株的健康程度，而抗病性检测是分析番茄植株因基因差异所产生的最本质的不同，无论冠层还是其他叶片，抗病与感病植株之间的差异都会存在。若只选取冠层叶片，很可能引入反映植株健康程度因子这一干扰，进而影响抗病性识别模型的识别准确度。基于这种考虑，在实际采集番茄叶片的反射光谱时，选取了番茄植株不同部位分别取样。

在正式开始采集番茄叶片光谱数据前，先对番茄植株进行PCR检测，判断植株有无抗性基因（Ty-1、Ty-3a），以此结果作为后期建模和预测时的分类真值。每棵植株不同部位取2～3片叶，共采集了234个叶片样本，其中具有抗性基因（抗病）的样本97个，缺少抗性基因（感病）的样本137个。鉴于番茄叶片也可近似的看作粉状材料，光谱采集采用漫反射测量法[9]。使用对应的软件在室温下采集叶片光谱时，积分时间设置为10 ms，平均扫描数设定为2（即所得光谱是2次扫描的平均值）。对已经测得的光谱按2∶1划分成训练集和预测集，其中训练集156个样本（感病样本92个、抗病样本64个），预测集78个样本（感病样本45个、抗病样本33个）。

1.2.2 数据预处理及建模 由于是漫反射测量，为了消除叶片化学成分浓度和物理特性（固体颗粒大小、表面散射、厚度等）的影响，采用多元散射校正法（MSC）、标准正态变量变换法（SNV）以及标准正态变量变换和去趋势算法（Detrending）相结合分别对原始光谱进行预处理，原始光谱以及预处理后的光谱如图1所示。利用支持向量机（SVM）模式识别与回归的软件包LIBSVM对训练集和预测集进行建模和预测[10]，选用径向基函数K（xi，xj）=exp{-？酌||xi-xj||2}为内核。SVM需要解决以下优化问题[11]：

■=■wTw+c■ξi

s.t.yi（wTxi+b）≥1-ξiξi≥0，i=1，…，n

其中，w为权向量，c为惩罚因子，ξ为松弛变量，xi为第i个番茄样本的近红外光谱数据，yi∈{-1，1}为第i个番茄样本的所属类别（感病样本为“-1”，抗病样本为“1”），b为分类阈值。惩罚因子c起到对错分样本惩罚程度控制的作用，实现在错分样本的比例和算法复杂程度之间的“折衷”，核函数参数 γ的改变实际上是隐含地改变映射函数，从而改变样本数据子空间分布的复杂程度[12]。

通过网格搜索法并结合交叉验证法选择出最佳的惩罚参数c和参数γ，基本思想是将训练集作为原始数据，利用K重交叉验证的方法得到分类准确率最高的那组c和γ作为最佳的参数。对于多组最佳参数的处理则是优先选取首次搜索到的参数c最小的那组，以有效地防止过学习状态的发生[13]。

2 结果与分析

将原始光谱以及不同预处理后的光谱作为输入，依据网格搜索法，得到最优的模型参数c、γ，并逐步减小搜索范围，取得不同范围下的最优参数，建立模型并对训练集和预测集进行预测，不同预处理后不同参数下，交叉验证后的平均分类准确率以及模型对训练集和预测集的预测结果如表1所示。由于SVM分类器的支持向量的数目越小，分类器的泛化能力就越强[14]，最后选择支持向量机分类误差较小且支持向量数目较少的SVM参数对应的分类模型为最优模型[15]。

由表1可以看出，以原始光谱数据输入建立的模型，支持向量数较大，预测准确率较低，对番茄TYCLV的抗病性识别度不高。经MSC处理后建立的模型，随着惩罚因子c的增加，支持向量数随之减少，预测的准确度有小范围的浮动，当c=256时，支持向量数最小，有出现过学习的趋势。与MSC预处理后的模型相比，SNV预处理后建立的模型，惩罚因子c有所减小，预测准确率有所提高。经人为选取c=16、γ=2邻近范围的其他参数组合后确认，模型在c=16、γ=2预测准确率最高。光谱经过SNV & Detrending处理后，无论是交叉验证后的平均分类准确率、支持向量数还是对训练集和预测集的分类准确率，都要优于前2种模型，模型的性能最好。所以对光谱的预处理方法，SNV & Detrending效果最好，以其预处理后的光谱输入构建的模型在c=84.448 5、γ=1时，对样本的分类最为准确，模型的泛化能力也最好。

3 小结与讨论

研究以PCR检测的TYCLV抗性结果为參考值，使用SNV与Detrending相结合的方法对光谱进行预处理，建立的SVM模型对番茄抗病性的预测准确率达到了96.153 8%，初步实现了利用近红外光谱分析技术识别番茄植株对于黄化曲叶病是否具有抗病性。由于抗性基因的不同、番茄品种的差异，番茄植株对TYCLV的抗病性表现也不同。下一步继续研究不同基因组合或不同品种下，利用NIR技术对TYCLV的抗病性识别效果。

参考文献：

[1] 叶青静，杨悦俭，王荣青，等.番茄抗黄化曲叶病育种研究进展[J].中国农业科学，2009，42（4）：1230-1242.

[2] 李小靖，叶志彪.我国番茄黄化曲叶病发生规律和研究进展[J].长江蔬菜，2010（2）：1-5.

[3] 叶青静，周国治，王荣青，等.番茄黄化曲叶病毒病抗性鉴定技术研究[J].分子植物育种，2011，9（2）：210-217.

[4] 魏光普，孙瑞芬，尚春明，等.番茄黄化曲叶病毒病抗病基因的PCR检测[J].种子，2013，32（8）：25-27，32.

[5] 朱文秀，赵继献，张 品，等.近红外光谱分析与化学方法检测油菜种子品质参数的比较[J].安徽农学通报（上半月刊），2010， 16（17）：182-183，185.

[6] 吴 迪，冯 雷，张传清，等.基于可见/近红外光谱技术的番茄叶片灰霉病检测研究[J].光谱学与光谱分析，2007，27（11）：2208-2211.

[7] JONES C D，JONES J B，LEE W S. Diagnosis of bacterial spot of tomato using spectral signatures[J].Computers and Electronics in Agriculture，2010，74（2）：329-335.

[8] 刘兴库，李兆华.多光谱诊断植物病害的初步研究[J].东北林业大学学报，1993，21（2）：106-110.

[9] 李民赞.光谱分析技术及其应用[M].北京：科学出版社，2006.

[10] 张小超，吴静珠，徐 云.近红外光谱分析技术及其在现代农业中的应用[M].北京：电子工业出版社，2012.

[11] HSU C W，CHAN C C，LIN C J. A practical guide to support vector classification[EB/OL].https：//www.csie.ntu.edu.tw/～cjlin/libsvm/，2010-04-15.

[12] 王 睿.关于支持向量机参数选择方法分析[J].重庆师范大学学报（自然科学版），2007，24（2）：36-38，42.

[13] 王小川，史 峰，郁 磊，等.MATLAB神经网络43个案例分析[M].北京：北京航空航天大学出版社，2013.

[14] NELLO CRISTIANINI，JOHN SHAWE-TAYLOR，李国正，等.支持向量机导论[M].北京：电子工业出版社，2004.

[15] 康松林，周玖玖，李 琼.入侵检测中支持向量机参数选择方法[J].中国科技论文，2012，7（10）：762-765.