隋媛媛, 王慶鈺, 于海業(yè)
1. 吉林大學生物與農(nóng)業(yè)工程學院, 吉林 長春 130022 2. 吉林大學植物科學學院, 吉林 長春 130022
基于葉綠素熒光光譜指數(shù)的溫室黃瓜病害預測
隋媛媛1, 2, 王慶鈺2*, 于海業(yè)1*
1. 吉林大學生物與農(nóng)業(yè)工程學院, 吉林 長春 130022 2. 吉林大學植物科學學院, 吉林 長春 130022
溫室蔬菜病害的發(fā)生及大面積流行嚴重影響設施農(nóng)業(yè)的生產(chǎn)管理, 大大降低設施農(nóng)業(yè)的經(jīng)濟效益。為了實現(xiàn)溫室蔬菜病害的無損準確預測, 以黃瓜霜霉病害為例, 利用激光誘導葉綠素熒光構建光譜特征指數(shù), 建立了溫室蔬菜病害的預測模型。在試驗中采用對比分析的方法, 通過對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組試驗樣本的光譜曲線, 定性分析了熒光強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)建了葉綠素熒光光譜指數(shù)k1=F685/F512和k2=F734/F512, 根據(jù)數(shù)值的變化范圍, 設定k1和k2分別為20和10時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, 其判斷的準確率分別達到96%和94%; 利用構建的光譜指數(shù)與樣本健康狀況的分類結果, 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, 以預測集分類準確率作為評價標準, 對比判別分析、BP神經(jīng)網(wǎng)絡、支持向量機三種數(shù)據(jù)建模方法, 結果表明支持向量機作為霜霉病害預測的建模方法, 其預測能力達到91.38%。利用激光誘導葉綠素熒光構建光譜指數(shù)方法, 研究植物病害的預測問題, 具有很好的分類和鑒別效果。
光譜指數(shù); 病害預測; 葉綠素熒光; 支持向量機
高效生產(chǎn)、連作是導致設施農(nóng)業(yè)病害呈逐年增加趨勢的主要原因, 病害的發(fā)生嚴重影響設施內(nèi)作物的產(chǎn)量與品質[1]。農(nóng)藥作為一種補償性手段, 經(jīng)常應用于農(nóng)業(yè)生產(chǎn)中, 過量使用農(nóng)藥是影響食品安全、導致設施環(huán)境污染[2]的主要問題。溫室作為設施農(nóng)業(yè)的主要生產(chǎn)場所, 具有高濕度的特點, 主要生產(chǎn)對象為蔬菜、花卉等面向大眾的食品或經(jīng)濟作物, 一旦發(fā)生病害, 流行極快, 造成的經(jīng)濟損失嚴重, 危害食品安全, 因此, 溫室作物病害預測具有重要意義。
葉綠素熒光是植物體自身發(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探針[3]。葉綠素熒光光譜是葉綠素熒光在波長維反映熒光強度變化的曲線, Lichtenthaler等的研究結果表明, 不同波段熒光與葉片的組織結構有關, 如藍綠光區(qū)域的熒光主要來自于主、側葉脈, 而紅光區(qū)域與遠紅光區(qū)域熒光主要來自非葉脈區(qū)[4]。近幾年國內(nèi)外的專家學者將葉綠素熒光應用于植物體受到病蟲害侵染的規(guī)律研究中, 試圖利用葉綠素熒光反演植物體受到病蟲害侵染的情況。Manda的研究結果表明霜霉病害可引起作物葉綠素熒光指數(shù)Fv/Fm的變化[5];Christen等利用葉片的快速葉綠素熒光檢測葡萄感染Esca病的現(xiàn)象, 可在病癥發(fā)生前2個月進行較好預測[6], 也有學者利用快速葉綠素熒光來評估大豆對環(huán)境條件的耐受性[7];Benjamin利用葉綠素熒光來評價作物受到花葉病的侵染程度[8];Adnan采用藍色LED光源誘導的葉綠素熒光, 觀察棉桃感染蟲害后細胞不同結構的損害情況[9];Schmitz等利用激光誘導和脈沖調(diào)節(jié)激發(fā)葉綠素熒光檢測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, 構建篩選葉綠素熒光光譜特征指數(shù), 研究葉綠素熒光光譜特征指數(shù)預測溫室蔬菜病害問題, 旨在植物出現(xiàn)明顯病癥前達到良好預測效果, 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。
1.1 材料與方法
研究于2014年6月—9月在吉林大學日光溫室內(nèi)進行, 選用的黃瓜品種為“長春密刺王”, 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
在黃瓜健康植株100株同一生長位置接種霜霉病菌, 常規(guī)管理。在葉片同一部位(主葉脈右側葉肉中心位置)進行光譜采集試驗。根據(jù)接菌后葉片的發(fā)病情況, 去除試驗人為因素影響, 選擇50片葉片作為試驗樣本, 分別采集健康葉片、接種病菌2d和6d以及葉片表面出現(xiàn)明顯病癥的葉綠素熒光光譜數(shù)據(jù)進行對比分析。
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, 光譜采集間隔時間設為1.1ms。采用激光作為激發(fā)光源, 其發(fā)射中心波長為473nm, 強度為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。
2.1 熒光光譜強度變化
在無外在因素干擾下, 熒光光譜強度的變化與植物細胞內(nèi)分子的振動密切相關, 強度的強弱取決于分子振動的數(shù)量和幅度。如圖1所示, 健康葉片接種病菌后, 光譜強度表現(xiàn)出先上升后下降的趨勢。當病菌孢子侵染葉片并在其體內(nèi)存活生長繁殖時, 受到葉片自身免疫力的保護, 抗氧化酶活性增強, 細胞活性增強, 熒光強度增強; 伴隨著病原菌的生長繁殖細胞出現(xiàn)凋亡, 細胞生命活性降低, 熒光強度隨之降低, 熒光光譜強度值的變化符合植物生理學變化的規(guī)律。
圖1 接種霜霉病原體后樣本葉綠素熒光強度變化
Fig.1 Changes of chlorophyll fluorescence intensity of the samples after being inoculated with downy mildew pathogen
熒光光譜強度隨病菌成活繁殖情況變化, 通過對比可以定性判斷植物感染病菌規(guī)律, 但定量靈敏度不佳, 因此需要進一步對熒光光譜進行定量判斷。
2.2 光譜特征指數(shù)構建
熒光光譜數(shù)據(jù)量冗多, 若以整條光譜曲線作為輸入量, 計算量大, 有研究表明, 病害脅迫對光譜及葉綠素熒光特征有一定的影響[11], 因此篩選具有代表性的光譜特征點。從圖1可以看出, 熒光光譜曲線出現(xiàn)了三峰二谷共5個特征點, 其峰谷強度的發(fā)射中心波長大約位于512,685,734,612,715 nm附近, 分別標記為F512,F(xiàn)685,F(xiàn)734,F(xiàn)612,F(xiàn)715。
分別構建篩選對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, 構建的光譜指數(shù)中F685/F512和F734/F512對于未出現(xiàn)病癥與出現(xiàn)明顯病癥的葉片分類規(guī)律較為明顯, 分別設定k1=F685/F512和k2=F734/F512, 根據(jù)統(tǒng)計數(shù)據(jù)結果, 設定k1=20和k2=10, 其分類準確率分別達到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判別的準確率優(yōu)于k2。
圖2 不同光譜指數(shù)的分類結果
利用波峰值構建光譜指數(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個光譜指數(shù)對于健康葉片與接種2和6 d的分類趨勢相似, 根據(jù)設定k值的不同, 光譜指數(shù)的分類準確率分別為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建光譜指數(shù)F715+F612,F(xiàn)715-F612,F(xiàn)715/F612, 其中F612相對于F715強度較小,F715+F612與F715-F612判別差異不明顯, 只采用F715-F612進行對比, 如表1所示, 其分類準確率達到81%, 采用F715/F612對于出現(xiàn)病癥與未出現(xiàn)病癥樣本的分類效率較為理想, 準確率達到92.4%。 表1 利用光譜指數(shù)對黃瓜健康狀況的分類準確率 對于不同健康狀況的葉片樣本, 構建的光譜指數(shù)具有不同的分類能力, 如F685/F512,F(xiàn)734/F512,F(xiàn)715/F612對于樣本是否出現(xiàn)病癥具有良好的分類能力;F685-F734對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 構建光譜指數(shù)可以定性判斷試驗樣本的分類, 而采用單一的光譜指數(shù)很難達到理想的效果, 因此選擇多光譜指數(shù)建立定量分析模型。 根據(jù)表1的計算結果, 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)計方法, 是在已知樣本分成若干組別, 在此基礎上根據(jù)某些準則建立判別式進而判斷未知樣本的歸屬問題; BP 神經(jīng)網(wǎng)絡(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, 其神經(jīng)元的傳遞函數(shù)是S型函數(shù), 可以實現(xiàn)從輸入到輸出的任意非線性映射; 支持向量機(support vector machine, SVM)是采用結構風險最小化(SRM)原理, 在高維特征空間使用線性函數(shù)假設空間的學習系統(tǒng), 由最優(yōu)化理論的學習算法訓練, 實現(xiàn)了由統(tǒng)計學習理論導出的學習偏置[12]。 分別利用DA,BP,LSSVM數(shù)據(jù)處理方法對光譜指數(shù)建立定量分類模型, 設定訓練集每組35個樣本, 共140個; 測試集每組15個樣本, 在計算過程中去除接種6 d、出現(xiàn)明顯病癥樣本集中的奇異點各1個, 共計58個, 所得預測集的準確率如表2所示, 以預測集計算結果的準確率作為評價標準, 選擇LSSVM作為建立模型的方法。 表2 不同建模方法比較 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表現(xiàn)出不同的變化, 葉綠素熒光綠光、紅光、遠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, 構建與病害相關的光譜指數(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, 實現(xiàn)了對葉片健康狀況的合理分類。 利用激光誘導葉綠素熒光構建光譜指數(shù)研究溫室作物病害的預測問題, 定性分析了感染病菌不同階段的作物熒光光譜強度, 通過對光譜特征參數(shù)的變換組合, 篩選能夠反映4組試驗樣本的光譜指數(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)絡和支持向量機三種建模方法對比分析, 其中支持向量機建模方法的預測能力達到91.38%。該模型的預測效果較好, 可以用于指導生產(chǎn), 為溫室作物病害的無損檢測提供了新的方法。 [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)工程學報), 2011, 27(9): 86. [12] Cristianini. N, Shawe-Taylor. J. An Introduction to Support Vector Machines and Other Kerner-Based Learning Methods(支持向量機導論). 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 國家高技術研究發(fā)展計劃(863)項目(2012AA10A506-4, 2013AA103005-04), 中國博士后基金面上項目(2013M541308)和吉林大學基本科研業(yè)務費項目(450060491471)資助 隋媛媛, 1985年生, 吉林大學生物與農(nóng)業(yè)工程學院講師 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)06-1779-043 結 論