考慮日光溫室空間異質(zhì)性的黃瓜葉片濕潤時(shí)間估算模型研究

劉鑒 任愛新 劉冉 紀(jì)濤 劉慧英 李明

摘要： 葉片濕潤時(shí)間（LWD）是植物病害模型的重要輸入變量之一，它與許多葉部病原菌的侵染有關(guān)，影響病原侵染和發(fā)育速率。為了準(zhǔn)確地預(yù)測日光溫室黃瓜病害的發(fā)生時(shí)間和方位，本研究于2019年3月和9月在北京兩個(gè)不同類型日光溫室內(nèi)按照棋盤格法設(shè)置了9個(gè)采樣點(diǎn)部署溫濕光傳感器和目測葉片濕潤時(shí)間，每隔1 h采集一次溫度、濕度、輻射和葉片濕潤數(shù)據(jù)進(jìn)行定量估算分析。分析結(jié)果表明：BP神經(jīng)網(wǎng)絡(luò)模型在兩個(gè)溫室的試驗(yàn)條件下獲得了相似的準(zhǔn)確度（ACC為0.90和0.92），比相對濕度經(jīng)驗(yàn)?zāi)Ｐ凸浪闳~片濕潤時(shí)間的準(zhǔn)確度（ACC為0.82和0.84）更高，平均絕對誤差MAE分別為1.81和1.61 h，均方根誤差RSME分別為2.10和1.87，決定系數(shù)R2分別為0.87和0.85;在晴天和多云天氣條件下，葉片濕潤時(shí)間的空間分布總體規(guī)律是南部>中部>北部，南面是葉片濕潤平均時(shí)間（12.17 h/d）最長的區(qū)域;由東向西方向上，葉片濕潤時(shí)間的空間分布總體規(guī)律是東部>西部>中部，中部是葉片濕潤平均時(shí)間（4.83 h/d）最短的區(qū)域;雨天的葉片濕潤平均時(shí)間比晴天和多云長，春季和秋季分別為17.15和17.41 h/d。這些變化和差異對溫室黃瓜種群水平方向的葉片濕潤時(shí)間分布具有重要影響，與大多數(shù)高濕性黃瓜病害的發(fā)生規(guī)律密切相關(guān)。本研究為預(yù)測溫室黃瓜病害分布提供了有價(jià)值的參考，對控制病害流行和減少農(nóng)藥使用具有重要意義，提出的區(qū)域化分析溫室內(nèi)葉片濕潤時(shí)間的方法，可以為模擬日光溫室葉片濕潤時(shí)間的空間分布提供參考。

關(guān)鍵詞： 日光溫室;估算模型;區(qū)域化;葉片濕潤時(shí)間;BP神經(jīng)網(wǎng)絡(luò);傳感器

中圖分類號： R857.3，S24 文獻(xiàn)標(biāo)志碼： A 文章編號： 202001-SA003

引文格式：劉鑒， 任愛新， 劉冉， 紀(jì)濤， 劉慧英， 李明. 考慮日光溫室空間異質(zhì)性的黃瓜葉片濕潤時(shí)間估算模型研究[J]. 智慧農(nóng)業(yè)（中英文）， 2020， 2（2）： 135-144.

Citation：LIU Jian， REN Aixin， LIU Ran， JI Tao， LIU Huiying， LI Ming. Estimation model of cucumber leaf wetness duration considering the spatial heterogeneity of solar greenhouse[J]. Smart Agriculture， 2020， 2（2）： 135-144.

1 引 ?言

植物表面的水是決定許多葉部病原菌能否侵染及產(chǎn)孢的關(guān)鍵因素[1]。大多植物病害爆發(fā)的風(fēng)險(xiǎn)與葉片濕潤時(shí)間（Leaf Wetness Duration，LWD）成正比[2]，通常將LWD作為驅(qū)動變量模擬植物病害的發(fā)展進(jìn)程[3-5]。在日光溫室中，黃瓜葉片濕潤是由結(jié)露、棚膜滴水、上層葉向下層葉滴水等物理現(xiàn)象和吐水、蒸騰作用等生理現(xiàn)象造成的。根據(jù)Sentelhas等[6]和Gleason等[7]研究建議，每天的葉片濕潤時(shí)間誤差低于2 h可在病害預(yù)警系統(tǒng)中操作使用，原因是在一種作物的一個(gè)時(shí)期內(nèi)，每天測得的葉片濕潤時(shí)間的變化經(jīng)常超過2 h。由于冬季低溫寡照的災(zāi)害天氣影響溫室的通風(fēng)時(shí)間，極易在溫室內(nèi)形成高濕環(huán)境，會誘發(fā)黃瓜霜霉病等流行性病害[8]，如黃瓜霜霉菌孢子囊在15～20℃下保濕2 h即可完成侵染過程[9]。因此，葉片濕潤時(shí)間的研究一直是國內(nèi)外學(xué)者關(guān)注的熱點(diǎn)。

通過葉片濕潤傳感器測量葉片濕潤時(shí)間的精度易受葉片的類型、濕潤性和冠層結(jié)構(gòu)等影響[10]，而且缺乏統(tǒng)一的測量標(biāo)準(zhǔn)[11，12]，因此學(xué)者們開發(fā)了用于估計(jì)葉片濕潤時(shí)間的仿真模型，主要分為物理型和經(jīng)驗(yàn)型兩大類。物理型基于能量平衡原理，模擬冷凝和蒸發(fā)的過程[13];經(jīng)驗(yàn)型將葉片濕潤時(shí)間與環(huán)境變量相關(guān)聯(lián)，如Sentelhas等[6]將每天相對濕度等于或高于某一特定閾值（80%、85%、90%或95%）的小時(shí)數(shù)作為葉片濕潤時(shí)間，但該方法未考慮吐水等造成的葉片濕潤[14]。人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）屬于經(jīng)驗(yàn)?zāi)Ｐ?，常用來解決模式識別中的非線性映射或分類問題，具有自適應(yīng)和自學(xué)能力，廣泛地用于各種預(yù)測問題。Francl等[15]分析了BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）對不同環(huán)境因子的敏感程度，并將溫度、相對濕度、太陽輻射、降水、風(fēng)向和風(fēng)速作為輸入變量輸入到BPNN來估算小麥的葉片濕潤時(shí)間，表明最敏感的環(huán)境因素是濕度，其次是溫度和太陽輻射，葉片濕潤時(shí)間的平均絕對誤差為0.8～1.1 h;Dalla等[16]在意大利選取4個(gè)地區(qū)的溫度、風(fēng)速、蒸汽壓和降雨作為輸入變量輸入到遞歸神經(jīng)網(wǎng)絡(luò)（Recursive Neural Network，RNN）來估算葡萄的葉片濕潤時(shí)間，得出10min為判斷葉片干或濕的最佳閾值;Wang等[17]將相對濕度、露點(diǎn)溫度、蒸騰和輻射作為輸入變量輸入到BPNN來估算番茄和黃瓜的葉片濕潤時(shí)間，利用決策樹校準(zhǔn)后，平均絕對誤差為1.3 h。

上述研究中模型輸入的環(huán)境因子大多假設(shè)植株群體在水平方向處于同一生長環(huán)境中，模型只能模擬溫室內(nèi)一個(gè)位置的葉片濕潤時(shí)間，而實(shí)際的溫室內(nèi)在夜間南北向和東西向小氣候具有明顯的差異[18，19]，因此開展黃瓜群體水平方向葉片濕潤分布規(guī)律的研究對科學(xué)地管理溫室和預(yù)測病害分布具有重要意義。目前還未見溫室內(nèi)水平方向葉片濕潤時(shí)間分布模擬的報(bào)道。相對濕度經(jīng)驗(yàn)?zāi)Ｐ停≧elative Humidity Model，RHM）是一種所需參數(shù)少，且數(shù)據(jù)獲取較容易的模型;BPNN是一種基于數(shù)據(jù)的模型，它具有模型簡單，泛化能力較強(qiáng)和對數(shù)據(jù)具有良好的非線性擬合能力等優(yōu)勢，因此是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)。針對上述問題，本研究利用RHM和BPNN，分析空間（水平方向）異質(zhì)性對溫室黃瓜葉片濕潤時(shí)間的影響，為黃瓜病害預(yù)測模型的建立提供參考。

2 試驗(yàn)材料和方法

2.1 田間試驗(yàn)場地與材料

春季試驗(yàn)于2019年3月至6月在北京市昌平區(qū)小湯山國家精準(zhǔn)農(nóng)業(yè)示范基地（以下簡稱“小湯山”）（北緯40.18°，東經(jīng)116.47°）內(nèi)進(jìn)行。選取1間未重茬的日光溫室，日光溫室長、寬分別為50和7 m，以聚乙烯薄膜為采光材料。供試材料“京研迷你2號”黃瓜品種購于北京市農(nóng)林科學(xué)院蔬菜中心。2月26日施有機(jī)肥（1750 kg）和復(fù)合肥（7.5 kg）。同時(shí)做壟，壟寬80 cm，壟間距60 cm，南北走向，每壟2行，共32壟。定植前用煙劑（異丙威）熏棚。兩葉一心時(shí)定植于栽培壟（3月5日）。

秋季試驗(yàn)于2019年9月至11月在北京市房山區(qū)弘科農(nóng)場北京市農(nóng)林科學(xué)院示范基地（以下簡稱房山）（北緯39.63°，東經(jīng)115.97°）內(nèi)進(jìn)行，日光溫室長、寬分別為80和7 m，采光材料為聚乙烯薄膜。種植品種為“北農(nóng)佳秀”。8月25日施有機(jī)肥（1500 kg）。壟寬60 cm，壟間距60 cm，東西走向，每壟2行，共5壟。兩葉一心時(shí)定植于栽培壟（9月2日）。

小湯山溫室和房山溫室均為單屋面日光溫室，并且都未安裝加溫或降溫設(shè)備，灌溉方式均采用膜下滴灌。

2.2 傳感器布置

如圖1所示，在小湯山溫室和房山溫室中以棋盤格取樣法標(biāo)記9個(gè)數(shù)據(jù)采集點(diǎn)，分別命名為A，B，C，D，E，F(xiàn)，G，H和I。在每個(gè)觀測點(diǎn)距地面1m處安置1個(gè)小氣候監(jiān)測節(jié)點(diǎn)（ENVIROMONITOR，Davis Instruments， Hayward， California，USA）用于采集溫度、濕度、太陽輻射和葉片濕潤數(shù)據(jù)，設(shè)置每15 min記錄一次。溫室外放置1個(gè)與溫室內(nèi)相同的氣象站，命名為J，傳感器高度為1.5 m，記錄溫室外的天氣狀況，時(shí)間間隔與溫室內(nèi)保持一致。數(shù)據(jù)通過Wi-Fi傳輸下載收集。

2.3 葉片濕潤時(shí)間測量方法

葉片濕潤時(shí)間通過目測法獲得[14]。在溫室內(nèi)的每個(gè)小氣候監(jiān)測節(jié)點(diǎn)上設(shè)置1個(gè)定點(diǎn)掛牌觀測點(diǎn)（圖1），每個(gè)觀測點(diǎn)選擇長勢一致（株高和莖粗）的兩株黃瓜作為取樣株，按照觀測點(diǎn)序號依次對它們進(jìn)行觀測，最后取兩株黃瓜葉片濕潤時(shí)間的平均值;記錄每株黃瓜超過10%的葉片出現(xiàn)濕潤的時(shí)間點(diǎn)（Leaf Wetting，LW），超過90%的葉片變干的時(shí)間點(diǎn)（Leaf Drying，LD），LW-LD作為整株葉片的濕潤時(shí)間;晴天從18：30至次日每株黃瓜90%的葉片變干，多云和雨天等特殊天氣從18：30至次日18：30，每隔1 h記錄一次所有取樣株葉片的濕潤情況，每周觀測5～6 d，共獲得5616次數(shù)據(jù)集;為減少人為誤差，試驗(yàn)期間（26 d）內(nèi)的數(shù)據(jù)采集和記錄等操作均由1人嚴(yán)格按照以上試驗(yàn)標(biāo)準(zhǔn)執(zhí)行。因?yàn)橛^測到的葉片濕潤主要由吐水造成，所以以葉片邊緣或中部是否有小水珠出現(xiàn)作為濕潤的標(biāo)準(zhǔn)。由于黃瓜葉片大，水滴易聚集，導(dǎo)致葉表面的水蒸發(fā)慢，Arauz等[5]和Cohen[20]的研究表明5℃～25℃為孢子囊萌發(fā)和寄主侵染的主要溫度范圍，因此本研究以5℃～25℃范圍內(nèi)的葉片濕潤時(shí)間作為有效葉片濕潤時(shí)間。

2.4 模型的構(gòu)建

2.4.1 相對濕度經(jīng)驗(yàn)?zāi)Ｐ停≧HM）

參考RHM在病害預(yù)警系統(tǒng)中的應(yīng)用情況[14，17]，本試驗(yàn)選取的相對濕度閾值為89%，當(dāng)相對濕度≥89%認(rèn)為葉片濕潤;相反，則認(rèn)為葉片是干的。

2.4.2 BP神經(jīng)網(wǎng)絡(luò)模型（BPNN）

BPNN是一種常見的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，它的上一層和下一層之間的每個(gè)神經(jīng)元都相互連接（全連接），信息共享，通過多層疊加，將具體的任務(wù)分配到不同的層中，每層完成任務(wù)的一小部分。BPNN主要包括輸入層、隱含層和輸出層三層網(wǎng)絡(luò)結(jié)構(gòu)[21]。輸入和輸出都可以是多維的，輸入的數(shù)據(jù)通過神經(jīng)元處理，不同維度的不同信息在高層中被整合成一維向量，通過對高層數(shù)據(jù)的判斷得到最終的輸出結(jié)果。輸出的結(jié)果和預(yù)計(jì)值相比較，將比較的結(jié)果反向傳播到網(wǎng)絡(luò)中（反向傳播），對網(wǎng)絡(luò)權(quán)重進(jìn)行迭代更新，以此實(shí)現(xiàn)對模型參數(shù)更新直到達(dá)到預(yù)期結(jié)果或者完成所有迭代。全連接層對數(shù)據(jù)的處理是線性的，因此，往往在BPNN中添加非線性處理單元（激活函數(shù)）來提升整體網(wǎng)絡(luò)的非線性擬合能力。本研究中，輸入層為溫度、濕度、輻射和位置，隱含層為10層，輸出層為位置和葉片是否濕潤。位置以坐標(biāo)形式輸入。隱含層神經(jīng)元節(jié)點(diǎn)數(shù)的選擇參照經(jīng)驗(yàn)公式（1），選擇10個(gè)神經(jīng)元。輸入層歸一化訓(xùn)練中（公式（2））采用newff函數(shù)建立BPNN，設(shè)定網(wǎng)絡(luò)隱含層和輸出層的激活函數(shù)分別為tansig和logsig函數(shù)，網(wǎng)絡(luò)訓(xùn)練函數(shù)為traingdx，最后使用mapminmax語句將估計(jì)值進(jìn)行反歸一化。

2.6 數(shù)據(jù)分析

利用Matlab 2016a進(jìn)行BPNN建模，Microsoft Excel 2013軟件進(jìn)行數(shù)據(jù)整理分析。采用Duncan法對不同季節(jié)和天氣條件下溫室內(nèi)各方位葉片濕潤時(shí)間進(jìn)行顯著差異性分析，顯著水平為P0.05。

3 結(jié)果與分析

3.1 葉片濕潤判斷結(jié)果

BPNN和RHM的平均輸出結(jié)果（表1）表明，在774次測試數(shù)據(jù)估算小湯山溫室內(nèi)不同方位的葉片是否濕潤中，BPNN和RHM模擬到葉片出現(xiàn)濕潤且實(shí)際發(fā)生濕潤的次數(shù)分別為314次和224次，模擬到葉片未出現(xiàn)濕潤且實(shí)際也未發(fā)生濕潤的次數(shù)分別為383次和409次，模擬到葉片未出現(xiàn)濕潤但實(shí)際發(fā)生濕潤的次數(shù)分別為46次和136次，模擬到葉片出現(xiàn)濕潤但實(shí)際未發(fā)生濕潤次數(shù)分別為31次和5次，表明RHM容易出現(xiàn)誤判。平均BPNN真陽性比例（TP=0.87）高于平均RHM（TP=0.62），平均BPNN假陰性比例（FN=0.13）低于平均RHM（FN=0.38），BPNN比RHM預(yù)測發(fā)生葉片濕潤的準(zhǔn)確度更高，漏報(bào)率更低。平均BPNN假陽性比例（FP=0.07）高于平均RHM（FP=0.01），平均BPNN真陰性比例（TN=0.93）低于平均RHM（TN=0.99），平均BPNN預(yù)測未發(fā)生葉片濕潤的準(zhǔn)確度略低于平均RHM。平均BPNN準(zhǔn)確度（ACC=0.90）優(yōu)于平均RHM（ACC=0.82），平均BPNN約登指數(shù)（J=0.80）高于平均RHM（J=0.61），表明BPNN預(yù)測結(jié)果真實(shí)性高于RHM。

房山溫室與小湯山溫室模型輸出的結(jié)果相似，平均BPNN真陽性比例（TP=0.95）高于平均RHM（TP=0.64），平均BPNN真陰性比例（TN=0.90）低于平均RHM（TN=0.98），平均BPNN準(zhǔn)確度（ACC=0.92）優(yōu)于平均RHM（ACC=0.84），平均BPNN約登指數(shù)（J=0.85）高于平均RHM（J=0.62），平均BPNN在房山溫室的準(zhǔn)確性（ACC=0.92）高于小湯山溫室（ACC=0.90）。這說明BPNN預(yù)測的效果優(yōu)于RHM，BPNN在小湯山溫室和房山溫室表現(xiàn)較好，表明BPNN模型具有良好的泛化性，為實(shí)際生產(chǎn)中黃瓜葉片濕潤時(shí)間的模擬提供了有價(jià)值的參考。

3.2 葉片濕潤時(shí)間估算模型的效果評估

圖2為兩個(gè)溫室內(nèi)不同位置下BPNN和RHM估算值與實(shí)測值之間的葉片濕潤時(shí)間比較。在小湯山溫室和房山溫室的RHM結(jié)果中，數(shù)據(jù)偏離1：1直線，9個(gè)方位都存在超過連續(xù)2個(gè)小時(shí)以上葉片濕潤時(shí)間沒有被預(yù)測到的情況，最大偏差為12h。在BPNN結(jié)果中，小湯山和房山兩個(gè)溫室的預(yù)測值和實(shí)測值具有較好的對應(yīng)關(guān)系，能夠準(zhǔn)確地反映每晚葉片濕潤時(shí)間。

RHM和BPNN的統(tǒng)計(jì)指標(biāo)和誤差（表2）如下，小湯山溫室的BPNN決定系數(shù)（R2=0.87）優(yōu)于RHM（R2=0.24），BPNN預(yù)測效果（RMSE=2.10）好于RHM（RMSE=5.15），BPNN（MAE=1.81）相比于RHM（MAE=3.81）具有更小的誤差。房山溫室的BPNN決定系數(shù)（R2=0.85）大于RHM（R2=0.09），BPNN預(yù)測效果（RMSE=1.87）好于RHM（RMSE=4.58），BPNN（MAE=1.61）預(yù)測誤差低于RHM（MAE=3.36）。結(jié)果說明，只考慮相對濕度作為判斷葉片是否濕潤具有很大的局限性，而BPNN綜合考慮環(huán)境因子使得模型具備良好的估算能力。

3.3 不同位置和天氣對葉片濕潤時(shí)間的影響分析

選取2019年3月至11月中的18天（4月14、16、21日，晴天;4月15、18、29日，多云;4月19、20、24日，小雨;10月5、6、8日，晴天;10月7、9、10日，多云;10月4、12、13日，小雨）分析不同方位、天氣和季節(jié)對葉片濕潤時(shí)間的影響因素。

春季溫室內(nèi)不同天氣和位置的葉片濕潤時(shí)間的方差分析結(jié)果（圖3（a））表明，晴天條件下，日光溫室內(nèi)中部靠北和西北相比于東部、東南、中部靠南和西南的差異達(dá)極顯著水平;葉片濕潤時(shí)間小于2 h/d的位置有西北（0.67 h/d）、中部靠北（0.67 h/d）、中部（1.33 h/d）和東北（1.00 h/d），西南是葉片濕潤時(shí)間（14 h/d）最長的區(qū)域。多云天氣條件下，東北、中部和中部靠北相比于東部、東南和中部靠南具有極顯著差異;葉片濕潤時(shí)間小于2 h/d的位置有中部靠北（0 h/d）、中部（1.33 h/d）和東北（1.67 h/d），中部靠南是葉片濕潤時(shí)間（12 h/d）最長的區(qū)域。雨天的葉片濕潤時(shí)間相對于晴天和多云具有顯著差異，溫室內(nèi)所有位置的葉片濕潤時(shí)間均大于12 h/d，而晴天與多云之間無明顯差異。秋季溫室內(nèi)不同天氣和位置葉片濕潤時(shí)間的方差分析結(jié)果（圖3（b））表明，晴天天氣條件下，西南相比于西北和中部靠北具有極顯著差異;葉片濕潤時(shí)間小于2 h/d的位置有西北（0 h/d）、中部靠北（0 h/d），西南是葉片濕潤時(shí)間（10 h/d）最長的區(qū)域。雨天的葉片濕潤時(shí)間相比于多云也具有顯著差異，溫室內(nèi)所有位置的葉片濕潤時(shí)間均大于10 h/d。這說明晴天和多云天氣條件下，葉片濕潤時(shí)間的空間分布總體規(guī)律是南部>中部>北部，南面是葉片濕潤平均時(shí)間（12.17 h/d）最長的區(qū)域;由東向西方向上，葉片濕潤時(shí)間的空間分布總體規(guī)律是東部>西部>中部，中部是葉片濕潤平均時(shí)間（4.83 h/d）最短的區(qū)域。雨天的葉片濕潤時(shí)間比晴天和多云長，春季和秋季分別為17.15和17.41 h/d。

4 討論與結(jié)論

本試驗(yàn)基于BPNN模型估算小湯山和房山溫室內(nèi)各9個(gè)方位的葉片濕潤時(shí)間，平均絕對誤差MAE分別為1.81和1.61 h，與已報(bào)道的小麥[15]和番茄[17]有0.5 h左右的差距，原因可能是黃瓜葉片的濕潤特性與小麥和番茄不同[22]。盡管神經(jīng)網(wǎng)絡(luò)模型沒有明確環(huán)境因子和葉片濕潤時(shí)間之間的關(guān)系變化，但它強(qiáng)大的特征提取能力非常適合在數(shù)據(jù)挖掘時(shí)實(shí)現(xiàn)對輸出數(shù)據(jù)的非線性擬合，所以仍可用于估算葉片濕潤時(shí)間[23]。日光溫室內(nèi)夜間溫度由南向北逐漸升高，濕度與之相反，白天輻射由南向北依次減弱，中部溫度整天高于東西兩側(cè)[18，24]，本研究中濕潤時(shí)間的分布規(guī)律在南北向與溫度分布規(guī)律相反，與相對濕度和輻射分布規(guī)律相同，東西方向上中部溫度較高，濕潤時(shí)間較短，東部的溫室出入口使東部溫度低于西部，是東部濕潤時(shí)間高于西部的主要原因，雨天溫室內(nèi)相對濕度大，易造成葉片濕潤，表明日光溫室環(huán)境因子的差異性會影響葉片濕潤時(shí)間。本研究使用了2019年3月至11月小湯山和房山兩個(gè)溫室的環(huán)境數(shù)據(jù)作為BPNN模型的測試數(shù)據(jù)，模擬效果較好，但BPNN模型能否預(yù)測不同季節(jié)和不同品種的黃瓜葉片濕潤時(shí)間還需要進(jìn)一步驗(yàn)證，后續(xù)可利用不同品種、不同年份和不同地區(qū)的實(shí)際葉片濕潤時(shí)間驗(yàn)證模型，從而提高模型的泛化性[25，26]。

本研究闡述了葉片濕潤時(shí)間在水平方向上的異質(zhì)性，同一植株在垂直方向上的葉片濕潤時(shí)間也是不同的。目前已有王嬌嬌等[27]設(shè)計(jì)了作物長勢監(jiān)測儀數(shù)據(jù)采集與分析系統(tǒng)用于獲取作物采樣數(shù)據(jù);白青等[28]則研究了日光溫室黃瓜葉面積指數(shù)、葉面積密度、葉傾角和葉方位角等群體結(jié)構(gòu)要素在不同生育時(shí)期的變化，后續(xù)可利用作物長勢監(jiān)測系統(tǒng)采集日光溫室不同生育期的作物垂直群體結(jié)構(gòu)數(shù)據(jù)，分析BPNN對作物垂直群體結(jié)構(gòu)數(shù)據(jù)和環(huán)境因子的敏感程度，將主要因素輸入到BPNN模型中從而實(shí)現(xiàn)不同葉位濕潤時(shí)間的精準(zhǔn)預(yù)測。

本研究利用RHM和BPNN，分析了空間（水平方向）異質(zhì)性對溫室黃瓜葉片濕潤時(shí)間的影響，結(jié)果表明：BPNN模型在兩個(gè)溫室的試驗(yàn)條件下獲得了相似的準(zhǔn)確度（ACC為0.90和0.92），比RHM估算葉片濕潤時(shí)間的準(zhǔn)確度（ACC為0.82和0.84）更高，RSME分別為2.10和1.87，R2分別為0.87和0.85。晴天和多云天氣條件下，葉片濕潤時(shí)間的空間分布總體規(guī)律是南部>中部>北部，南面是葉片濕潤平均時(shí)間（12.17 h/d）最長的區(qū)域;由東向西方向上，葉片濕潤時(shí)間的空間分布總體規(guī)律是東部>西部>中部，中部是葉片濕潤平均時(shí)間（4.83 h/d）最短的區(qū)域。雨天的葉片濕潤時(shí)間比晴天和多云長，春季和秋季分別為17.15和17.41 h/d。這些變化和差異對溫室黃瓜種群水平方向的葉片濕潤時(shí)間分布有重要影響，與大多數(shù)高濕性黃瓜病害的發(fā)生規(guī)律密切相關(guān)。本試驗(yàn)為預(yù)測溫室黃瓜病害分布提供了有價(jià)值的參考，對控制病害流行和減少農(nóng)藥使用具有重要意義，提出的區(qū)域化分析溫室內(nèi)葉片濕潤時(shí)間的方法，可以為模擬日光溫室葉片濕潤時(shí)間的空間分布提供參考。

參考文獻(xiàn)：

[1] 李明， 趙春江， 李道亮， 等. 日光溫室黃瓜葉片濕潤傳感器校準(zhǔn)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2010， 26（2）： 224-230.

LI M， ZHAO C， LI D， et al. Calibration method of leaf wetness sensor for cucumber in solar greenhouse[J]. Transactions of the CSAE， 2010， 26（2）： 224-230.

[2] SENTELHAS P C， GILLESPIE T J， GLEASON M L， et al. Evaluation of a Penman-Monteith approach to provide “reference” and crop canopy leaf wetness duration estimates[J]. Agricultural and Forest Meteorology， 2006， 141（2-4）： 105-117.

[3] BERUSKI G C， GLEASON M L， SENTELHAS P C， et al. Leaf wetness duration estimation and its influence on a soybean rust warning system[J]. Australasian Plant Pathology， 2019， 48（4）： 395-408.

[4] IGARASHI W T， SILVA M A D A E， JOSE ALEXANDRE FRANTAN， et al. Estimation of soybean leaf wetness from meteorological variables[J]. Pesquisa Agropecuária Brasileira， 2018， 53（10）： 1087-1092.

[5] ARAUZ L F， NEUFELD K N， LLOYD A L， et al. Quantitative models for germination and infection of Pseudoperonospora cubensis in response to temperature and duration of leaf wetness[J]. Phytopathology， 2010， 100（9）： 959-967.

[6] SENTELHAS P C， MARTA A D， ORLANDINI S， et al. Suitability of relative humidity as an estimator of leaf wetness duration[J]. Agricultural and Forest Meteorology， 2008， 148（3）： 392-400.

[7] GLEASON M L， TAYLOR S E， LOUGHIN T M， et al. Development and validation of an empirical model to estimate the duration of dew periods[J]. Plant Disease， 1994， 78（10）： 1011-1016.

[8] 韓小爽， 李寶聚， 傅俊范. 李寶聚博士診病手記（二十七）黃瓜霜霉病病原菌的侵染過程、傳播途徑及防治對策[J]. 中國蔬菜， 2010（15）： 24-26.

HAN X， LI B， FU J. Doctor Li Baoju's Diagnosis Notes （27） Infection process， transmission route and control strategy of the pathogen of cucumber downy mildew[J]. China Vegetables， 2010（15）： 24-26.

[9] 石延霞， 李寶聚， 劉學(xué)敏. 黃瓜霜霉病菌侵染若干因子的研究[J]. 應(yīng)用生態(tài)學(xué)報(bào)， 2005， 16（2）： 257-261.

SHI Y， LI B， LIU X， Several infection factors of Pseudoperonospora cubensis[J]. Chinese Journal of Applied Ecology， 2005，16（2）： 257-261.

[10] LAU Y F， GLEASON M L， ZRIBA N， et al. Effects of coating， deployment angle， and compass orientation on performance of electronic wetness sensors during dew periods[J]. Plant Disease， 2000， 84（2）： 192-197.

[11] ROWLANDSON T， GLEASON M L， SENTELHAS P C， et al. Reconsideration leaf wetness duration determination for plant disease management[J]. Plant Disease， 2015， 99（3）： 310-319.

[12] MONTONE V O， FRAISSE C W， PERES N A， et al. Evaluation of leaf wetness duration models for operational use in strawberry disease-warning systems in four US states[J]. International Journal of Biometeorology， 2016， 60（11）： 1761-1774.

[13] MAGAREY R D， RUSSO J M， SEEM R C. Simulation of surface wetness with a water budget and energy balance approach[J]. Agricultural and Forest Meteorology， 2006， 139（3-4）： 373-381.

[14] 李明， 趙春江， 喬淑， 等. 基于冠層相對濕度的日光溫室黃瓜葉片濕潤時(shí)間估計(jì)模型[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2010， 26（9）： 286-291.

LI M， ZHAO C， QIAO S， et al. Estimation model of leaf Wetness duration based on canopy relative humidity for cucumbers in solar greenhouse[J]. Transactions of the CSAE， 2010， 26（9）：286-291.

[15] FRANCL L J， PANIGRAHI S. Artificial neural network models of wheat leaf wetness[J]. Agricultural and Forest Meteorology， 1997， 88（1-4）： 57-65.

[16] MARTA A D， VINCENZI M D， DIETRICH S， et al. Neural network for the estimation of leaf wetness duration： application to a Plasmopara viticola infection forecasting[J]. Physics and Chemistry of the Earth， Parts A/B/C， 2005， 30（1-3）： 91-96.

[17] WANG H， SANCHEZ-MOLINA J A， LI M， et al. Improving the performance of vegetable leaf wetness duration models in greenhouses using decision tree learning[J]. Water， 2019， 11（1）： ID 158.

[18] 白青， 王利， 張亞紅， 等. 日光溫室內(nèi)黃瓜群體結(jié)構(gòu)參數(shù)分析[J]. 北方園藝， 2008（5）： 75-79.

BAI Q， WANG L， ZHANG Y， et al. Analysis of cucumber canopy architectural parameters in sunlight greenhouse[J]. Northern Horticulture， 2008（5）： 75-79.

[19] 彭致功. 日光溫室滴灌條件下小氣候變化和植株蒸騰規(guī)律的研究[D]. 新鄉(xiāng)： 中國農(nóng)業(yè)科學(xué)研究院研究生院農(nóng)田灌溉研究所， 2002.

PENG Z. Study on the environmental factors and plant transpiration under drip irrigation in solar greenhouse[D]. Xinxiang： Farmland Irrigation Research Institute of CAAS， 2002.

[20] COHEN Y. The combined effects of temperature， leaf wetness， and inoculum concentration on infection of cucumbers with Pseudoperonospora cubensis[J]. Canadian Journal of Botany， 2011， 55（11）： 1478-1487.

[21] RUMELHART D E， HINTON G E， WILLIAMS R J. Learning representations by back propagating errors[J]. Nature， 1986， 323（6088）： 533-536.

[22] 石輝， 王會霞， 李秧秧. 植物葉表面的潤濕性及其生態(tài)學(xué)意義[J]. 生態(tài)學(xué)報(bào)， 2011， 31（15）： 4287-4298.

SHI H， WANG H， LI Y. Wettability on plant leaf surfaces and its ecological significance[J]. Acta Ecologica Sinica， 2011， 31（15）： 4287-4298.

[23] 溫永菁， 李春， 薛慶禹， 等. 基于逐步回歸與BP神經(jīng)網(wǎng)絡(luò)的日光溫室溫濕度預(yù)測模型對比分析[J]. 中國農(nóng)學(xué)通報(bào)， 2018， 34（16）： 115-125.

WEN Y， LI C， XUE Q， et al. Temperature and humidity prediction models in solar greenhouse： Comparative analysis based on stepwise regression and BP neural network[J]. Chinese Agricultural Science Bulletin， 2018， 34（16）： 115-125.

[24] 張艷. 土壤—空氣換熱器作用下日光溫室地表熱濕傳遞規(guī)律的研究[D]. 太原： 太原理工大學(xué)， 2018.

ZHANG Y. The study on surface heat and moisture law of air-to-earthheat exchanger in solar greenhouse[D]. Taiyuan： Taiyuan University of Technology， 2018.

[25] 紀(jì)濤， 劉慧英， 許建平， 等. 日光溫室黃瓜霜霉病初侵染階段關(guān)鍵預(yù)測因子的篩選及驗(yàn)證[J]. 中國瓜菜， 2018， 31（5）： 5-10.

JI T， LIU H， XU J， et al. Selecting and evaluation of key predictive factors in the primary infection stage of cucumber downy mildew in solar greenhouses[J]. China Cucurbits and Vegetables， 2018， 31（5）： 5-10.

[26] 朱春俠， 童淑敏， 胡景華， 等. BP神經(jīng)網(wǎng)絡(luò)在日光溫室濕度預(yù)測中的應(yīng)用[J]. 農(nóng)機(jī)化研究， 2012， 34（7）： 207-210.

ZHU C， TONG S， HU J， et al. Application of nerve network on forecasting temperature in sunlight greenhouse[J]. Journal of Agricultural Mechanization Research， 2012， 34（7）： 207-210.

[27] 王嬌嬌， 徐波， 王聰聰， 等. 作物長勢監(jiān)測儀數(shù)據(jù)采集與分析系統(tǒng)設(shè)計(jì)及應(yīng)用[J]. 智慧農(nóng)業(yè)， 2019， 1（4）： 91-104.

WANG J， XU B， WANG C， et al. Design and application of data acquisition and analysis system for CropSense[J]. Smart Agriculture， 2019， 1（4）： 91-104.

[28] 白青， 張亞紅， 傅理， 等. 日光溫室內(nèi)南北方向黃瓜群體結(jié)構(gòu)參數(shù)分析[J]. 西北農(nóng)業(yè)學(xué)報(bào)， 2010， 19（7）： 149-153.

BAI Q， ZHANG Y， FU L， et al. Analysis of cucumber canopy architectural parameters in the north and south directions in sunlight greenhouse[J]. Acta Agriculture Boreali-occidentalis Sinica， 2010， 19（7）： 149-153.

Abstract： Leaf wetness duration （LWD） is one of the important input variables of plant disease model， which is related to the infection of many leaf pathogens and affects the pathogen infection and developmental rate. In order to accurately predict the occurrence time and location of cucumber diseases in solar greenhouse， nine sampling points were set up in two different greenhouses located in Beijing in March and September 2019， according to the chessboard method to deploy temperature， humidity and light sensors. The fixed-point visual inspection method was used to collect the data every 1 h. From the leaf wetting to the leaf drying is the leaf wetness duration of a day. The relative humidity model （RHM） and back propagation neural network model （BPNN） were used to quantitatively estimate and analyze the LWD， the input layer of BPNN was temperature， humidity， radiation and location， the hidden layer was 10， and the output layer was location and whether the leaf surface was wet. The results showed that BPNN obtained similar accuracy ACC = 0.90 and 0.92 under the experimental conditions of two greenhouses， which was higher than RHM ACC = 0.82 and 0.84 in estimating of LWD， the mean absolute errors MAE were 1.81 h and 1.61 h， root mean squared error RMSE were 2.10 and 1.87， and coefficient of determination R2 were 0.87 and 0.85. In sunny and cloudy conditions， the spatial distribution of LWD was generally in the South > the Middle > the North. In the South， the average LWD was the longest， 12.17 h/d; from the east to the west， the spatial distribution of LWD was generally in the East > the West > the Middle. In the Middle， the average LWD was the shortest of 4.83h/d. The average LWD in rainy days was longer than that in sunny days and cloudy days， the average LWD in spring and autumn rainy days were 17.15 h/d and 17.41 h/d. These changes and differences had an important impact on the distribution of leaf wetness duration in the horizontal direction of cucumber population in greenhouse， which was closely related to the occurrence rule of most high humidity cucumber diseases. In this research， the method of regional analysis of the wet duration of cucumber leaves in greenhouse was proposed， which could provide a reference for simulating the spatial distribution of LWD in greenhouse， and also had a certain reference significance for the establishment of cucumber disease early warning system.

Key words： solar greenhouse; estimation model; regionalization; leaf wetness duration （LWD）; BPNN; sensor