基于熒光光譜分析的玉米早期斑病害預(yù)測模型

王洪健, 于海業(yè), 高山云, 李金權(quán), 劉國鴻, 于 躍, 李曉凱, 張 蕾, 張 昕, 盧日峰, 隋媛媛*

1. 吉林大學(xué)生物與農(nóng)業(yè)工程學(xué)院, 吉林 長春 130022 2. 吉林大學(xué)公共衛(wèi)生學(xué)院, 吉林 長春 130021

引 言

據(jù)國際糧農(nóng)組織(IAEA)估計, 全球每年有多達40%的作物因遭受病蟲害而損失。 每年由病害造成全球農(nóng)作物產(chǎn)量損失超過2 200億美元, 約占糧食總產(chǎn)量的14%, 而由蟲害造成的損失至少為700億美元, 約占糧食總產(chǎn)量的10%[1]。 玉米是畜牧業(yè)、 養(yǎng)殖業(yè)的主要飼料來源, 也是食品、 醫(yī)療衛(wèi)生、 輕工業(yè)、 化工業(yè)等行業(yè)不可或缺的原料之一。 《2020中國統(tǒng)計年鑒》顯示, 2019年我國玉米種植面積為4 128.4萬公頃, 產(chǎn)量為26 077.9萬噸, 占谷物總產(chǎn)量的39.28%, 已躍然成為我國第一大糧食作物。 玉米斑病是玉米大、 小斑病的總稱, 是由大斑病凸臍蠕孢菌(Exserohilumturcicum)與玉蜀黍平臍蠕孢菌(Bipolarismaydis)侵染引起的葉片病害, 一種常見的嚴重疾病, 在全球玉米主產(chǎn)區(qū)均有爆發(fā)。 在我國東北、 西北春玉米主產(chǎn)區(qū)、 華北夏玉米主產(chǎn)區(qū)及南方高海拔山區(qū)該病害尤為嚴重, 主要造成果穗減少、 種子干癟、 千粒重降低等影響。

玉米斑病害在整個生長周期均會發(fā)生, 苗期發(fā)病幾率較小, 拔節(jié)期、 大喇叭口期、 抽雄期、 灌漿期、 乳熟期、 成熟期可完成多次侵染, 抽雄后病情逐漸加重, 傳染速度極快, 范圍廣, 早期不易發(fā)現(xiàn), 危害極大。 染病首年可減產(chǎn)約10%, 周年發(fā)病減產(chǎn)高達20%～30%, 嚴重威脅其品質(zhì)與產(chǎn)量[2]。 傳統(tǒng)的斑病害主要靠人工識別, 存在工作量大、 效率低等問題, 對病害的診斷具有一定的主觀性, 且存在早期發(fā)病識別不及時的現(xiàn)象, 無法滿足大規(guī)模精準診斷以及防范的需求[3-4]。 隨著光譜技術(shù)的迅速發(fā)展, 國內(nèi)外專家學(xué)者利用熒光光譜技術(shù)研究植物葉片病害規(guī)律, 進而反演葉片病害侵染情況。 葉綠素熒光光譜是一種可見光波段, 不同波段對植物水分和營養(yǎng)脅迫的生理狀況反映不同, 可分析出其中包含的豐富的植物生長信息, 是研究植物生長信息及其與環(huán)境關(guān)系的靈敏探針。

基于熒光光譜分析植物病害的方法大致主要分為兩類。 一類是基于熒光光譜提取病害敏感波段和建立光譜病害指數(shù)。 Francisc[5]等采集了燕麥藍、 綠、 紅、 遠紅四種單色光葉綠素熒光光譜后, 對其進行分析, 結(jié)果表明在光合作用的過程中紅光與藍光起促進作用。 Simone Graeff[6]等對小麥白粉病葉片不同波長范圍(380.000～1 300.000 nm)的反射率與白粉病的相關(guān)關(guān)系進行了分析, 提取了小麥白粉病的敏感波段510.000～780.000 nm。 Davoud[7]等建立了小麥葉銹病兩種光譜病害指數(shù)LRDSI_1和LRDSI_2, 估計值與觀察值之間的R2高達0.94。 Kamlesh[8]等采用紅邊和神經(jīng)網(wǎng)絡(luò)技術(shù)對油棕橙斑病進行了檢測, 并對四個著名的紅邊光譜指數(shù)SR、 RENDVI、 EVI2和Cired edge進行了評估。 Mohamad[9]等建立了六種油棕幼苗靈芝病害早期檢測光譜指標Ratio1、 Ratio2、 Ratio3、 MSR7、 MSR15、 MSR19, 利用回歸技術(shù)對光譜指標與葉片總?cè)~綠素(TLC)之間的關(guān)系進行了分析。

另一類是與植物生理指標建立反演模型。 楊昊諭[10]等通過對黃瓜葉綠素熒光光譜進行分析, 選取熒光參數(shù)F732/F685與葉綠素相對含量, 對其建立模型, 該模型準確地反映了葉綠素相對含量與葉綠素熒光參數(shù)之間的關(guān)系。 有研究通過對冬小麥8個不同生長期葉片的反射光譜特性, 基于反射光譜與冬小麥葉片葉綠素含量建立預(yù)測模型, 該模型可以精準預(yù)測冬小麥葉片葉綠素含量。 楊艷陽[11]等從葉綠素熒光光譜分析的角度研究茶鮮葉葉綠素含量與熒光光譜之間的關(guān)系, 在修正了葉片含水率的基礎(chǔ)上, 建立了茶鮮葉含水率的葉綠素相對含量與葉綠素熒光強度的數(shù)學(xué)回歸模型。 Bassanezi[12]等利用染病葉片的健康部分熒光光譜評價葉片的染病情況, 采集銹斑病、 葉角斑病和炭疽病病變過程中的葉綠素熒光光譜, 發(fā)現(xiàn)三種病害都降低了葉片光系統(tǒng)Ⅱ的最大熒光強度和最佳量子產(chǎn)率。 Cherif[13]等以西紅柿幼苗為試驗對象, 研究了鋅脅迫對植物葉綠素熒光的影響, 結(jié)果表明: 當熒光參數(shù)比F690/F735降低時, 表明受到了鋅脅迫, 光合作用量子轉(zhuǎn)換過程會受到影響。 Mandai[14]的研究結(jié)果表明霜霉病害可引起作物葉綠素熒光動力學(xué)參數(shù)Fv/Fm的變化。

盡管國內(nèi)外學(xué)者在環(huán)境脅迫、 病蟲害識別、 生理信息監(jiān)測做了大量研究, 但多數(shù)都是基于發(fā)病后對病斑面積的研究, 鮮有對潛伏期斑病葉片生理信息及熒光光譜的研究。 本研究基于熒光光譜技術(shù)與生理信息參數(shù), 研究玉米關(guān)鍵生育期的病變規(guī)律, 提取敏感波段, 建立葉片病變的熒光光譜監(jiān)測模型, 為玉米斑病害的快速、 定量監(jiān)測提供強有力的技術(shù)支持。

1 實驗部分

1.1 試驗地與供試品種

2021年5月至8月, 實驗于吉林大學(xué)生物與農(nóng)業(yè)工程學(xué)院農(nóng)業(yè)實驗田(海拔高度150 m, 44°50′N, 125°18′E)進行。 供試土壤為東北典型黑土, 土壤參數(shù)如表1所示。 試驗田長16 m, 寬12 m, 分為3個小區(qū)。 樣品選用玉米“平安86”(來源于吉林大學(xué)農(nóng)業(yè)工程實驗室), 于2021年5月11日播種, 種植密度為行距0.6 m, 株距0.35 m, 畝約3 200株。 施肥方式以基肥一次性施用, N-P2O5-K2O為29∶13∶10, 有30%釋放期為50～60 d的緩控釋氮素, 施用量為45 kg·畝-1。

表1 供試土壤參數(shù)Table 1 Parameters of the test soil

1.2 試驗設(shè)計

試驗設(shè)置3個小區(qū)作為試驗組, 分別為正常生長(無病灶)區(qū)16 m×8 m、 潛在發(fā)病(病害潛伏期)區(qū)16 m×4 m、 早期發(fā)病(早期發(fā)病狀態(tài))區(qū)16 m×4 m。 防止種植區(qū)間發(fā)生病菌傳播, 以1.2 m為標準設(shè)置間隔。 使用人工接種斑病孢子法實現(xiàn)玉米不同斑病的感染程度, 在玉米拔節(jié)后期(13葉期), 株高約1 m開始試驗。 于2021年7月17日, 通過噴霧接種的方式, 接種斑病分生孢子懸浮液(來源吉林農(nóng)業(yè)大學(xué)植物病理實驗室), 孢子密度為1×105～1×106個·mL-1, 接種量為5～10 mL·株-1。 玉米斑病的發(fā)病嚴重程度與接種的分生孢子量成正比, 潛在發(fā)病葉片接種1次, 早期發(fā)病葉片接種3次, 正常不發(fā)病葉片接種等量蒸餾水。 14天后, 誘發(fā)接種區(qū)域玉米開始出現(xiàn)斑病, 且發(fā)病程度相對一致, 能夠滿足研究觀測要求。 其中玉米大、 小斑病參照中華人民共和國國家標準GB/T2339.1-2009《玉米大、 小斑病和玉米螟防治技術(shù)規(guī)范》, 試驗中CK葉片為無病灶0級, 潛在發(fā)病葉片等級為0～0.5級, 早期發(fā)病葉片等級為0.5～2級。

1.3 光譜及生理參數(shù)的測量

于2021年8月1日、 3日、 6日斑病害發(fā)病盛期進行采樣, 采樣時間為9:00-14:00, 測量時天氣晴朗, 采集不同組別葉片信息190片(其中對照組葉片∶潛在發(fā)病葉片∶早期發(fā)病葉片為20∶9∶9), 對玉米葉片的生理參數(shù)和熒光光譜數(shù)據(jù)同步采集, 生理參數(shù)包括相對葉綠素含量(SPAD)和光系統(tǒng)Ⅱ最大光化學(xué)量子效率(Fv/Fm)。

采用荷蘭Avantes公司生產(chǎn)的AvaSpec-2048-USB2 型光纖光譜采集系統(tǒng)采集熒光光譜, 該系統(tǒng)的檢測范圍為331.010～1 099.960 nm。 設(shè)置光譜儀的激光發(fā)射探頭與采集探頭成45°角, 采集光譜時貼于活體葉片, 每片葉獲取10條數(shù)據(jù)(取穩(wěn)定初始光譜), 采用Ava Soft 7.8 for Ava Spec-USB2軟件消除噪聲、 儀器誤差等因素對熒光光譜數(shù)據(jù)的影響。 大量研究表明SPAD值能精確反映作物體內(nèi)的葉綠素含量, 本研究以葉片SPAD值來代表葉綠素含量。 使用日本Konica Minolta公司生產(chǎn)的SPAD-502測定SPAD值, 每片葉獲取3條數(shù)據(jù)。 使用美國OPTI-SCIENCES公司生產(chǎn)的便攜式脈沖調(diào)制葉綠素熒光分析儀(OS1P)測定Fv/Fm, 葉片充分暗適應(yīng)20 min后進行測定, 每片葉獲取3條數(shù)據(jù)取均值, 數(shù)據(jù)處理與分析采用MATLAB R2020b、 Origin2021 Pro、 和SPSS Statistics25.0軟件。

1.4 數(shù)據(jù)集選取與劃分

試驗共采集玉米葉片樣本190片, 剔除30片異常樣本后按訓(xùn)練集∶預(yù)測集為3∶1合理劃分, 分別為訓(xùn)練集樣本120片, 驗證集樣本40片。 其中CK葉片訓(xùn)練集60片, 驗證集20片。 潛在發(fā)病葉片訓(xùn)練集30片, 驗證集10片。 早期發(fā)病葉片訓(xùn)練集30片, 驗證集10片。

2 結(jié)果與討論

2.1 玉米葉片生理參數(shù)對斑病響應(yīng)規(guī)律研究

2.1.1 玉米葉片SPAD對斑病響應(yīng)規(guī)律研究

葉綠素相對含量是評價植株光合作用效率和環(huán)境脅迫的重要指標, 也是解析光譜變化的敏感因子之一, 因此實時無損監(jiān)測葉綠素狀況對作物的農(nóng)情監(jiān)測、 產(chǎn)量估算具有重要意義[15]。

本研究在不同病害程度下, 獲取玉米葉片SPAD的實測值, 結(jié)果如表2所示。 研究表明: 隨著凸臍蠕孢菌與平臍蠕孢菌在葉片上附著與繁殖, 葉片壞死細胞數(shù)量增加, 橢圓形或紡錘形病斑面積擴大, 葉綠素含量大幅度下降, 葉片SPAD值降低, 葉綠素對光的合成與分解受到抑制, 葉片光合作用減弱。 隨著斑病害程度的增加, 葉片萎蔫程度增加, 葉綠體結(jié)構(gòu)受損, 尤其是在抽穗時期之后更加明顯, 嚴重阻礙了玉米正常生長、 發(fā)育以及果實的形成。 綜合以上分析表明: 可以利用SPAD值表征玉米斑病害規(guī)律。

表2 不同病害程度下SPAD實測值統(tǒng)計表Table 2 Statistical table of SPAD measured values under different disease degrees

2.1.2 玉米葉片F(xiàn)v/Fm對斑病響應(yīng)規(guī)律研究

Fv/Fm是PSⅡ的最大光化學(xué)量子產(chǎn)量或為PSⅡ潛在最大量子產(chǎn)量, 它反映的是PSⅡ反應(yīng)中心均處于開放態(tài)時的量子產(chǎn)量, 一般恒定在0.80～0.85[16]之間。 當植物體受到光抑制、 環(huán)境脅迫或發(fā)生某些基因突變時,Fv/Fm值會出現(xiàn)顯著變化。 所以, 熒光參數(shù)Fv/Fm廣泛應(yīng)用于植物光合作用和生理生化以及各種逆境脅迫對植物光合作用影響的研究, 可以采用其降低的幅度來衡量逆境脅迫對PSⅡ復(fù)合體損傷的程度, 反映逆境對植物光合作用的傷害程度[17]。

在不同病害程度下, 獲取玉米葉片F(xiàn)v/Fm的實測值, 結(jié)果如表3所示。 研究表明,Fv/Fm的減少幅度可以粗略地作為PSⅡ光抑制損傷的指標, 正常不發(fā)病葉片平均Fv/Fm為0.781, 潛在發(fā)病葉片平均Fv/Fm為0.751, 早期發(fā)病葉片平均Fv/Fm為0.726。 患病狀態(tài)下,Fv/Fm顯著下降(p<0.05), 早期患病狀態(tài)下,Fv/Fm下降了7.04%, 潛在發(fā)病葉片F(xiàn)v/Fm下降了3.84%。 可以看出, 潛在發(fā)病狀態(tài)與發(fā)病初期, 葉片的SPAD值與Fv/Fm均顯著下降, 且下降的幅度較大。 結(jié)果表明: 玉米植株在潛在發(fā)病與早期病害階段Fv/Fm的減少會導(dǎo)致植株葉片的光合系統(tǒng)受損, 光合能力下降, 可以用Fv/Fm參數(shù)表征斑病害的生理參數(shù)規(guī)律。

表3 不同病害程度下Fv/Fm實測值統(tǒng)計表Table 3 Statistical table of Fv/Fm measured values under different disease degrees

通過對不同斑病害程度下葉片SPAD和Fv/Fm的綜合分析表明: 隨著斑病害嚴重程度的增加, 葉片SPAD和Fv/Fm均有不同程度的下降, 與前人的研究結(jié)論一致。 說明斑病害越嚴重, 玉米葉片PSⅡ反應(yīng)中心開放比例和電子傳遞速率下降越快, 進而為光合作用提供的能量減少, 不利于后期玉米干物質(zhì)的積累。

2.2 玉米葉片熒光光譜在不同病害程度下的差異性分析

采集葉綠素熒光光譜的過程中會出現(xiàn)不同光譜波段間的“抖動”現(xiàn)象, 對光譜指數(shù)運算結(jié)果造成一定偏差和影響, 不利于反映植株真實生理情況。 試驗采用的葉綠素熒光光譜儀激光發(fā)射器發(fā)射波長是473.000 nm, 采集到的光譜波段范圍是331.010～1 099.960 nm, 每一條光譜都具有1 355個光譜信息, 數(shù)據(jù)量冗余。 波段472.305～499.896 nm為激光器光源形成的光譜區(qū)域與波段900.000～1 099.960 nm 之間的熒光光譜呈現(xiàn)出趨于平緩穩(wěn)定的小幅度波動。 對比多條光譜分析后, 發(fā)現(xiàn)此光譜波段波動范圍較小, 對玉米葉片光合生理信息檢測的影響較小。 因此, 以上兩個波段均可視為本試驗研究的無效光譜波段, 忽略不計。 500.000～900.000 nm的原始光譜、 FD光譜與SD光譜如圖1所示。

圖1 不同預(yù)處理葉片的熒光光譜特征Fig.1 Fluorescence spectrum characteristics of leaves with different pretreatment

對500.000～900.000 nm的原始光譜、 FD光譜與SD光譜進行峰值分析, 其結(jié)果如表4所示。 原始光譜經(jīng)FD、 SD處理后, 多條光譜曲線呈現(xiàn)出一定規(guī)律變化的峰中心, 此時能夠反映光譜性質(zhì)的敏感波段增多, 表明其特征變量增多, 如圖2(a, b, c)所示。 原始光譜峰中心出現(xiàn)在685.456與735.540 nm附近。 FD預(yù)處理光譜峰中心出現(xiàn)在676.896、 692.313、 748.573和750.271 nm附近。 SD預(yù)處理光譜峰中心出現(xiàn)在665.457、 668.318、 671.751、 685.465、 695.465、 698.015、 700.295和703.713 nm附近。 峰中心的熒光強度均表現(xiàn)出明顯的波動和差異, 說明原始波段在該波段處存在極值, 可作為提取特征波長的敏感波段。

圖2 光譜峰擬合圖(a): 原始光譜擬合圖; (b): FD光譜擬合圖; (c): SD光譜擬合圖Fig.2 Spectral peak fitting diagram(a): Original spectral fitting figure; (b): FD spectral fitting figure; (c): SD spectral fitting figure

表4 峰擬合結(jié)果Table 4 Peak fitting results

通過對原始光譜、 FD光譜、 SD光譜峰中心、 波峰波谷位置及相關(guān)系數(shù)的比較分析, 綜合考慮熒光光譜的明顯差異性, 從三種方法中選取最優(yōu)的特征波長 (optimal characteristic wavelength, OCW)作為本試驗研究對象, 其有效光譜波段為500.000～900.000 nm。

2.3 基于不同預(yù)處理方法的熒光光譜建模分析

2.3.1 反演模型的建立

以光譜敏感波段(OCW)作為模型輸入量, 采用多元散射校正 (multivariate scattering correction, MSC)、 標準正態(tài)變量變換(standard normal variable transformation, SNV)、 多項式平滑(Savitzky-Golaay, S-G)、 FD光譜一階導(dǎo)數(shù)預(yù)處理、 SD光譜二階導(dǎo)數(shù)預(yù)處理等5種單一預(yù)處理方法, MSC-SG-FD、 MSC-FD-SG、 SNV-SG-FD、 SNV-SG-SD等4種建模組合方法對原始光譜進行處理, 采用梯度法選取校正集與預(yù)測集, 建立500.000～900.000 nm波段經(jīng)典最小二乘(classical-least-squares, CLS)SPAD和Fv/Fm的熒光光譜反演模型。

2.3.2 建模方法比較與結(jié)果分析

以模型訓(xùn)練集和驗證集的相關(guān)系數(shù)Rc和Rp, 均方根誤差RMSEC和RMSEP, 作為模型效果評價標準。 相關(guān)系數(shù)越大, 均方根誤差越小, 說明模型效果越好。 OCW預(yù)處理是選取的原始特征光譜, 以作為其他預(yù)處理方法的對照。 比較和分析利用不同模型反演估計玉米葉片生理參數(shù)的準確性, 以確定最佳建模方法。

(1)潛在發(fā)病葉片建模方法比較

對潛在發(fā)病葉片建立5種單一預(yù)處理方法與4種組合方法的熒光光譜反演模型, SPAD與Fv/Fm反演模型中訓(xùn)練集和預(yù)測集的相關(guān)系數(shù)Rc和Rp、 均方根誤差RMSEC和RMSEP, 結(jié)果如表5所示。 研究表明: 在SPAD的反演模型中, 5種預(yù)處理方法模型的訓(xùn)練集相關(guān)系數(shù)Rc均在0.937 2以上, 均方根誤差RMSEC均在5.47以下。 4種組合方法模型的訓(xùn)練集相關(guān)系數(shù)Rc均在0.930 2以上, 均方根誤差RMSEC均在3.56以下。 4種組合方法的SPAD反演模型實測值與預(yù)測值的相關(guān)性如圖3所示。 在Fv/Fm的反演模型中, 5種單一預(yù)處理方法模型的訓(xùn)練集相關(guān)系數(shù)Rc均在0.922 6以上, 均方根誤差RMSEC均在7.45以下。 4種組合方法模型的訓(xùn)練集相關(guān)系數(shù)Rc均在0.944 7以上, 均方根誤差RMSEC均在5.24以下。 4種組合方法的Fv/Fm反演模型實測值與預(yù)測值的相關(guān)性如圖4所示。 SPAD與Fv/Fm反演模型整體效果和性能較好。

圖3 潛在發(fā)病葉片SPAD反演模型實測值與預(yù)測值的相關(guān)性Fig.3 Correlation between measured value and predicted value of SPAD inversion model for potentially diseased leaves

圖4 潛在發(fā)病葉片F(xiàn)v/Fm反演模型實測值與預(yù)測值的相關(guān)性Fig.4 Correlation between measured values and predicted values of Fv/Fm inversion model for potentially diseased leaves

表5 潛在發(fā)病葉片不同建模方法的建模效果比較Table 5 Comparison of modeling effects of different modeling methods for potentially diseased leaves

在對潛在發(fā)病葉片建立反演模型并對比模型訓(xùn)練集的Rc和RMSEC之后, SPAD反演模型中SNV-SG-SD的效果最佳, 其相關(guān)系數(shù)Rc為0.985 2, 均方根誤差RMSEC為1.59。 而SNV的模型效果最差,Rc為0.942 7, 均方根誤差RMSEC為4.33。Fv/Fm反演模型中SNV-SG-FD的效果最佳, 其相關(guān)系數(shù)Rc為0.976 8, 均方根誤差RMSEC為2.85。 而FD的模型效果最差,Rc為0.930 0, 均方根誤差RMSEC為7.40。

(2)早期發(fā)病葉片建模方法比較

對早期發(fā)病葉片建立5種單一預(yù)處理方法與4種組合方法的熒光反演模型, SPAD與Fv/Fm反演模型中訓(xùn)練集和預(yù)測集的相關(guān)系數(shù)Rc和Rp、 均方根誤差RMSEC和RMSEP, 結(jié)果如表6所示。 研究表明: 在SPAD的反演模型中, 5種單一預(yù)處理方法模型的訓(xùn)練集相關(guān)系數(shù)Rc均在0.936 6以上, 均方根誤差RMSEC均在4.68以下。 4種組合方法模型的訓(xùn)練集相關(guān)系數(shù)Rc均在0.946 2以上, 均方根誤差RMSEC均在3.94以下。 4種組合方法的SPAD反演模型實測值與預(yù)測值的相關(guān)性如圖5所示。 在Fv/Fm的反演模型中, 5種單一預(yù)處理方法模型的訓(xùn)練集相關(guān)系數(shù)Rc均在0.887 3以上, 均方根誤差RMSEC均在0.017 8以下。 4種組合方法模型的訓(xùn)練集相關(guān)系數(shù)Rc均在0.887 5以上, 均方根誤差RMSEC均在0.020 0以下。 4種組合方法的Fv/Fm反演模型實測值與預(yù)測值的相關(guān)性如圖6所示。 SPAD與Fv/Fm反演模型整體效果和性能較好。

圖5 早期發(fā)病葉片SPAD反演模型實測值與預(yù)測值的相關(guān)性Fig.5 Correlation between measured value and predicted value of SPAD inversion model for early-onset leaves

圖6 早期發(fā)病葉片F(xiàn)v/Fm反演模型實測值與預(yù)測值的相關(guān)性Fig.6 Correlation between measured value and predicted value of Fv/Fm inversion model for early-onset leaves

表6 早期發(fā)病葉片不同建模方法的建模效果比較Table 6 Comparison of modeling effects of different modeling methods for early-onset leaves

在對早期發(fā)病葉片建立反演模型并對比模型訓(xùn)練集的Rc和RMSEC之后, SPAD反演模型中SNV-SG-SD的效果最佳, 其相關(guān)系數(shù)Rc為0.949 7, 均方根誤差RMSEC為3.79。 而MSC的模型效果最差,Rc為0.936 6, 均方根誤差RMSEC為4.19。Fv/Fm反演模型中SNV-SG-SD的效果最佳, 其相關(guān)系數(shù)Rc為0.943 8, 均方根誤差RMSEC為0.011 7。 而MSC的模型效果最差,Rc為0.887 3, 均方根誤差RMSEC為0.017 8。

由表5和表6可知, 4種建模組合方法下建模精度都在0.930 2以上。 組合方法對數(shù)據(jù)進行了重新整合和篩選, 提取了對數(shù)據(jù)信息系統(tǒng)解釋性最強的綜合變量, 減少了建模過程中嚴重相關(guān)性和峰中心提取不正確的影響, 使得SNV模型優(yōu)于MSC模型。 對于反演模型中相關(guān)系數(shù)R2的研究表明: 其中SPAD的9種建模方法的相關(guān)系數(shù)R2, 無論訓(xùn)練集還是驗證集均在0.92以上, 均方根誤差都在5.0左右, 模型整體效果和性能較好。 其中Fv/Fm的9種建模方法的相關(guān)系數(shù)R2, 無論訓(xùn)練集還是驗證集均在0.86以上, 均方根誤差都集中在0.055左右, 模型整體效果和性能較好。 在反演模型的訓(xùn)練和驗證集樣本中, 同時分析了實測值與預(yù)測值之間的相關(guān)性。 結(jié)果表明: 無論是訓(xùn)練集還是驗證集, 基于4種組合建模方法的實測值與預(yù)測值相關(guān)性較高, 基于5種單一的建模方法, 其模型的實測值與預(yù)測值相關(guān)性較差。

3 結(jié) 論

基于熒光光譜分析技術(shù), 將光譜數(shù)據(jù)與生理參數(shù)相結(jié)合, 探究不同玉米斑病害程度下玉米葉片生理參數(shù)和光譜特性的響應(yīng)規(guī)律, 同時構(gòu)建了SPAD和Fv/Fm的快速無損檢測模型。 結(jié)果表明:

(1)不同病害程度下玉米葉片的光譜特征存在差異性。 在波段600.000～800.000 nm內(nèi), 光譜反射率會出現(xiàn)明顯的峰中心, 達到極值。 在波段900.000 nm之后, 反射率趨于平穩(wěn), 特征明顯減少。

(2)可通過玉米葉片熒光光譜特性的變化表征病害的發(fā)病程度。 基于9種預(yù)測模型的分析來看, 組合方法的相關(guān)系數(shù)高于單一模型, 可以更加真實地反應(yīng)葉片的生理信息和光合能力。

(3)對于潛在發(fā)病葉片, SPAD與Fv/Fm的最優(yōu)模型均為SNV-SG-FD,Rc為0.985 2、 0.976 8。 對于早期發(fā)病葉片, SPAD的最優(yōu)模型為SNV-SG-FD,Rc為0.949 7。Fv/Fm的最優(yōu)模型為SNV-SG-SD,Rc為0.943 8。 該模型能夠?qū)崿F(xiàn)對早期斑病害玉米葉片SPAD和Fv/Fm的精準預(yù)測, 為作物脅迫狀態(tài)的生理信息監(jiān)測提供參考依據(jù)。

基于玉米葉片早期斑病害脅迫下的熒光光譜響應(yīng)分析, 受栽培的玉米品種單一、 數(shù)量較少、 實驗中取得的數(shù)據(jù)不夠全面等條件的影響, 所得結(jié)論具有一定程度上的局限性。 針對于整個試驗研究, 有待于進一步增加玉米試驗品種、 擴大樣本數(shù)量, 同時開展多因素水平的試驗研究。 植物的光合作用是一個極其復(fù)雜的過程, 會受到玉米本身的品種、 生長狀況的影響, 還會受到外界的光照強度、 光照時間、 溫度、 空氣濕度和土壤含水量等影響。 因此在實施周期性連續(xù)監(jiān)測的過程中, 需結(jié)合外界環(huán)境因素加以考慮。