基于叶绿素荧光光谱分析的稻叶瘟病害识别与预警

【摘要】：近年来，利用电磁辐射的光谱检测技术来监测植物生长及环境逐渐受到人们关注，这是一种快速、无损检测技术。植物的激光诱导叶绿素荧光光谱（LICF）检测是这种检测技术的重要组成部分，作为一种主动探测技术，它为评价植物在环境中的生长状况提供了一种特殊的方法。本文为了实现稻叶瘟病害的快速、准确检测，以叶绿素荧光光谱为主要手段，结合环境信息，水稻生理信息和生化信息，力求构建稻叶瘟病害的识别与预警模型。 建立稻叶瘟病害等级划分与判别方法，利用叶绿素荧光光谱识别稻叶瘟。根据国际水稻所（IRRI）制定的植物叶片病害分级标准以及我国病虫测报办法，将稻叶瘟病害按照病斑相对面积划分为3个等级，并根据面积比等于象素比对测量叶片进行等级判别。为有效识别稻叶瘟，首先利用叶绿素荧光光谱采集系统采集不同病害级别的水稻叶片叶绿素荧光光谱并划分为建模样本和检验样本。采用光谱仪自带软件AVANTES Software7.2对叶绿素荧光光谱进行基本处理后，再在MATLAB7.10中分别采用SG（Savitzky-Golay）平滑法，SG平滑+一阶导数变换（FDT），SG平滑+快速傅立叶变换（FFT），小波降噪（WD）对光谱进行预处理。然后分别采用主成分分析（PCA）和高斯拟合（GFF）对不同预处理下的叶绿素荧光光谱进行降维。最后分别结合判别分析（DA）、多项逻辑回归分析（MLRA）、BP神经网络（BPNN）、基于4个经典核函数的支持向量分类机（SVC）利用建模样本建立稻叶瘟病害识别模型，并利用所建模型对检验样本进行识别和对比。结果表明，基于SG-FDT预处理的GFF-SVC（PLOY）模型和PCA-SVC（RBF和PLOY核函数）模型效率最高，识别正确率均能够达到95.0%。分析结果还表明，不同波段组合的识别结果不同，可根据实际需要，选择分析波段进行稻叶瘟病害的识别。 为采用多方法识别稻叶瘟，也为进一步寻找提高稻叶瘟识别正确率的途径，以SG-FDT光谱的主成分为模型输入，对SVC模型的核函数进行组合优化，构建混合核函数，并与SVC自带的4个经典核函数对稻叶瘟病害的识别能力进行对比。结果表明，线性组合核函数能够在一定程度上提高模型对稻叶瘟的识别能力，特别是PLOY+RBF核函数效果最好，能够对0级的识别正确率达到100%。虽然RBF+Sigmoid核函数也能够对0级的识别正确率达到100%，但对1级和2级的识别效果却低于PLOY+RBF核函数。Sigmoid核函数虽然对稻叶瘟的识别正确率最低，但是其与PLOY和RBF核函数的有效组合能够提高稻叶瘟的识别效率。 为有效做到早期识别稻叶瘟，指导农业生产，分别采集环境信息、水稻生理信息以及叶绿素荧光光谱信息对稻叶瘟进行预警。首先利用气象站于2012年和2013年的6月1日~9月15日采集试验田内环境信息，设置为每隔1小时传输信息一次。对环境温度和湿度进行定性分析，选用2012年日最高温湿度、最低温湿度和日平均温湿度建立稻叶瘟病害预警模型，并利用模型对2013年的预警情况与实际发生情况进行对比。结果表明，环境温湿度可以作为警兆指标。然后利用与叶绿素荧光光谱信息同步采集的水稻叶片生理信息进行稻叶瘟病害的预警，主要包括光能利用效率LUE、水分利用效率WUE和相对叶绿素含量SPAD值。分析LUE、WUE分别与荧光参数F685和F732及叶片温度Tl间关系，建立逐步线性回归模型。并采用SG-FDT对光谱信息进行预处理，建立LUE、WUE和SPAD值的PLSR、PCA-BP、PCA-SVR（RBF）、PCA-SVR（PLOY）模型，对比模型精度，以检验样本预测效果为指标选择最佳模型。 建立基于叶绿素荧光光谱分析的稻叶瘟病害生化信息预警模型。选择活性氧清除过程中第一个发挥作用的抗氧化酶SOD以及由于病原微生物侵害含量发生变化的丙二醛MDA和游离脯氨酸Pro作为研究对象，用于稻叶瘟预警。利用实验室内对水稻接种稻梨孢的方法，选择接种后0h、12h、24h、36h、48h、60h为采样点进行数据采集，分析SOD、MDA、Pro含量和叶绿素荧光光谱的早期变化，建立SOD、MDA、Pro的PLSR、PCA-BP、PCA-SVR（RBF）和PCA-SVR（PLOY）荧光光谱预测模型，并将建模样本和检验样本的预测值与实测值进行相关分析。结果表明，SOD、MDA、Pro可以作为稻叶瘟早期预警的依据，基于荧光光谱分析的PCA-BP模型对SOD的预测效果较好，而对MDA和Pro的预测中，基于荧光光谱分析的PCA-SVR（PLOY）模型则更占优势。 综合利用以上相关模型与分析，构建稻叶瘟病害识别与预警信息系统结构框架，主要包括系统的结构设计、功能模块设计和工作流程设计。为后续识别和预警系统的建立提供依据，以最终满足用户对稻叶瘟病害的信息查询并进行稻叶瘟病害的识别与预警，提前对稻叶瘟病害进行有效防治。