考虑日光温室空间异质性的黄瓜叶片湿润时间估算模型研究.pdf-

资源描述：

2020 年6 月第2 卷第2 期 Jun 2020 Vol 2 No 2 智慧农业中英文 S m a r t A g r i c u l t u r e 考虑日光温室空间异质性的黄瓜叶片湿润时间估算模型研究刘鉴 1 2 任爱新 1 刘冉 1 2 纪涛 1 2 刘慧英 1 李明 1 2 1 石河子大学农学院新疆石河子 8 3 2 0 0 3 2 北京农业信息技术研究中心国家农业信息化工程技术研究中心农产品质量安全追溯技术及应用国家工程实验室中国气象局农业农村部都市农业气象服务中心北京 1 0 0 0 9 7 摘要叶片湿润时间 L W D 是植物病害模型的重要输入变量之一它与许多叶部病原菌的侵染有关影响病原侵染和发育速率为了准确地预测日光温室黄瓜病害的发生时间和方位本研究于 2 0 1 9 年 3 月和 9 月在北京两个不同类型日光温室内按照棋盘格法设置了 9 个采样点部署温湿光传感器和目测叶片湿润时间每隔 1 h 采集一次温度湿度辐射和叶片湿润数据进行定量估算分析分析结果表明 B P 神经网络模型在两个温室的试验条件下获得了相似的准确度 A C C 为 0 9 0 和 0 9 2 比相对湿度经验模型估算叶片湿润时间的准确度 A C C 为 0 8 2 和 0 8 4 更高平均绝对误差 M A E 分别为 1 8 1 和 1 6 1 h 均方根误差 R S M E 分别为 2 1 0 和 1 8 7 决定系数 R 2 分别为 0 8 7 和 0 8 5 在晴天和多云天气条件下叶片湿润时间的空间分布总体规律是南部中部北部南面是叶片湿润平均时间 1 2 1 7 h d 最长的区域由东向西方向上叶片湿润时间的空间分布总体规律是东部西部中部中部是叶片湿润平均时间 4 8 3 h d 最短的区域雨天的叶片湿润平均时间比晴天和多云长春季和秋季分别为 1 7 1 5 和 1 7 4 1 h d 这些变化和差异对温室黄瓜种群水平方向的叶片湿润时间分布具有重要影响与大多数高湿性黄瓜病害的发生规律密切相关本研究为预测温室黄瓜病害分布提供了有价值的参考对控制病害流行和减少农药使用具有重要意义提出的区域化分析温室内叶片湿润时间的方法可以为模拟日光温室叶片湿润时间的空间分布提供参考关键词日光温室估算模型区域化叶片湿润时间 B P 神经网络传感器中图分类号 R 8 5 7 3 S 2 4 文献标志码 A 文章编号 2 0 2 0 0 1 S A 0 0 3 引文格式刘鉴任爱新刘冉纪涛刘慧英李明考虑日光温室空间异质性的黄瓜叶片湿润时间估算模型研究 J 智慧农业中英文 2020 2 2 135 144 LIU Jian RENAixin LIU Ran JITao LIU Huiying LIMing Estimation modelofcucumberleafwetnessduration considering the spatial heterogeneity of solar greenhouse J Smart Agriculture 2020 2 2 135 144 in Chinese withEnglishabstract 1 引言植物表面的水是决定许多叶部病原菌能否侵染及产孢的关键因素 1 大多植物病害爆发的风险与叶片湿润时间 Leaf Wetness Duration LWD 成正比 2 通常将LWD 作为驱动变量模 doi 10 12133 j smartag 2020 2 2 202001 SA003 收稿日期 2020 01 17 修订日期 2020 03 26 基金项目国家自然科学基金青年科学基金项目 31401683 国家重点研发计划政府间国际科技创新合作重点专项 2017YFE0122503 北京市农林科学院农业科技示范推广项目 2020306 作者简介刘鉴 1995 男硕士研究生研究方向为温室黄瓜病害预警模型 E mail liujianwy 通讯作者 1 刘慧英 1970 女博士教授研究方向为设施蔬菜生长发育调控与蔬菜抗逆生理电话 13899522503 E mail hyliuok 2 李明 1982 男博士副研究员研究方向为植保信息化与农产品质量安全电话 010 51503912 E mail lim Vol 2 No 2 智慧农业中英文 S m a r t A g r i c u l t u r e 拟植物病害的发展进程 3 5 在日光温室中黄瓜叶片湿润是由结露棚膜滴水上层叶向下层叶滴水等物理现象和吐水蒸腾作用等生理现象造成的根据Sentelhas 等 6 和Gleason 等 7 研究建议每天的叶片湿润时间误差低于2 h 可在病害预警系统中操作使用原因是在一种作物的一个时期内每天测得的叶片湿润时间的变化经常超过2 h 由于冬季低温寡照的灾害天气影响温室的通风时间极易在温室内形成高湿环境会诱发黄瓜霜霉病等流行性病害 8 如黄瓜霜霉菌孢子囊在15 20 下保湿2 h 即可完成侵染过程 9 因此叶片湿润时间的研究一直是国内外学者关注的热点通过叶片湿润传感器测量叶片湿润时间的精度易受叶片的类型湿润性和冠层结构等影响 10 而且缺乏统一的测量标准 11 12 因此学者们开发了用于估计叶片湿润时间的仿真模型主要分为物理型和经验型两大类物理型基于能量平衡原理模拟冷凝和蒸发的过程 13 经验型将叶片湿润时间与环境变量相关联如Sentelhas 等 6 将每天相对湿度等于或高于某一特定阈值 80 85 90 或95 的小时数作为叶片湿润时间但该方法未考虑吐水等造成的叶片湿润 14 人工神经网络 ArtificialNeuralNetwork ANN 属于经验模型常用来解决模式识别中的非线性映射或分类问题具有自适应和自学能力广泛地用于各种预测问题 Francl 等 15 分析了BP 神经网络 Back Propagation Neural Net work BPNN 对不同环境因子的敏感程度并将温度相对湿度太阳辐射降水风向和风速作为输入变量输入到BPNN 来估算小麦的叶片湿润时间表明最敏感的环境因素是湿度其次是温度和太阳辐射叶片湿润时间的平均绝对误差为0 8 1 1 h Dalla 等 16 在意大利选取4 个地区的温度风速蒸汽压和降雨作为输入变量输入到递归神经网络 Recursive Neural Network RNN 来估算葡萄的叶片湿润时间得出10min 为判断叶片干或湿的最佳阈值 Wang 等 17 将相对湿度露点温度蒸腾和辐射作为输入变量输入到BPNN 来估算番茄和黄瓜的叶片湿润时间利用决策树校准后平均绝对误差为1 3h 上述研究中模型输入的环境因子大多假设植株群体在水平方向处于同一生长环境中模型只能模拟温室内一个位置的叶片湿润时间而实际的温室内在夜间南北向和东西向小气候具有明显的差异 18 19 因此开展黄瓜群体水平方向叶片湿润分布规律的研究对科学地管理温室和预测病害分布具有重要意义目前还未见温室内水平方向叶片湿润时间分布模拟的报道相对湿度经验模型 Relative Humidity Model RHM 是一种所需参数少且数据获取较容易的模型 BPNN 是一种基于数据的模型它具有模型简单泛化能力较强和对数据具有良好的非线性拟合能力等优势因此是应用最广泛的神经网络针对上述问题本研究利用RHM 和BPNN 分析空间水平方向异质性对温室黄瓜叶片湿润时间的影响为黄瓜病害预测模型的建立提供参考 2 试验材料和方法 2 1 田间试验场地与材料春季试验于2019 年3 月至6 月在北京市昌平区小汤山国家精准农业示范基地以下简称小汤山北纬40 18 东经116 47 内进行选取1 间未重茬的日光温室日光温室长宽分别为50 和7m 以聚乙烯薄膜为采光材料供试材料京研迷你2 号黄瓜品种购于北京市农林科学院蔬菜中心 2 月26 日施有机肥 1750 kg 和复合肥 7 5 kg 同时做垄垄宽80 cm 垄间距60 cm 南北走向每垄2 行共32 垄定植前用烟剂异丙威熏棚两叶一心时定植于栽培垄 3 月5 日秋季试验于2019 年9 月至11 月在北京市房山区弘科农场北京市农林科学院示范基地以下简称房山北纬39 63 东经115 97 内进行日光温室长宽分别为80 和7m 采光材料为聚 1 3 6刘鉴等考虑日光温室空间异质性的黄瓜叶片湿润时间估算模型研究 Vol 2 No 2 乙烯薄膜种植品种为北农佳秀 8 月25 日施有机肥 1500kg 垄宽60cm 垄间距60cm 东西走向每垄2 行共5 垄两叶一心时定植于栽培垄 9 月2 日小汤山温室和房山温室均为单屋面日光温室并且都未安装加温或降温设备灌溉方式均采用膜下滴灌 2 2 传感器布置如图1 所示在小汤山温室和房山温室中以棋盘格取样法标记9 个数据采集点分别命名为 A B C D E F G H 和I 在每个观测点距地面1m 处安置1 个小气候监测节点 ENVI ROMONITOR Davis Instruments Hayward California USA 用于采集温度湿度太阳辐射和叶片湿润数据设置每15min 记录一次温室外放置1 个与温室内相同的气象站命名为J 传感器高度为1 5 m 记录温室外的天气状况时间间隔与温室内保持一致数据通过Wi Fi 传输下载收集 2 3 叶片湿润时间测量方法叶片湿润时间通过目测法获得 14 在温室内的每个小气候监测节点上设置1 个定点挂牌观测点图1 每个观测点选择长势一致株高和茎粗的两株黄瓜作为取样株按照观测点序号依次对它们进行观测最后取两株黄瓜叶片湿润时间的平均值记录每株黄瓜超过10 的叶片出现湿润的时间点 Leaf Wetting LW 超过 90 的叶片变干的时间点 Leaf Drying LD LW LD 作为整株叶片的湿润时间晴天从18 30 至次日每株黄瓜90 的叶片变干多云和雨天等特殊天气从18 30 至次日18 30 每隔1h 记录一次所有取样株叶片的湿润情况每周观测5 6d 共获得5616 次数据集为减少人为误差试验期间 26 d 内的数据采集和记录等操作均由1 人严格按照以上试验标准执行因为观测到的叶片湿润主要由吐水造成所以以叶片边缘或中部是否有小水珠出现作为湿润的标准由于黄瓜叶片大水滴易聚集导致叶表面的水蒸发慢 Arauz 等 5 和Cohen 20 的研究表明5 25 为孢子囊萌发和寄主侵染的主要温度范围因此本研究以5 25 范围内的叶片湿润时间作为有效叶片湿润时间 2 4 模型的构建 2 4 1 相对湿度经验模型 R H M 参考 RHM 在病害预警系统中的应用情况 14 17 本试验选取的相对湿度阈值为89 当相对湿度 89 认为叶片湿润相反则认为叶片是干的注字母A B C I 表示小气候监测节点和叶片湿润时间观测点的序号字母J 表示温室外气象站 N North 表示北 E East 表示东图 1 日光温室设备布置及采样点 Fig 1 Equipmentlayoutsandsamplingpointsofsolargreenhouse 1 3 7Vol 2 No 2 智慧农业中英文 S m a r t A g r i c u l t u r e 2 4 2 B P 神经网络模型 B P N N BPNN 是一种常见的人工神经网络结构它的上一层和下一层之间的每个神经元都相互连接全连接信息共享通过多层叠加将具体的任务分配到不同的层中每层完成任务的一小部分 BPNN 主要包括输入层隐含层和输出层三层网络结构 21 输入和输出都可以是多维的输入的数据通过神经元处理不同维度的不同信息在高层中被整合成一维向量通过对高层数据的判断得到最终的输出结果输出的结果和预计值相比较将比较的结果反向传播到网络中反向传播对网络权重进行迭代更新以此实现对模型参数更新直到达到预期结果或者完成所有迭代全连接层对数据的处理是线性的因此往往在BPNN 中添加非线性处理单元激活函数来提升整体网络的非线性拟合能力本研究中输入层为温度湿度辐射和位置隐含层为10 层输出层为位置和叶片是否湿润位置以坐标形式输入隐含层神经元节点数的选择参照经验公式 1 选择10 个神经元输入层归一化训练中公式 2 采用newff 函数建立 BPNN 设定网络隐含层和输出层的激活函数分别为tansig 和logsig 函数网络训练函数为traing dx 最后使用mapminmax 语句将估计值进行反归一化 N 1 n m a 1 x y y min y max y min 2 式中 N 1 为隐含层单元数 m 为输出单元数 n 为输入神经元数 a 为1 10 之间的常数 x 为归一化后的数据 y 为实测数据 2 4 3 样本选取选取小汤山温室2019 年4 月14 日至4 月29 日的2448 次数据作为训练样本 1 次数据集表示 1 个观测点在1h 的温度湿度辐射位置和叶片是否湿润小汤山温室数据分布差异较大包含晴天多云和雨天天气条件下的数据样本具有一定的代表性随机选取小汤山温室2019 年4 月14 日至4 月29 日的774 次数据集作为模型第一次的测试样本不包括训练样本房山温室 2019 年10 月4 日至13 日的855 次数据集作为模型第二次的测试样本 2 5 模型评估通常准确度 Accuracy ACC 公式 3 和约登指数 Youden Index J 公式 4 高则表示模型的性能更好本研究采用决定系数 R 2 标准差SD 平均绝对误差MAE 均方误差 MSE 和均方根误差RMSE 等指标考察模型的性能房山温室的环境数据用于评价BPNN 模型的泛化性 ACC TP TN TP FN FP TN 3 J TP FP 4 其中 TP 是真阳性比例 FN 是假阴性比例 FP 是假阳性比例 TN 是真阴性比例 2 6 数据分析利用Matlab 2016a 进行BPNN 建模 Micro soft Excel 2013 软件进行数据整理分析采用 Duncan 法对不同季节和天气条件下温室内各方位叶片湿润时间进行显著差异性分析显著水平为P 0 05 3 结果与分析 3 1 叶片湿润判断结果 BPNN 和RHM 的平均输出结果表1 表明在774 次测试数据估算小汤山温室内不同方位的叶片是否湿润中 BPNN 和RHM 模拟到叶片出现湿润且实际发生湿润的次数分别为314 次和224 次模拟到叶片未出现湿润且实际也未发生湿润的次数分别为383 次和409 次模拟到叶片未出现湿润但实际发生湿润的次数分别为46 次和136 次模拟到叶片出现湿润但实际未发生湿润次数分别为31 次和5 次表明RHM 容易出现误判平均BPNN 真阳性比例 TP 0 87 高于平均RHM TP 0 62 平均BPNN 假阴性比 1 3 8刘鉴等考虑日光温室空间异质性的黄瓜叶片湿润时间估算模型研究 Vol 2 No 2 例 FN 0 13 低于平均 RHM FN 0 38 BPNN 比RHM 预测发生叶片湿润的准确度更高漏报率更低平均BPNN 假阳性比例 FP 0 07 高于平均RHM FP 0 01 平均BPNN 真阴性比例 TN 0 93 低于平均RHM TN 0 99 平均BPNN 预测未发生叶片湿润的准确度略低于平均RHM 平均BPNN 准确度 ACC 0 90 优于平均RHM ACC 0 82 平均BPNN 约登指数 J 0 80 高于平均RHM J 0 61 表明BPNN 预测结果真实性高于RHM 房山温室与小汤山温室模型输出的结果相似平均BPNN 真阳性比例 TP 0 95 高于平均 RHM TP 0 64 平均 BPNN 真阴性比例 TN 0 90 低于平均 RHM TN 0 98 平均 BPNN 准确度 ACC 0 92 优于平均 RHM ACC 0 84 平均BPNN 约登指数 J 0 85 高于平均RHM J 0 62 平均BPNN 在房山温室的准确性 ACC 0 92 高于小汤山温室 ACC 0 90 这说明 BPNN 预测的效果优于 RHM BPNN 在小汤山温室和房山温室表现较好表明 BPNN 模型具有良好的泛化性为实际生产中黄瓜叶片湿润时间的模拟提供了有价值的参考 3 2 叶片湿润时间估算模型的效果评估图2 为两个温室内不同位置下BPNN 和RHM 估算值与实测值之间的叶片湿润时间比较在小汤山温室和房山温室的RHM 结果中数据偏离 1 1 直线 9 个方位都存在超过连续2 个小时以上叶片湿润时间没有被预测到的情况最大偏差为 12h 在BPNN 结果中小汤山和房山两个温室的预测值和实测值具有较好的对应关系能够准确地反映每晚叶片湿润时间 RHM 和BPNN 的统计指标和误差表2 如下小汤山温室的BPNN 决定系数 R 2 0 87 优于RHM R 2 0 24 BPNN 预测效果 RMSE 2 10 好于RHM RMSE 5 15 BPNN MAE 1 81 相比于RHM MAE 3 81 具有更小的误差房山温室的BPNN 决定系数 R 2 0 85 大于 RHM R 2 0 09 BPNN 预测效果 RMSE 1 87 好于 RHM RMSE 4 58 BPNN MAE 1 61 表 1 B P N N 和 R H M 的平均输出结果比较 Table1 ComparisonoftheaverageoutputresultsofBPNNandRHM 位置小汤山房山模型 BPNN RHM BPNN RHM 实测值是否全部实测值是否全部实测值是否全部实测值是否全部预测值是 314TP 0 87 31 FP 0 07 345 224TP 0 62 5 FP 0 01 229 335TP 0 95 52 FP 0 10 387 226TP 0 64 12 FP 0 02 238 否 46 FN 0 13 383TN 0 93 429 136 FN 0 38 409TN 0 99 545 17 FN 0 05 451TN 0 90 468 126 FN 0 36 491TN 0 98 617 全部 360 414 774 360 414 774 352 503 855 352 503 855 准确度ACC 0 90 0 82 0 92 0 84 约登指数J 0 80 0 61 0 85 0 62 1 3 9Vol 2 No 2 智慧农业中英文 S m a r t A g r i c u l t u r e 预测误差低于RHM MAE 3 36 结果说明只考虑相对湿度作为判断叶片是否湿润具有很大的局限性而BPNN 综合考虑环境因子使得模型具备良好的估算能力 3 3 不同位置和天气对叶片湿润时间的影响分析选取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气和季节对叶片湿润时间的影响因素春季温室内不同天气和位置的叶片湿润时间的方差分析结果图3 a 表明晴天条件下日光温室内中部靠北和西北相比于东部东南中部靠南和西南的差异达极显著水平叶片湿润时间小于2h d 的位置有西北 0 67h d 中部靠北 0 67 h d 中部 1 33 h d 和东北 1 00 h d 西南是叶片湿润时间 14 h d 最长的区域多云天气条件下东北中部和中部靠北相比于东部东南和中部靠南具有极显著差异叶片湿润时间小于2 h d 的位置有中部靠北 0h d 中部 1 33h d 和东北 1 67h d 中部靠南是叶片湿润时间 12 h d 最长的区域雨天的叶片湿润时间相对于晴天和多云具有显著差异温室内所有位置的叶片湿润时间均大于 12 h d 而晴天与多云之间无明显差异秋季温室内不同天气和位置叶片湿润时间的方差分析结果图3 b 表明晴天天气条件下西南相比于西北和中部靠北具有极显著差异叶片湿润时间小于2h d 的位置有西北 0h d 中部靠北 0 h d 西南是叶片湿润时间 10 h d 最长的区域雨天的叶片湿润时间相比于多云也具有显著差异温室内所有位置的叶片湿润时间均大于 10 h d 这说明晴天和多云天气条件下叶片湿润时间的空间分布总体规律是南部中部北图 2 小汤山和房山温室RHM 和BPNN 估算值与实际值的比较 Fig 2 ComparisonofRHMandBPNNestimatedvaluesandactualvaluesinXiaotangshanandFangshansolargreenhouses 表 2 R H M 和 B P N N 的统计指标和误差 Table2 StatisticalindexesanderrorsofRHMandBPNN 地区小汤山房山模型 BPNN RHM BPNN RHM R 2 0 87 0 24 0 85 0 09 SD 5 91 5 91 4 81 4 81 MAE 1 81 3 81 1 61 3 36 MSE 4 42 26 53 3 50 20 97 RMSE 2 10 5 15 1 87 4 58 1 4 0刘鉴等考虑日光温室空间异质性的黄瓜叶片湿润时间估算模型研究 Vol 2 No 2 部南面是叶片湿润平均时间 12 17 h d 最长的区域由东向西方向上叶片湿润时间的空间分布总体规律是东部西部中部中部是叶片湿润平均时间 4 83 h d 最短的区域雨天的叶片湿润时间比晴天和多云长春季和秋季分别为17 15 和17 41h d 4 讨论与结论本试验基于BPNN 模型估算小汤山和房山温室内各9 个方位的叶片湿润时间平均绝对误差 MAE 分别为1 81 和1 61 h 与已报道的小麦 15 和番茄 17 有0 5 h 左右的差距原因可能是黄瓜叶片的湿润特性与小麦和番茄不同 22 尽管神经网络模型没有明确环境因子和叶片湿润时间之间的关系变化但它强大的特征提取能力非常适合在数据挖掘时实现对输出数据的非线性拟合所以仍可用于估算叶片湿润时间 23 日光温室内夜间温度由南向北逐渐升高湿度与之相反白天辐射由南向北依次减弱中部温度整天高于东西两侧 18 24 本研究中湿润时间的分布规律在南北向与温度分布规律相反与相对湿度和辐射分布规律相同东西方向上中部温度较高湿润 a 春季温室 b 秋季温室注小写字母表示不同方位的差异大写字母表示天气之间的差异不同字母之间表示具有统计学意义上的显著差异相同字母之间表示不存在统计学意义上的显著差异显著差异水平为0 05 N North 表示北 E East 表示东图 3 温室内不同天气和位置叶片湿润时间的方差分析 Fig 3 AnalysisofvarianceofLWDindifferentweatherandpositions 1 4 1Vol 2 No 2 智慧农业中英文 S m a r t A g r i c u l t u r e 时间较短东部的温室出入口使东部温度低于西部是东部湿润时间高于西部的主要原因雨天温室内相对湿度大易造成叶片湿润表明日光温室环境因子的差异性会影响叶片湿润时间本研究使用了2019 年3 月至11 月小汤山和房山两个温室的环境数据作为BPNN 模型的测试数据模拟效果较好但BPNN 模型能否预测不同季节和不同品种的黄瓜叶片湿润时间还需要进一步验证后续可利用不同品种不同年份和不同地区的实际叶片湿润时间验证模型从而提高模型的泛化性 25 26 本研究阐述了叶片湿润时间在水平方向上的异质性同一植

展开阅读全文