1 西北农林科技大学机械与电子工程学院,陕西 杨凌 712100
2 陕西省农业信息感知与智能服务重点实验室,陕西 杨凌711200
3 浙江农林大学光机电工程学院,浙江 杭州 311300
针对马铃薯晚疫病害的早期检测和防治问题, 利用光谱技术对马铃薯晚疫病叶片过氧化物酶(POD)活性进行预测, 并基于POD酶活性实现了马铃薯晚疫病的患病程度预测。 采集和测定处于不同温湿度及接菌时间的马铃薯叶片样本的光谱反射率和POD酶活性, 选用中心化(MC)预处理方法以消除原始光谱数据的误差。 为降低模型复杂程度, 利用随机青蛙算法(RF)、 连续投影算法(SPA)、 竞争自适应加权算法(CARS)对波长进行筛选, 结果表明利用CARS算法提取的72个特征波长数据建立的POD酶活性的偏最小二乘回归(PLSR)预测模型效果最好, 其预测集的决定系数为0.958 1、 均方根误差RMSEp为25.698 6 U·(g·min)-1。 最后利用径向基函数神经网络(RBFNN)拟合了POD酶活性和温湿度、 接菌时间的关系, 建立了POD酶活性的动力学模型, 实现了基于POD酶活性的马铃薯晚疫病患病程度预测。 结果证明利用光谱技术快速测定POD酶活性以实现马铃薯晚疫病患病程度预测是可行的。
马铃薯晚疫病 光谱技术 过氧化物酶 特征波长 患病预测 Potato late blight Spectroscopy Peroxidase Characteristic wavelength Disease prediction 光谱学与光谱分析
2022, 42(5): 1426
云南师范大学物理与电子信息学院, 云南昆明 650500
针对马铃薯晚疫病, 提出了将病害叶片和健康叶片联合测试并提取有效特征波长的检测方法。对健康和病害叶片的光谱图像进行主成分分析, 并从主成分图像的权重系数曲线中提取出 6个健康叶片特征波长和病害叶片特征波长。基于健康叶片与病害叶片的 6个特征波长做第二次主成分分析, 将特征波长优化至 712.19 nm、749.70 nm和 841.47 nm, 再基于这 3个特征波长做主成分分析, 选用主成分中对比度最明显的图像来识别病害区域。研究表明, 采用健康叶片与病害叶片联合使用并结合二次主成分分析可实现马铃薯叶片病害的设别, 且识别率可达 100%。
高光谱成像技术 马铃薯晚疫病 健康病害结合 二次主成分分析 特征波长 hyperspectral imaging technolog potato late blight combination of health and disease second principal component analysis characteristic wavelength
云南师范大学 物理与电子信息学院, 云南 昆明650500
利用Spectrocam多光谱相机获取C-88马铃薯健康叶片和患晚疫病叶片的可见光及近红外通道的多光谱图像。综合考虑多光谱图像各通道间的相关性及其信息量,采用波段指数法选取两种叶片的特征波段,并通过欧氏距离聚类方法对所提取的特征波段进行分类。实验结果表明,用波段指数法提取多光谱图像的特征波段,能快速获得马铃薯叶片的信息,475 nm、558 nm、717 nm、750 nm、850 nm作为马铃薯健康叶片的特征波段,马铃薯患晚疫病叶片的特征波段是509 nm、620 nm、717 nm、750 nm和832 nm。采用欧氏距离法对健康和患病叶片进行识别,其识别率分别可达92.6%和92.8%。因此利用多光谱成像技术可以进行马铃薯病害的快速、准确识别,为实现马铃薯病害的田间实时在线监测提供了参考。
多光谱 马铃薯叶片 特征波段 晚疫病 波段指数法 multispectral the potato leaf characteristics of band late blight disease band index method
1 西北农林科技大学机械与电子工程学院, 陕西 杨凌 712100
2 西北农林科技大学植物保护学院, 陕西 杨凌 712100
3 浙江大学生物系统工程与食品科学学院, 浙江 杭州 310058
鉴于晚疫病可对马铃薯造成毁灭性灾害, 对受晚疫病胁迫的马铃薯叶片进行了高光谱图像特征研究。 旨在探索马铃薯叶片的高光谱图象特征与晚疫病害程度的关联, 以实现准确、 快速、 无损的晚疫病诊断。 采用60片马铃薯叶片, 对其中48片采用离体方式接种晚疫病菌, 所剩12片作为对照, 染病前后连续观测7天, 得到染病和健康样本。 健康和染病样本按照染病时间和染病程度不同采用374～1 018 nm波段范围的可成像高光谱仪分别采样, 基于ENVI软件处理平台提取图像中感兴趣区的光谱信息, 并采用移动平均平滑、 导数处理、 光谱变换、 基线变换等预处理方法提高信噪比, 建立了最小二乘支持向量机（LS-SVM）的识别模型。 9个模型中, 基于原始光谱(不预处理)和光谱变换预处理后的数据所建立的模型预测效果最好, 识别率均达到了94.87%。 表明基于高光谱成像技术可以实现晚疫病胁迫下马铃薯病害程度的有效区分。
高光谱成像技术 马铃薯 晚疫病 最小二乘支持向量机 Hyperspectral imaging technique Potatoes Late blight disease LS-SVM
福建农林大学植物病毒研究所, 福建 福州 350002
为明确福建省马铃薯晚疫病菌线粒体DNA单倍型组成和分布情况, 采用PCR-RFLP方法分析了2010-2012年从福建省7个地区(福州, 长乐, 漳州, 青口, 龙海, 霞浦, 龙岩)分离的526个马铃薯晚疫病菌株的线粒体DNA单倍型及频率分布。结果表明Ⅰa型为主要单倍型, 占72.8％, 其次是Ⅱb型, 占26.42%, 最少的Ⅱa型, 占0.76％, 没有检测到Ⅰb型。与文献报道历史材料相比较, 说明福建省马铃薯晚疫病菌线粒体DNA单倍型的组成发生较大变化, 而且福建省马铃薯晚疫病菌线粒体单倍型组成比云南、四川和贵州等地区更为复杂。
马铃薯 晚疫病菌 线粒体DNA 单倍型 potato Phytophthora infestans mtDNA haplotype
