硫是植物生长发育的一种必需营养元素，主要以SO42-的形式被植物吸收。硫酸盐转运蛋白(SULTR)在植物吸收与转运硫的过程中发挥着重要的作用。本研究鉴定得到10个黄瓜SULTR基因家族成员(CsaSULTR1;1~CsaSULTR4;1)。系统发育分析结果表明，黄瓜和拟南芥的SULTR可分为GROUP 1～4四个类群。大多数CsaSULTR基因含9～12个内含子，且亲缘关系相近的成员之间基因结构也十分相似。启动子顺式元件分析预测表明，CsaSULTR基因家族成员均包含与激素应答和胁迫相关的作用元件，表明它们可能在生长发育过程中发挥了主要作用。转录组数据表达分析也表明，CsaSULTR基因在各种组织间都存在着比较突出的表达特异性，且部分基因的表达量在霜霉病胁迫下表现出显著的改变。这些结果为下一步研究黄瓜SULTR基因的功能奠定了重要的基础。

葡萄霜霉病是全球危害最严重的葡萄病害, 对该病进行早期检测和防治, 可提高葡萄品质和产量, 提出一种基于多光谱荧光成像技术(MFI)和支持向量机模型(SVM)的霜霉病早期检测方法。 对人工接种霜霉病的葡萄叶片(145个)和健康对照叶片(145个)从叶背面连续6天进行多光谱荧光成像, 获得试验叶片16个荧光参数(4个单独波段F440, F520, F690, F740及其相互比值)的图像。 在分析不同荧光波段图像随接种天数(DPI)变化规律基础上, 通过单因素方差分析和相关性分析, 优选出进行霜霉病早期检测的4个波段特征F520, F690, F440/F740, F690/740, 利用这4个特征构建基于SVM的霜霉病检测模型。 试验发现, 16个荧光参数都有早期检测霜霉病的潜力, 四个单独波段中F440和F520比F690和F740对霜霉病的侵染更敏感, 6DPI才显症的病斑能在F440和F520波段2DPI(接种后第二天)的荧光图像中凸显, 接种叶片F440和F520波段荧光强度均随着DPI增加快速升高, 在2DPI显著高于健康叶片(p<0.01), 并随着DPI增加更加显著(p<0.0001); 接种叶片F690和F740波段荧光强度均随着DPI增加逐渐减小, 1DPI—3DPI与健康叶片无显著差异, 从4DPI开始显著低于健康叶片(p<0.05), 并在5DPI—6DPI更加显著(p<0.01); 健康叶片荧光参数变化很小。 F440极易受干扰, 变异系数最大, F520最稳定。 随着DPI增加, 叶片被侵染程度加深, 4个特征融合的SVM模型对健康和接种叶片检测准确率逐渐提高, 1DPI的准确率为65.6%, 3DPI检测准确率为82.2%, 整个试验周期(1DPI—6DPI)的平均检测准确率达84.6%, 高于单一特征中最优波段F520的阈值检测结果(1DPI的准确率为61.1%, 3DPI检测准确率为78.9%, 整个试验周期为80.0%)。 结果表明利用MFI技术和SVM模型能实现霜霉病显症前的早期检测, 为便携式葡萄霜霉病早期诊断设备的开发提供了理论依据。

温室黄瓜霜霉病严重度的准确估算是科学防治霜霉病的前提条件, 对于减少农药使用量、 提升温室黄瓜品质和农民经济效益具有重要意义。 机器学习在植物病害诊断领域的应用越来越广泛, 已经取得了丰富的研究成果, 病害严重程度的估算萌发了新的思路。 利用霜霉病可见光图像并结合机器学习方法, 开展温室黄瓜霜霉病严重度快速准确定量估算研究。 利用数码相机采集温室黄瓜霜霉病叶片图像并进行预处理, 剔除病害图像的背景。 以黄瓜霜霉病叶片图像为输入, 构建基于卷积神经网络（CNN）的估算模型。 利用可见光光谱颜色特征（CVCF）结合支持向量机进行温室黄瓜霜霉病病斑图像分割, 采用SURF（speeded up robust features）特征及形态学操作对分割结果进行优化。 在获取黄瓜霜霉病病斑分割图像后, 提取病斑图像RGB, HSV, L*a*b*, YCbCr和HSI共5个颜色空间15个颜色分量的平均值和标准差2个颜色特征, 以及在此基础上结合灰度共生矩阵提取各颜色分量的对比度、 相关性、 熵和平稳度4个纹理特征, 共计90个特征； 利用Pearson相关性分析进行特征优选, 采用与温室黄瓜霜霉病严重程度实际值相关性高的图像特征构建浅层机器学习估算模型, 包括支持基于向量机回归（SVR）的估算模型和基于BP神经网络（BPNN）的估算模型。 基于以上3种估算模型开展黄瓜霜霉病严重度定量估算, 采用决定系数（R2）和归一化均方根误差（NRMSE）对估算模型准确率进行定量评价。 结果表明, 模型估算的温室黄瓜霜霉病严重度与实际值之间具有良好的线性关系, 其中, 基于CNN的估算模型准确率最高, 模型的R2为0.919 0, NRMSE为23.33%, 其次是基于BPNN的估算模型, 其R2为0.890 8, NRMSE为24.64%, 基于SVR的估算模型的准确率最低, 其R2为0.8901, NRMSE为31.08%。 研究结果表明, 利用黄瓜霜霉病可见光图像数据, 结合卷积神经网络估算模型, 实现了温室黄瓜霜霉病严重度的准确估算, 能够为温室黄瓜霜霉病的科学防治提供参考, 提高病害防治效率, 减少农药使用。

针对温室现场环境下采集的黄瓜霜霉病叶片图像中存在光照不均匀和背景复杂的问题, 提出了一种基于可见光光谱和支持向量机的温室黄瓜霜霉病图像分割方法。 首先, 提出了一种基于可见光谱的颜色特征CVCF(combination of three visible color features)及其检测方法, 该颜色特征将超红特征(excess red, ExR)、 H分量和b*分量三种颜色特征结合, 通过设置ExR参数, 降低光照条件对ExR的影响, 克服了光照不均匀对病斑分割的影响。 在CVCF的基础上, 结合基于径向基核函数的支持向量机分类器, 通过优化分类器参数构建病斑分割模型, 获得了温室黄瓜霜霉病图像初始分割结果。 在初始分割结果基础上, 采用SURF(speeded up robust features)特征及形态学操作, 对分割结果进一步优化, 消除背景噪声对分割结果的影响, 从而获得最终病斑分割结果。 为进一步验证方法的有效性, 选择了OTSU算法、 K均值聚类算法和决策树算法, 作对比研究。 结果表明, OTSU+H*0.2, K-means+H+b*, DT+H+b*和该研究算法的错分率分别为: 19.44%, 40.19%, 16.27%和7.37%, 该算法对温室现场环境下采集的黄瓜霜霉病图像的分割效果明显优于其他对比方法。 该方法能够充分克服光照不均匀和复杂背景的影响准确地提取病斑, 为病害识别提供了良好的数据来源。

叶绿素浓度是植物生长的指示剂, 而叶片的SPAD值则可以反映植物叶绿素含量, 从而监测植物的生长状况。 本文采用可见-近红外（380～1 030 nm）高光谱成像技术可以实现南瓜叶片SPAD值的可视化, 同时根据叶片霜霉病疫情与叶绿素含量呈显著正相关进而可以快速诊断霜霉病疫情。 通过测定健康叶片和感染不同霜霉病疫情的叶片光谱曲线, 采用竞争性自适应重加权算法（CARS）进行特征波段的选择, 可以得到10条特征波段, 再结合偏最小二乘回归法（PLSR）进行南瓜叶片SPAD的预测。 结果表明, 通过对48个样本的训练, 对23个样本进行预测, 可以得到南瓜叶片SPAD较好的预测效果, 其中RC=0.918, RMSECV=3.932; RCV=0.846, RMSECV=5.254; RP=0.881, RMSEP=3.714。 根据叶片光谱特征波段与SPAD之间的线性回归方程可以计算叶片各个像素点的SPAD值, 最后采用图像处理技术可以得到南瓜叶片SPAD的可视化分布图, 同时也反映了霜霉病的感染分布, 进而判断南瓜叶片的霜霉病疫情。 该研究为监测植物生长状况及判别南瓜叶片霜霉病疫情奠定了理论基础。

为了实现对黄瓜病害的快速无损准确预测， 基于激光诱导叶绿素荧光光谱分析技术， 建立了温室黄瓜霜霉病害的预测模型。 通过测定健康叶片、 病菌接种3 d叶片和接种6 d叶片的光谱曲线， 采用一阶导数光谱预处理方法， 结合主成分分析数据降维方法对三组光谱数据进行特征信息提取后， 建立主成分得分散点图， 依据累积贡献率选取10个主成分代替导数光谱曲线， 再利用最小二乘支持向量机技术进行分类和预测。 通过对三组光谱数据105个样本的训练， 对44个样本进行分类预测， 并对比了四种核函数的支持向量机的分类能力， 结果表明， 径向基核函数对黄瓜霜霉病害的分类预测能力达到了97.73%， 具有很好的分类和鉴别效果。

为了挖掘有利于光谱分类的有效特征信息，选取园艺作物黄瓜的霜霉病害为研究对象，利用窄带滤光片型多光谱成像系统，获取患病黄瓜叶面的14个可见光通道、近红外通道和全色通道的多光谱图像。在此基础上，实验采用多光谱图像的平均灰度值和标准差，通过图像可识别度模型，对6个霜霉病害样本的16通道多光谱数据可识别度排序，目的是探讨能有效识别黄瓜植株霜霉病害的特征波段。实验结果表明，用亮度信息提取霜霉病害的多光谱图像特征波段，能快速提取病害的特征波段信息。其中700，600，589和546 nm的窄带多光谱图像具有较丰富的黑白强度分布和较好的明暗对比度，可以作为黄瓜霜霉病害光谱分类的有效特征信息通道。