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

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 832003； 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 100097

摘要: 叶片湿润时间（LWD）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2019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：BP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（ACC为0.90和0.92），比相对湿度经验模型估算叶片湿润时间的准确度（ACC为0.82和0.84）更高，平均绝对误差MAE分别为1.81和1.61 h，均方根误差RSME分别为2.10和1.87，决定系数R²分别为0.87和0.85；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（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；雨天的叶片湿润平均时间比晴天和多云长，春季和秋季分别为17.15和17.41 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;BP神经网络；传感器

中图分类号: R857.3，S24 文献标志码: A 文章编号: 202001-SA003

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.

Citation:LIU Jian, REN Aixin, LIU Ran, JI Tao, LIU Huiying, LI Ming. Estimation model of cucumber leaf wetness duration considering the spatial heterogeneity of solar greenhouse[J]. Smart Agriculture, 2020, 2(2): 135-144.

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（Artificial Neural Network，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 Network，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1.3 h。

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7 m，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7 m，采光材料为聚乙烯薄膜。种植品种为“北农佳秀”。8月25日施有机肥（1500 kg）。垄宽60 cm，垄间距60 cm，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（ENVIROMONITOR，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15 min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。

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 Equipment layouts and sampling points of solar greenhouse

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1 h记录一次所有取样株叶片的湿润情况，每周观测5~6 d，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（RHM）　

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。

2.4.2　BP神经网络模型（BPNN）　

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traingdx，最后使用mapminmax语句将估计值进行反归一化。

（1）

（2）

式中， 为隐含层单元数； 为输出单元数； 为输入神经元数； 为1~10之间的常数； 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1 h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R²、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。

（3）

（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，Microsoft 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。

表1 BPNN和RHM的平均输出结果比较

Table 1 Comparison of the average output results of BPNN and 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。

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 Comparison of RHM and BPNN estimated values and actual values in Xiaotangshan and Fangshan solar greenhouses

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（R²=0.87）优于RHM（R²=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（R²=0.85）大于RHM（R²=0.09），BPNN预测效果（RMSE=1.87）好于RHM（RMSE=4.58），BPNN（MAE=1.61）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。

表2 RHM和BPNN的统计指标和误差

Table 2 Statistical indexes and errors of RHM and BPNN

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2 h/d的位置有西北（0.67 h/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（0 h/d）、中部（1.33 h/d）和东北（1.67 h/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2 h/d的位置有西北（0 h/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17.41 h/d。

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 Analysis of variance of LWD in different weather and positions

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，同一植株在垂直方向上的叶片湿润时间也是不同的。目前已有王娇娇等^[27]设计了作物长势监测仪数据采集与分析系统用于获取作物采样数据;白青等^[28]则研究了日光温室黄瓜叶面积指数、叶面积密度、叶倾角和叶方位角等群体结构要素在不同生育时期的变化，后续可利用作物长势监测系统采集日光温室不同生育期的作物垂直群体结构数据，分析BPNN对作物垂直群体结构数据和环境因子的敏感程度，将主要因素输入到BPNN模型中从而实现不同叶位湿润时间的精准预测。

本研究利用RHM和BPNN，分析了空间（水平方向）异质性对温室黄瓜叶片湿润时间的影响，结果表明：BPNN模型在两个温室的试验条件下获得了相似的准确度（ACC为0.90和0.92），比RHM估算叶片湿润时间的准确度（ACC为0.82和0.84）更高，RSME分别为2.10和1.87，R²分别为0.87和0.85。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（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17.41 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。本试验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。

参考文献:

[1] 李明, 赵春江, 李道亮, 等. 日光温室黄瓜叶片湿润传感器校准方法[J]. 农业工程学报, 2010, 26(2): 224-230.

LI M, ZHAO C, LI D, et al. Calibration method of leaf wetness sensor for cucumber in solar greenhouse[J]. Transactions of the CSAE, 2010, 26(2): 224-230.

[2] SENTELHAS P C, GILLESPIE T J, GLEASON M L, et al. Evaluation of a Penman-Monteith approach to provide “reference” and crop canopy leaf wetness duration estimates[J]. Agricultural and Forest Meteorology, 2006, 141(2-4): 105-117.

[3] BERUSKI G C, GLEASON M L, SENTELHAS P C, et al. Leaf wetness duration estimation and its influence on a soybean rust warning system[J]. Australasian Plant Pathology, 2019, 48(4): 395-408.

[4] IGARASHI W T, SILVA M A D A E, JOSE ALEXANDRE FRANTAN, et al. Estimation of soybean leaf wetness from meteorological variables[J]. Pesquisa Agropecuária Brasileira, 2018, 53(10): 1087-1092.

[5] ARAUZ L F, NEUFELD K N, LLOYD A L, et al. Quantitative models for germination and infection of Pseudoperonospora cubensis in response to temperature and duration of leaf wetness[J]. Phytopathology, 2010, 100(9): 959-967.

[6] SENTELHAS P C, MARTA A D, ORLANDINI S, et al. Suitability of relative humidity as an estimator of leaf wetness duration[J]. Agricultural and Forest Meteorology, 2008, 148(3): 392-400.

[7] GLEASON M L, TAYLOR S E, LOUGHIN T M, et al. Development and validation of an empirical model to estimate the duration of dew periods[J]. Plant Disease, 1994, 78(10): 1011-1016.

[8] 韩小爽, 李宝聚, 傅俊范. 李宝聚博士诊病手记(二十七)黄瓜霜霉病病原菌的侵染过程、传播途径及防治对策[J]. 中国蔬菜, 2010(15): 24-26.

HAN X, LI B, FU J. Doctor Li Baoju's Diagnosis Notes (27) Infection process, transmission route and control strategy of the pathogen of cucumber downy mildew[J]. China Vegetables, 2010(15): 24-26.

[9] 石延霞, 李宝聚, 刘学敏. 黄瓜霜霉病菌侵染若干因子的研究[J]. 应用生态学报, 2005, 16(2): 257-261.

SHI Y, LI B, LIU X, Several infection factors of Pseudoperonospora cubensis[J]. Chinese Journal of Applied Ecology, 2005,16(2): 257-261.

[10] LAU Y F, GLEASON M L, ZRIBA N, et al. Effects of coating, deployment angle, and compass orientation on performance of electronic wetness sensors during dew periods[J]. Plant Disease, 2000, 84(2): 192-197.

[11] ROWLANDSON T, GLEASON M L, SENTELHAS P C, et al. Reconsideration leaf wetness duration determination for plant disease management[J]. Plant Disease, 2015, 99(3): 310-319.

[12] MONTONE V O, FRAISSE C W, PERES N A, et al. Evaluation of leaf wetness duration models for operational use in strawberry disease-warning systems in four US states[J]. International Journal of Biometeorology, 2016, 60(11): 1761-1774.

[13] MAGAREY R D, RUSSO J M, SEEM R C. Simulation of surface wetness with a water budget and energy balance approach[J]. Agricultural and Forest Meteorology, 2006, 139(3-4): 373-381.

[14] 李明, 赵春江, 乔淑, 等. 基于冠层相对湿度的日光温室黄瓜叶片湿润时间估计模型[J]. 农业工程学报, 2010, 26(9): 286-291.

LI M, ZHAO C, QIAO S, et al. Estimation model of leaf Wetness duration based on canopy relative humidity for cucumbers in solar greenhouse[J]. Transactions of the CSAE, 2010, 26(9):286-291.

[15] FRANCL L J, PANIGRAHI S. Artificial neural network models of wheat leaf wetness[J]. Agricultural and Forest Meteorology, 1997, 88(1-4): 57-65.

[16] MARTA A D, VINCENZI M D, DIETRICH S, et al. Neural network for the estimation of leaf wetness duration: application to a Plasmopara viticola infection forecasting[J]. Physics and Chemistry of the Earth, Parts A/B/C, 2005, 30(1-3): 91-96.

[17] WANG H, SANCHEZ-MOLINA J A, LI M, et al. Improving the performance of vegetable leaf wetness duration models in greenhouses using decision tree learning[J]. Water, 2019, 11(1): ID 158.

[18] 白青, 王利, 张亚红, 等. 日光温室内黄瓜群体结构参数分析[J]. 北方园艺, 2008(5): 75-79.

BAI Q, WANG L, ZHANG Y, et al. Analysis of cucumber canopy architectural parameters in sunlight greenhouse[J]. Northern Horticulture, 2008(5): 75-79.

[19] 彭致功. 日光温室滴灌条件下小气候变化和植株蒸腾规律的研究[D]. 新乡: 中国农业科学研究院研究生院农田灌溉研究所, 2002.

PENG Z. Study on the environmental factors and plant transpiration under drip irrigation in solar greenhouse[D]. Xinxiang: Farmland Irrigation Research Institute of CAAS, 2002.

[20] COHEN Y. The combined effects of temperature, leaf wetness, and inoculum concentration on infection of cucumbers with Pseudoperonospora cubensis[J]. Canadian Journal of Botany, 2011, 55(11): 1478-1487.

[21] RUMELHART D E, HINTON G E, WILLIAMS R J. Learning representations by back propagating errors[J]. Nature, 1986, 323(6088): 533-536.

[22] 石辉, 王会霞, 李秧秧. 植物叶表面的润湿性及其生态学意义[J]. 生态学报, 2011, 31(15): 4287-4298.

SHI H, WANG H, LI Y. Wettability on plant leaf surfaces and its ecological significance[J]. Acta Ecologica Sinica, 2011, 31(15): 4287-4298.

[23] 温永菁, 李春, 薛庆禹, 等. 基于逐步回归与BP神经网络的日光温室温湿度预测模型对比分析[J]. 中国农学通报, 2018, 34(16): 115-125.

WEN Y, LI C, XUE Q, et al. Temperature and humidity prediction models in solar greenhouse: Comparative analysis based on stepwise regression and BP neural network[J]. Chinese Agricultural Science Bulletin, 2018, 34(16): 115-125.

[24] 张艳. 土壤—空气换热器作用下日光温室地表热湿传递规律的研究[D]. 太原： 太原理工大学, 2018.

ZHANG Y. The study on surface heat and moisture law of air-to-earthheat exchanger in solar greenhouse[D]. Taiyuan: Taiyuan University of Technology, 2018.

[25] 纪涛, 刘慧英, 许建平, 等. 日光温室黄瓜霜霉病初侵染阶段关键预测因子的筛选及验证[J]. 中国瓜菜, 2018, 31(5): 5-10.

JI T, LIU H, XU J, et al. Selecting and evaluation of key predictive factors in the primary infection stage of cucumber downy mildew in solar greenhouses[J]. China Cucurbits and Vegetables, 2018, 31(5): 5-10.

[26] 朱春侠, 童淑敏, 胡景华, 等. BP神经网络在日光温室湿度预测中的应用[J]. 农机化研究, 2012, 34(7): 207-210.

ZHU C, TONG S, HU J, et al. Application of nerve network on forecasting temperature in sunlight greenhouse[J]. Journal of Agricultural Mechanization Research, 2012, 34(7): 207-210.

[27] 王娇娇, 徐波, 王聪聪, 等. 作物长势监测仪数据采集与分析系统设计及应用[J]. 智慧农业, 2019, 1(4): 91-104.

WANG J, XU B, WANG C, et al. Design and application of data acquisition and analysis system for CropSense[J]. Smart Agriculture, 2019, 1(4): 91-104.

[28] 白青, 张亚红, 傅理, 等. 日光温室内南北方向黄瓜群体结构参数分析[J]. 西北农业学报, 2010, 19(7): 149-153.

BAI Q, ZHANG Y, FU L, et al. Analysis of cucumber canopy architectural parameters in the north and south directions in sunlight greenhouse[J]. Acta Agriculture Boreali-occidentalis Sinica, 2010, 19(7): 149-153.

Estimation Model of Cucumber Leaf Wetness Duration Considering the Spatial Heterogeneity of Solar Greenhouse

LIU Jian^1,2, REN Aixin¹, LIU Ran^1,2, JI Tao^1,2, LIU Huiying^1*, LI Ming^1,2*

(1. School of Agriculture Shihezi University, Shihezi 832003, China； 2.Beijing Research Center of Information Technology in Agriculture/National Engineering Research Center for Information Technology in Agriculture/ National Engineering Laboratory for Quality and Safety Traceability Technology and Application of Agricultural Products/National Meteorological Service Center of Urban Agriculture, Beijing 100097, China)

Abstract: Leaf wetness duration (LWD) is one of the important input variables of plant disease model, which is related to the infection of many leaf pathogens and affects the pathogen infection and developmental rate. In order to accurately predict the occurrence time and location of cucumber diseases in solar greenhouse, nine sampling points were set up in two different greenhouses located in Beijing in March and September 2019, according to the chessboard method to deploy temperature, humidity and light sensors. The fixed-point visual inspection method was used to collect the data every 1 h. From the leaf wetting to the leaf drying is the leaf wetness duration of a day. The relative humidity model (RHM) and back propagation neural network model (BPNN) were used to quantitatively estimate and analyze the LWD, the input layer of BPNN was temperature, humidity, radiation and location, the hidden layer was 10, and the output layer was location and whether the leaf surface was wet. The results showed that BPNN obtained similar accuracy

ACC = 0.90 and 0.92 under the experimental conditions of two greenhouses, which was higher than RHM ACC = 0.82 and 0.84 in estimating of LWD, the mean absolute errors MAE were 1.81 h and 1.61 h, root mean squared error RMSE were 2.10 and 1.87, and coefficient of determination R² were 0.87 and 0.85. In sunny and cloudy conditions, the spatial distribution of LWD was generally in the South > the Middle > the North. In the South, the average LWD was the longest, 12.17 h/d; from the east to the west, the spatial distribution of LWD was generally in the East > the West > the Middle. In the Middle, the average LWD was the shortest of 4.83h/d. The average LWD in rainy days was longer than that in sunny days and cloudy days, the average LWD in spring and autumn rainy days were 17.15 h/d and 17.41 h/d. These changes and differences had an important impact on the distribution of leaf wetness duration in the horizontal direction of cucumber population in greenhouse, which was closely related to the occurrence rule of most high humidity cucumber diseases. In this research, the method of regional analysis of the wet duration of cucumber leaves in greenhouse was proposed, which could provide a reference for simulating the spatial distribution of LWD in greenhouse, and also had a certain reference significance for the establishment of cucumber disease early warning system.

Key words: solar greenhouse; estimation model; regionalization; leaf wetness duration （LWD）； BPNN； sensor

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@126.com。

^* 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@aliyun.com；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@nercita.org.cn。

doi： 10.12133/j.smartag.2020.2.2.202001-SA003