一种基于叶绿素荧光技术的作物冷损伤程度分级方法技术

一种基于叶绿素荧光技术的作物冷损伤程度分级方法，在不同低温条件下培养作物植株相同时间，获取用于建立分级模型的若干组PSⅡ叶绿素荧光参数以及用于模型验证的若干组PSI叶绿素荧光参数，其中每组PSⅡ叶绿素荧光参数包含15种叶绿素荧光参数，分析不同低温温度及持续时间下作物叶片15种叶绿素荧光参数变化情况；对15种叶绿素荧光参数进行归一化处理后，进行相关性分析，简化选取前4个主成分，基于层次聚类方法对4个主成分相应的综合因子作无监督分类，将作物叶片分为6级，并采用PSI参数Y(I)对分级结果进行验证。本发明专利技术可为检测作物冷损伤程度提供新的研究方法，在作物冷害无损诊断方面有良好的前景。诊断方面有良好的前景。诊断方面有良好的前景。

【技术实现步骤摘要】
一种基于叶绿素荧光技术的作物冷损伤程度分级方法


[0001]本专利技术属于人工智能与农业
，特别涉及一种基于叶绿素荧光技术的作物冷损伤程度分级方法。

技术介绍

[0002]在全球变暖的背景下，极端天气发生的频率和强度逐渐增加。一些喜温喜光，不耐低温的作物，例如黄瓜，在反季节栽培时容易受到低温冷害，影响到作物的产量和品质。低温敏感作物的冷敏感习性导致其遭受冷害的现象在我国北部地区进行冬季或早春生产时常有发生，不仅严重影响作物品质，同时在产量上也给种植者造成了巨大的损失。这证明了研究低温条件下这类作物叶片状态检测及损伤程度分级的必要性。
[0003]针对该问题，许多学者从低温敏感作物的生长发育状态、生理生化抗性、光合速率等方面对低温下叶片进行了研究。虽然各类生理参数可以对低温情况下叶片状态作有效表征，为损伤程度分级提供依据，但相关试验多为破坏性检测，且操作步骤繁琐，不能实现胁迫条件下的叶片损伤程度的快速鉴定与分级。叶绿素荧光技术是一种快速、非侵入性、非常敏感的评价光系统II(PSII)效率的方法。它通常用于确定植物对各种环境胁迫的响应。叶绿素荧光与光合碳代谢和叶片气体交换密切相关，其参数测定提供了光化学过程中所消耗的能量以及热量所损失的能量的信息，作为研究光合作用的探针，在植物生长和环境胁迫方面显示出巨大的潜力。Makonya等人(2020)认为，叶绿素荧光技术是大田条件下选择耐热鹰嘴豆基因型的合适工具，在相当高的光照水平下测定的Fv/Fm与籽粒产量呈正相关。Dong et al.(2020)利用ChlF成像系统研究了番茄冷害与ChlF参数之间的相关性，并利用6个ChlF参数值评价番茄幼苗的冷害等级。训练集识别正确率为90.3％，验证集识别正确率为90％。Alexander等人(2020)通过Fv/Fm参数描述了一种传感器的特性，该传感器用于定量农田应用的农业植物中的除草剂和病原体胁迫。他们发现，利用Fv/Fm参数进行胁迫检测适合作为作物管理决策的专家工具。纪建伟等(2021)针对番茄幼苗受弱光胁迫及补光恢复情况，采用叶绿素荧光技术，对比各荧光参数图像后，选取Y(Ⅱ)来评估弱光胁迫番茄叶片的损伤和补光恢复，基于BP神经网络建立的补光恢复识别模型总体准确率R＝98.9％，均方误差为u＝0.11421。上述研究利用叶绿素荧光技术识别作物非生物胁迫取得一定的成果，但目前胁迫分级主要采取经验值方法，还未出现基于叶绿素荧光技术对植物胁迫程度作无监督分类的研究。

技术实现思路

[0004]为了克服上述现有技术的缺点，本专利技术的目的在于提供一种基于叶绿素荧光技术的作物冷损伤程度分级方法，以期为检测作物冷损伤程度提供新的研究方法。
[0005]为了实现上述目的，本专利技术采用的技术方案是：
[0006]一种基于叶绿素荧光技术的作物冷损伤程度分级方法，包括如下步骤：
[0007]步骤1，在不同低温条件下培养作物植株相同时间，获取用于建立分级模型的若干
组PSⅡ叶绿素荧光参数以及用于模型验证的若干组PSI叶绿素荧光参数，其中每组所述PSⅡ叶绿素荧光参数包含该条件下作物植株功能叶片的15种叶绿素荧光参数，分析不同低温温度及持续时间下作物叶片15种叶绿素荧光参数变化情况；
[0008]步骤2，对得到的若干组PSⅡ叶绿素荧光参数进行归一化处理后，进行相关性分析；
[0009]步骤3，基于PCA方法简化15种叶绿素荧光参数，选取前4个主成分，反映了95％以上的数据信息；
[0010]步骤4，基于层次聚类方法对所得到的4个综合因子作无监督分类，将作物叶片分为6级，从0级～5级分别为健康、良好、轻度冷害、中度冷害、重度冷害和特重度冷害；
[0011]步骤5，采用PSI叶绿素荧光参数对分级结果进行评价，证明基于叶绿素荧光技术进行低温条件下叶片损伤程度分级的可行性。
[0012]优选地，所述步骤1中，通过PSⅡ活性测定，得到作物叶片PSⅡ叶绿素荧光参数n组，用于分级模型构建，每组包含15种叶绿素荧光参数，通过PSⅠ活性测定，得到PSI叶绿素荧光参数n组，用于分级模型验证。
[0013]优选地，所述步骤2中，若干组PSⅡ叶绿素荧光参数组成的数据集为X＝(X1,X2,X3,...,X
i
,...,X
n
)，其中X
i
表示第i组PSⅡ叶绿素荧光参数，X
i
＝(x
i1
,x
i2
,...,x
ij
,...,x
il
)，x
ij
表示第i组PSⅡ叶绿素荧光参数中第j种叶绿素荧光参数，n为PSⅡ叶绿素荧光参数的总组数，也即数据集组数，i＝1～n，l为叶绿素荧光参数数量，j＝1～l，l＝15；
[0014]利用如下的线性归一化函数对数据集X在[0，1]范围内进行归一化处理：
[0015][0016]归一化后，数据集X＝(X1,X2,X3,...,X
i
,...,X
n
)转化为Y＝(Y1,Y2,Y3,
…
,Y
i
,...,Y
n
)，其中Y
i
表示X
i
的归一化结果，Y
i
＝(y
i1
,y
i2
,
…
,y
ij
,
…
,y
il
)，y
ij
表示x
ij
归一化后得到的值，x
ijmax
和x
ijmin
表示x
ij
的最大值和最小值。
[0017]优选地，所述步骤2中，采用皮尔逊相关性分析来反映15种叶绿素荧光参数之间的线性相关程度，其公式为：
[0018][0019]其中M
c
表示数据集Y中第c维度数据即第c种叶绿素荧光参数数据的集合，M
d
表示数据集Y中第d维度数据即第d种叶绿素荧光参数数据的集合，M
c
＝(m
1c
,m
2c
,
…
,m
nc
)，M
d
＝(m
1d
,m
2d
,...,m
nd
)，c,d＝1,2,...,l；m
nc
为表示数据集Y中第n行第c维度数据即第n行第c种叶绿素荧光参数，m
nd
为表示数据集Y中第n行第d维度数据即第n行第d种叶绿素荧光参数；
[0020]相关系数值在
‑
1到1之间，越接近于1，说明其正相关性越强，越接近于
‑
1，说明其负相关性越强，越接近0，相关性越弱，相关性绝对值与相关性强弱之间的关系定义如下：
[0021]相关性绝对值取值为0.8
‑
1.0、0.本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于叶绿素荧光技术的作物冷损伤程度分级方法，其特征在于，包括如下步骤：步骤1，在不同低温条件下培养作物植株相同时间，获取用于建立分级模型的若干组PSII叶绿素荧光参数以及用于模型验证的若干组PSI叶绿素荧光参数，其中每组所述PSII叶绿素荧光参数包含该条件下作物植株功能叶片的15种叶绿素荧光参数，分析不同低温温度及持续时间下作物叶片15种叶绿素荧光参数变化情况；步骤2，对得到的若干组PSII叶绿素荧光参数进行归一化处理后，进行相关性分析；步骤3，基于PCA方法简化15种叶绿素荧光参数，选取前4个主成分，反映了95％以上的数据信息；步骤4，基于层次聚类方法对所得到的4个综合因子作无监督分类，将作物叶片分为6级，从0级～5级分别为健康、良好、轻度冷害、中度冷害、重度冷害和特重度冷害；步骤5，采用PSI叶绿素荧光参数对分级结果进行评价，证明基于叶绿素荧光技术进行低温条件下叶片损伤程度分级的可行性。2.根据权利要求1所述基于叶绿素荧光技术的作物冷损伤程度分级方法，其特征在于，所述步骤1中，通过PSII活性测定，得到作物叶片PSII叶绿素荧光参数n组，每组包含15种参数，用于分级模型构建，通过PSI活性测定，得到PSI叶绿素荧光参数n组，用于分级模型验证。3.根据权利要求1或2所述基于叶绿素荧光技术的作物冷损伤程度分级方法，其特征在于，所述15种叶绿素荧光参数分别为：暗适应后的最小荧光强度F
o
、暗适应后的最大荧光强度F
m
、可变荧光强度的变化量F
v
、饱和脉冲之前测得的瞬时荧光水平F、在暗适应状态下测量的PSII的最大光化学量子产量F
v
/F
m
、在暗适应状态下测量的PSII的潜在活性F
v
/F
o
、PSII实际光化学量子产量Y(II)、光诱导下非光化学荧光猝灭量子产量Y(NPQ)、非调节性热耗散及荧光发射量子产量Y(NO)、非光化学荧光猝灭NPQ、光化学淬灭系数qP、假设PSII天线相互连接的光化学猝灭系数qL、非光化学猝灭系数qN、照光样品的最大荧光水平F
m
’
以及照光样品的最大荧光水平F
o
’
，所述PSI叶绿素荧光参数为PSI实际光化学量子产额Y(I)。4.根据权利要求1所述基于叶绿素荧光技术的作物冷损伤程度分级方法，其特征在于，所述步骤2中，若干组PSII叶绿素荧光参数组成的数据集为X＝(X1，X2，X3，...，X
i
，...，X
n
)，其中X
i
表示第i组PSII叶绿素荧光参数，X
i
＝(x
i1
，x
i2
，...，x
ij
，...，x
il
)，x
ij
表示第i组PSII叶绿素荧光参数中第j种叶绿素荧光参数，n为PSII叶绿素荧光参数的总组数，也即数据集组数，i＝1～n，l为叶绿素荧光参数数量，j＝1～l，l＝15；利用如下的线性归一化函数对数据集X在[0，1]范围内进行归一化处理：归一化后，数据集X＝(X1，X2，X3，...，X
i
，...，X
n
)转化为Y＝(Y1，Y2，Y3，...，Y
i
，...，Y
n
)，其中Y
i
表示X
i
的归一化结果，Y
i
＝(y
i1
，y
i2
，..，y
ij
，...，y
ij
)，y
ij
表示x
ij
归一化后得到的值，x
ijmax
和x
ijmin
表示x
ij
的最大值和最小值。5.根据权利要求4所述基于叶绿素荧光技术的作物冷损伤程度分级方法，其特征在于，所述步骤2中，采用皮尔逊相关性分析来反映15种叶绿素荧光参数之间的线性相关程度，其公式为：
其中M
c
表示数据集Y中第c维度数据即第c种叶绿素荧光参数数据的集合，M
d
表示数据集Y中第d维度数据即第d种叶绿素荧光参数数据的集合，M
c
＝(m
1c
，m
2c
，...，m
nc
)，M
d
＝(m
1d
，m
2d
，...，m
nd
)，c，d＝1，2，...，l；m
nc
为表示数据集Y中第n行第c维度数据即第n行第c种叶绿素荧光参数，m
nd
为表示数据集Y中第n行第d维度数据即第n行第d种叶绿素荧光参数；相关系数值在
‑
1到1之间，越接近于1，说明其正相关性越强，越接近于
‑
1，说明其负相关性越强，越接近0，相关性越弱，相关性绝对值与相关性强弱之间的关系定义如下：相关性绝对值取值为0.8
‑
1.0、0.6
‑
0.8、0.4
‑
0.6、0.2
‑
0.4、0
‑
0.2，对应的相关性强弱分别为极强、较强、中等、较弱、不相关。6.根据权利要求5所述基于叶绿素荧光技术的作物冷损伤程度分级方法，其特征在于，所述步骤3中，主成分分析方法为：将Y用矩阵Y＝(y
ij
)
n
×
l
表示，Y的相关性矩阵R＝(r
sq
)
l
×
l
，其中s，q＝1，2，...，l；对相关性...

【专利技术属性】
技术研发人员：胡瑾，卢苗，魏子朝，雷文晔，卢有琦，
申请(专利权)人：西北农林科技大学，
类型：发明
国别省市：