一、温室黄瓜叶片八种黄化的识别与诊断措施（论文文献综述）
张晶[1]（2021）在《基于高光谱成像技术的甜菜生理生态参数检测方法研究》文中研究指明作物生理生态信息的获取是精细农业信息获取的关键和核心问题之一,传统检测方法时效性差且具有破坏性,无法满足对作物生理生态参数实时无损动态检测的需求。甜菜生理生态信息的快速无损检测是甜菜实际生产过程中制定精细化和科学化管理决策的根本依据,对发展绿色农业,实现甜菜的丰产高糖具有重要意义。本文以不同氮胁迫下的田间小区试验为测试平台,综合利用多年（2014、2015和2018）、多点（内蒙古赤峰市太平地镇甜菜种植区、呼和浩特市内蒙古农业大学教学农场和土默特左旗麻合理村）、多品种（KWS1676、KWS9147和KWS1231）、多栽培模式（移栽和直播）、多生育期（叶丛快速生长期、糖分增长期和糖分积累期）和多氮肥梯度（0～200 kg/hm2）的甜菜高光谱测试数据并同步结合生理生态参数（叶片氮含量、SPAD值和植株地上生物量）生化分析,探究基于高光谱成像技术的甜菜冠层尺度生理生态参数快速无损检测方法。主要研究内容及成果如下:（1）通过分析各生育期不同氮胁迫、不同试验区和不同品种甜菜冠层叶片氮含量、叶绿素含量和植株地上生物量的变化规律及相应光谱响应曲线的变化趋势,探究了甜菜生理生态参数变化规律和光学检测机理,验证了高光谱成像技术在甜菜生理生态参数检测上的适用性,确定了各试验区的最佳施氮量,内蒙古赤峰市太平地镇为108 kg/hm2,呼和浩特市内蒙古农业大学教学农场为120 kg/hm2以及土默特左旗麻合理村为130 kg/hm2。（2）在390-990 nm波段范围内,利用精细采样法构建了所有可能波段组合的归一化光谱指数（NDSI）和土壤调节光谱指数（SASI）,提出了利用PSO算法对SASI植被冠层调节参数L进行寻优的方法。通过分析NDSI和SASI与甜菜冠层氮含量间的相关性,以及对比不同建模算法对甜菜冠层氮含量估测模型的影响,确定了估测各生育期甜菜冠层氮含量的最佳光谱指数和反演模型。其中,叶丛快速生长期的最佳建模输入量为SASI1（418nm,686 nm）,验证集R2为0.82,RMSE为2.30 g/kg,RRMSE为7.11%;糖分增长期以SASI2（820 nm,655 nm）的建模效果最理想,验证集R2为0.74,RMSE为2.71 g/kg,RRMSE为10.21%;糖分积累期的最优建模参数为SASI3（874 nm,889 nm）,模型R2为0.80,RMSE为2.26 g/kg,RRMSE为8.75%。（3）应用CARS算法对高光谱数据进行降维处理并挖掘有效光谱信息,提取了各生育期甜菜地上生物量的特征波长。通过改进GWO算法收敛因子的更新方式和个体进化模式,提出了基于MDE-GWO算法的甜菜地上生物量SVM模型关键参数优化方法,并对比了SCV、GWO和DE-GWO算法对甜菜地上生物量SVM模型预测精度的影响,确定了MDE-GWO算法为甜菜地上生物量SVM模型关键参数的最佳优化方法。与SCV-SVM、GWO-SVM和DE-GWO-SVM模型相比,基于特征波长构建的各生育期MDE-GWO-SVM模型对甜菜地上生物量的估测精度最高。（4）在综合分析现有叶绿素估测光谱指数与甜菜冠层相对叶绿素含量（SPAD值）间相关关系及其构建方式的基础上,通过引入一个可变参数M到传统CI中提出了MCI,并利用PLS和MDE-GWO-SVM算法建立估测模型,对比不同输入参数对甜菜冠层叶绿素含量模型预测精度的影响,确定了各生育期甜菜冠层叶绿素含量的最佳估测光谱指数为MCI。基于MCI建立的MDE-GWO-SVM模型可实现甜菜冠层叶绿素含量的定量预测,叶丛快速生长期对应的验证集R2为0.85,RMSE为2.20和RRMSE为4.62%;糖分增长期R2为0.73,RMSE为2.97和RRMSE为5.78%;糖分积累期R2为0.79,RMSE为2.55和RRMSE为5.28%（5）利用高光谱图像数据“图谱合一”的特性,基于甜菜各生育期叶片氮含量和叶素含量的最佳光谱指数,分别计算高光谱图像中每个像素点对应的光谱指数信号,并结合优选的最佳估测模型将高光谱图像中所有像素点下的光谱信号分别转化为对应位置处的氮含量和叶绿素含量,最终实现各生育期甜菜冠层氮含量和叶绿素含量的可视化分布,可直观体现甜菜整个生长过程中冠层氮含量和叶绿素含量在时间和空间上的变化规律。
孔丽娟[2]（2021）在《颗粒物对温室叶类蔬菜生理信息影响规律的研究》文中研究说明雾霾颗粒物污染是学术界一直研究的热点问题,颗粒物不仅对人类健康和生产生活造成不良影响,对植物的危害也同样不容忽视。温室内颗粒物会造成作物生产环境污染,沉积在叶片表面影响作物的光合作用,吸收至作物体内对作物的品质和产量产生不利影响。本文基于有效成分模拟法,构建了人工模拟颗粒物的发生装置,以油菜（Brassica napus L.）、生菜（Lactuca sativa L.）、小白菜（Brassica chinensis L.）三种常见的设施叶类蔬菜为研究对象,通过获取气体交换参数、荧光动力学参数、生长指标和化学指标等各项光合生理信息,运用高光谱技术、叶绿素荧光分析、微观观察、化学分析、图像处理等手段,解析人工模拟颗粒物发生环境和自然雾霾颗粒物环境下,三种叶菜的各项光合生理特征、叶绿素荧光特征、高光谱特征、关键酶类等信息的变化规律,结合叶菜所处的生长期,实现了叶菜叶片对颗粒物污染的动态响应监测,建立了三种叶菜在不同生长期的净光合速率最优反演模型。研究了自然雾霾颗粒物环境下日光温室内温度、空气质量、光照强度的变化,基于图像处理技术,提出了利用计数叶片沉积颗粒物的方法,提前判断雾霾天气颗粒物污染程度,以期减小颗粒物对叶菜生产的危害。提出了温室应对自然雾霾颗粒物环境的调控策略和栽培优化建议,达到降低颗粒物对叶菜的不良影响的目的。本文为实现温室作物优质高产提供新方法,也为深入研究颗粒物影响叶菜的生理生化反应的机理提供参考,为实现温室设施精准管控提供理论和技术支持。主要研究内容及结果如下:1.采用有效成分模拟法,搭建了人工模拟颗粒物发生环境,实现了颗粒物的定量定时输出,研究了颗粒物污染环境和自然雾霾环境下,采收期生菜、油菜、小白菜的高光谱反射率和一阶导数特征。受颗粒物污染后的叶菜在可见光波段内有较高反射率,光谱黄边和蓝边位置变化基本一致,但红边位置发生蓝移,生菜在可见光绿光区的高光谱反射率峰值最大,其次是小白菜,最小的是油菜,这些响应特征可作为颗粒物污染作用的敏感指示。通过对比颗粒物作用1小时和3小时的叶片微观结果,得出颗粒物堵塞叶片气孔进而影响叶菜光合作用的机理。由叶菜高光谱特征、植物表型差异、颗粒物微观沉积图像分析可知,小白菜和生菜滞留吸附颗粒物能力强于油菜,油菜的红边蓝移现象最明显,受颗粒物的影响最大,对颗粒物污染较敏感。2.基于间断和连续两种颗粒物污染作用方式,连续动态测定三种叶菜在三个生长阶段内的各项生理指标,包括气体交换参数（净光合速率、气孔导度、胞间二氧化碳浓度等）、生长指标（叶面积、株高、色素含量、相对叶绿素含量SPAD、鲜干重等）、荧光动力学参数(Fv/Fm、ΦPSⅡ)以及三个化学指标（总蛋白定量TP、丙二醛含量MDA、过氧化物酶活力POD）。整体来看,三种叶菜的SPAD含量随着生长期的推进而呈现增大的变化趋势,且对照组（CG组）的增长速度远远高于试验组（EG1组和EG2组）,小白菜对照组的增长率约14.22%,EG1组和EG2组的增长率分别为3.74%和3.77%,颗粒物污染作用对小白菜SPAD含量伤害作用显着。三种叶菜试验组的株高增长率均比对照组低,叶片的鲜重、干重、含水量、各色素浓度也出现不同程度的下降。健康环境下生长的叶菜叶片比受颗粒物污染作用后的叶菜叶片长势好,CG组的叶片个数和叶片大小都优于试验组。叶菜叶片长势的优劣程度为:CG组>EG2组>EG1组。对比健康正常生长的对照组,两种颗粒物污染方式均对三种叶菜的各项生理指标造成了不良影响,通过研究叶菜不同的动态响应特征,分析了颗粒物污染对叶菜光合生理的影响机理。对照组的三种叶菜MDA含量均比受颗粒物污染的试验组的MDA含量高,说明颗粒物污染的长期作用使叶菜产生抗性,通过提高细胞受自由基攻击能力,达到使颗粒物对细胞膜破坏影响降至最小的目的。整体来看,小白菜试验组的POD活力高于对照组,清除H2O2能力最强,油菜在抵抗颗粒物污染时的能力最低,故对颗粒物滞留、附着、吸收的能力大小顺序为:小白菜>生菜>油菜。结果可为秋冬季节温室内的消减颗粒物的作物种类配置提供参考。3.基于高光谱技术,动态监测了生菜、油菜、小白菜在三个生长阶段的高光谱特征、一阶导数光谱特征以及植被指数在两种颗粒物污染作用方式下的响应差异,随着叶菜生长阶段的推进,颗粒物的作用使得敏感植被指数增大。用优选出的高光谱敏感特征参数、植被指数、敏感波段和特征波长作为建模所用的光谱特征变量,采用一阶导数（FD）、二阶导数（SD）、Savitzky-Golay平滑（SG）、多元散射校正（MSC）以及标准正态变量变换（SNV）这五种光谱预处理方法及其组合方法,采用相关分析法（CC法）提取、原始提取、FD提取、MSC提取这四种光谱特征变量提取方法,采用经典最小二乘（CLS）、偏最小二乘（PLS）、主成分回归（PCR）和逐步多元线性回归（SMLR）这四种光谱建模方法,通过不同方法的组合,分别建立在考虑颗粒物污染环境下,三种叶菜在不同的生长阶段内的净光合速率最优反演模型。分别得到处于三个生长阶段的生菜最优光谱预处理和建模方法组合分别为:PLS+MSC+SG（SD1）,PLS+MSC+SG+FD（SD2和SD3）,模型相关系数均在0.92以上;油菜的最优方法组合分别为:PLS+MSC+SG+SD（YD1和YD3）,PLS+MSC+SG（YD2）,YD1的模型相关系数在0.8以上,YD2和YD3的模型相关系数在0.94以上;小白菜的最优方法组合分别为:PLS+SNV+SG+FD（BD1）,PLS+SNV+SG+SD（BD2和BD3）,模型相关系数分别在0.85（BD1）和0.90以上（BD2和BD3）。基于高光谱技术实现了对三种叶菜净光合速率的准确反演,为考虑颗粒物污染环境下植物的生理信息反演提供基础。经预测值与实测值的检验,模型可靠,为今后模型修正和精度提高提供参考。4.研究了自然雾霾天气对日光温室内温度、光照、空气质量产生的不利影响,提出了温室叶菜消减颗粒物的管理建议,从事温室内消减颗粒物时建议选择小白菜;在对雾霾天气预警研究时,建议选择生菜;在秋冬季节种植时,为减少颗粒物沉积建议选择油菜。从温室管理、减霾除尘、净化空气等方面提出了温室生产应对雾霾天气的措施,为实现温室作物的优质高产提供参考。5.通过研究三种叶菜叶片的微观图像及颗粒物沉积特征,表明小白菜吸附颗粒物的能力最强,颗粒物污染作用时间越长,叶片上滞留沉积的颗粒物越多,且出现细小颗粒物聚集成粗大颗粒物的情况。利用图像处理技术,通过计数叶片沉积颗粒物,提前判断雾霾天气颗粒物污染程度,以期降低颗粒物对叶菜造成的不良影响,为雾霾天气对农业设施的危害预警提供参考。
杨方[3]（2020）在《基于深度学习的梨树叶部病害识别研究》文中研究指明深度学习是人工智能的一门分支,近年来,凭借其自动学习和提取目标特征的优势,受到了学术界和工业界广泛关注,在图像视频处理、语音处理、自然语言处理等领域取得了大量成功应用,同时也成为农业植保领域的研究热点,如植物病害识别、病虫害范围评估等等。但综观国内外相关研究文献,结合病害防控实际情况,目前,在利用深度学习研究植物病害识别领域,尚存在一些诸如植物病害数据集不完整、影响深度学习网络模型病害识别性能的因素研究不够等问题,这将制约深度学习在植物病害防控实践中的推广和应用。为研究和解决以上问题,本文以梨树叶部病害识别为例,从构建病害数据集和探索各种影响深度学习网络模型识别病害性能的因素两个维度出发,利用深度学习开展了梨树叶部病害识别等相关研究工作,主要研究内容和结论如下:1、构建梨树叶部病害数据集,研究和探讨了病害数据集对深度学习网络模型病害识别准确率的影响针对山西省梨树3种易发常见的梨褐斑病、梨黑斑病和梨锈病,以单一病害为主,实地采集了7620个有效的梨树叶片样本,包括室内环境、室外大田、叶部正面和叶部反面共4类。根据不同的试验目标构建了多种不同类型的梨树叶部病害数据集,如PLDD、PDD2018、PDIRE等共9种梨树叶部病害数据集。以PDD2018梨树叶部病害数据集为典型,具有以下5个显着特征:（1）采集环境多样;（2）地域性强;（3）品种丰富;（4）不同发病阶段;（5）关注梨树叶部反面病害样本。据我们所知,目前尚未发现有研究者构建具有PDD2018类似特征的植物叶部病害数据集。本文通过大量试验,研究和探讨了病害数据集容量、病害样本图像特点和病害样本采集环境对深度学习网络模型病害识别准确率的影响:（1）病害数据集容量是影响深度学习网络模型病害识别准确率的重要因素。在利用迁移学习研究植物病害识别时,以Res Net50模型为例,当每类病害样本数量保持在350个以上时,模型就能取得较高的病害识别准确率,这为同类植物叶部病害数据集的样本采集数量要求提供了经验支持。（2）5种病害样本图像特点可能会降低深度学习网络模型病害识别准确率:（1）病害叶片面积占比率过小;（2）不同病害的病斑颜色特征相似度;（3）叶片明显破损;（4）叶片病斑数量极少或病斑面积极小;（5）叶片表面有附着物或脱水较为严重。这对于构建高质量的植物叶部病害数据集具有重要参考意义。（3）病害样本的图像背景（采集环境）可直接影响深度学习网络模型的病害识别准确率。当病害样本的采集环境或图像背景发生变化时,未曾基于类似环境的病害数据集训练的深度学习网络模型识别这类病害样本时,模型病害识别准确率将会明显下降。以ResNet50模型为例,梨褐斑病对病害样本的图像背景敏感程度最高,梨黑斑病次之,梨锈病敏感程度最低。2、提出了一种适宜于梨树叶部病害识别应用场景的“深度学习网络模型+输入图像分辨率”技术途径本文通过大量试验对比研究,在相同硬件资源条件下,“ResNet50+600×600”训练耗时适中,取得了最高的病害识别准确率为98.7%,其中,梨褐斑病、梨黑斑病和梨锈病的病害识别准确率分别达到99.44%、98.43%、97.67%,最适宜于梨树叶部病害识别应用场景。“ResNet50+600×600”利用迁移学习,通过调整深度学习网络模型参数,使得构建基于小数据集的深度学习病害识别模型变为可能,可直接以梨树叶片样本图像作为深度学习网络模型输入,为同类植物叶部病害识别研究提供了一种技术手段,有助于深度学习技术在病害防控实践中的快速应用和推广。3、深入研究了影响深度学习网络模型识别梨树叶部病害性能的各种因素本文研究和探讨了病害样本图像分辨率和模型参数设置等对深度学习网络模型病害识别准确率等性能指标的影响:输入模型的病害样本图像分辨率与模型病害识别准确率呈明显的正相关关系,分辨率过低容易导致模型发生过拟合问题,过高容易导致内存溢出问题,通过调整深度学习网络模型参数和增加病害样本图像分辨率可提高病害识别准确率,同时与模型训练耗时呈明显的正相关关系;深度学习网络模型设置参数如训练轮数、网络层数不一定与其病害识别准确率呈正相关关系。本文研究和探讨了梨树叶部正、反面病斑对深度学习网络模型病害识别准确率的影响,提出了病害识别一致性、病害识别正确一致性评价标准用于评价两种模型的病害识别结果一致程度。结果表明梨树叶部反面病斑特征与正面病斑特征在植物病害识别中发挥着同等作用,既可以基于叶部正面建立梨树病害识别模型,也可以基于叶部反面建立梨树病害识别模型,综合二者一起使用更有利于梨树叶部病害的确诊。最后,研究和探讨了不同梨树叶部病害的识别特点。
李英梅,刘晨,王周平,张伟兵,陈志杰[4]（2020）在《番茄病毒病的症状识别特征与防治策略》文中认为本文简述了番茄斑萎病毒病、番茄黄化曲叶病毒病、番茄褪绿病毒病、番茄花叶型病毒病、番茄蕨叶型病毒病5种主要番茄病毒病的症状识别特征,提出加强植物检疫、选用抗病品种、诱虫板与防虫网联用、切断人为传播和昆虫传播途径、调整定植期、清洁田园环境、合理选择杀虫剂进行杀虫控病等防治措施,以期为番茄产业绿色发展提供参考。
陈泓渝[5]（2020）在《“push-pull”策略在西花蓟马防治中的应用研究》文中指出新疆作为我国国土面积第一大省份,拥有得天独厚的自然资源条件,对于现代化农业产业具有广阔的发展前景,其中重要的组成部分是设施蔬菜产业。然而,由于当地设施蔬菜产业田间管理不恰当、虫害防治技术薄弱、滥用化学农药等原因导致设施蔬菜害虫危害日益严重。因此,本研究通过南疆地区主要设施蔬菜害虫种类的调查,针对危害严重的害虫种类——西花蓟马（Frankliniella occidentalis）进行寄主植物趋性的筛选,以确定对西花蓟马具有明显趋性的寄主植物,并利用“push-pull”策略建立不同作物布局对田间西花蓟马的防治技术,为有效调控害虫对农作物的危害、减少农药使用量以及设施蔬菜产业的发展提供有效的理论基础。研究结果如下:1.南疆地区设施蔬菜主要害虫种类调查及分子检测:南疆地区设施蔬菜主要害虫种类有6科14种,包括蓟马、粉虱、蚜虫、斑潜蝇、地蛆、菜粉蝶等。这些害虫在番茄、辣椒、甘蓝、茄子、豇豆、葫芦瓜、芹菜、黄瓜等温室蔬菜上均有发生。经PCR鉴定,蓟马种类均为西花蓟马。2.西花蓟马对不同蔬菜寄主的选择性:本试验针对西花蓟马对不同寄主植物的取食、产卵选择性以及对不同寄主植物嗅觉行为反应的研究表明,西花蓟马无论取食还是产卵都偏好甘蓝和茄子,忌避芹菜和香菜;且对甘蓝和芹菜的嗅觉行为反应显着高于其他寄主植物,可得出西花蓟马最偏好甘蓝,忌避芹菜。3.不同作物布局对西花蓟马防控效果的比较:本试验采用不同植株布局（诱集处理、忌避处理、诱集-忌避处理）观察对西花蓟马种群的防控效果表明,田间不同植株布局处理对西花蓟马若虫、成虫种群动态都具有调控作用,诱集处理、忌避处理、诱集-忌避处理三种方式对西花蓟马种群的防治效果依次为54.35%、49.44%、75.44%。诱集-忌避处理对西花蓟马种群的防效要显着高于单一诱集处理和单一忌避处理,且防效期最长。运用“push-pull”策略对西花蓟马具有较好的防控效果。
付尚松[6]（2020）在《贵州辣椒RNA病毒种类组成及株系变异研究》文中进行了进一步梳理贵州是我国辣椒的重要产地,现有种植面积500余万亩,居国内第一。近年来,生产上辣椒病毒病的危害日趋严重,影响了辣椒的产量和品质。掌握贵州辣椒病毒病的毒原种类,建立快速、准确、灵敏的病毒检测方法,摸清不同地区病毒病的毒原组成与分布,对辣椒病毒病的防治具有重要意义。本研究采用RT-PCR技术,利用13种病毒（CMV、TMV、PMMo V、Chi VMV、TSWV、PCV-1、PCV-2、TMGMV、BBWV、Pe VYV、Chi RSV、Tu MV、BWYV）的特异性引物对采自贵州省全省9个地市的678份疑似病毒病辣椒样本进行了检测;利用DNAman和Bioedit软件进行基因序列比对,MEGA软件构建系统发育进化树,对主要病毒种类进行了株系分化研究;建立自然病圃法对贵州辣椒地方品种及资源材料进行了抗病毒病性评价研究,取得了以下研究结果:1.于2018-2019年,利用RT-PCR方法,对贵州省全省9个地市的678份疑似辣椒病毒病样本进行了13种病毒检测,检测出579份带毒样本,其中192份样本为单一病毒侵染,387份属于复合侵染,分别占总样本的28.32%和57.08%。基于各个病毒在单一侵染和复合侵染中的出现频次,明确了贵州省辣椒病毒病的主要毒原种类为PMMo V（35.10%）,PCV-1（39.79%）,PCV-2（26.11%）,TMGMV（20.65%）,Chi VMV（18.29%）,TMV（14.90%）,BBWV（13.42%）和CMV（12.68%）,田间危害以多种病毒的复合侵染为主。2.在复合侵染类型中,由2～8种病毒复合侵染的出现次数分别为:173次、119次、61次、18次、11次、4次和1次,2种病毒复合侵染出现的次数最高,而出现频次较高的复合类型有PMMo V+PCV-1+PCV-2（4.65%）、PMMo V+PCV-1（4.39%）和Chi VMV+PMMo V+PCV-1+PCV-2（1.55%）。3.不同地区辣椒病毒病的种类有一定差异。黔南州、黔东南州、安顺市、毕节市、铜仁市和遵义市单一病毒侵染的主要种类分别为CMV、TMV、PMMo V;CMV、TMV、TMGMV;CMV、TSWV、BBWV;CMV、Chi VMV、BBWV;CMV、TMV、Chi VMV、PMMo V和CMV。贵阳市和六盘水市单一病毒侵染主要种类为CMV、PMMo V。黔南州、黔东南州和毕节市复合侵染侵染的主要种类分别为PMMo V+TMV;TMGMV+PCV-1;TMV+TMGMV。铜仁市、六盘水市和遵义市复合侵染侵染的主要种类为PMMo V+PCV-1+PCV-2,安顺市和贵阳市复合侵染侵染的主要种类为PMMo V+PCV-1。可见,贵州各地区的单一病毒侵染以CMV、TMV和PMMo V为主,而复合侵染以2种病毒为主。4.基于辣椒病毒分离物的CP基因核苷酸序列及编码蛋白的氨基酸序列与代表株系的分析表明,贵州辣椒CMV分离物属于CMV亚组IB株系和亚组Ⅱ株系;辣椒TMV分离物聚为明显的两大类,一类与越南、河南等国内外TMV分离物的亲缘关系较近,另一类独立为一簇,存在遗传分化;而辣椒PMMo V的14个分离物也明显的分化为两支,其中来自榕江的6个分离物分属不同的株系。5.采用自然病圃鉴定法,对112份辣椒资源材料对辣椒病毒病的抗病性进行了鉴定评价,筛选出表现高抗的材料7份、抗病25份、中抗42份、感病31份和高感7份,分别占总材料数的6.25%、22.32%、37.50%、27.68%、6.25%。
孙一凡[7]（2020）在《芽孢杆菌对番茄早疫病和番茄黄化卷叶病毒病的防治效果及机制研究》文中提出芽孢杆菌作为一类重要的生防菌株,具有生长快、营养简单、抗逆性强等特点,获得优良生防菌株资源并进行生防机制研究十分重要。本课题组前期研究发现侧孢芽孢杆菌Bacillus laterosporus Bl13对番茄早疫病原菌（茄链格孢菌Alternaria solani）有显着的抑制作用,但对于Bl13防治番茄早疫病缺乏进一步的效果验证,且芽孢杆菌对其防治机制尚不清楚。此外,前期研究发现施用解淀粉芽孢杆菌Bacillus amyloliquefaciens Ba13可提高番茄植株内与诱导性系统抗性相关的基因表达,同时显着降低TYLCV（Tomato yellow leaf curl virus）的感率和感病植株的病级指数。RNA干扰（RNA interference,RNAi）作为植物抵抗病毒侵入的专门的天然防御系统,生防菌对植物抗病毒作用是否与生防菌对RNAi的调节相关尚不清楚。针对上述问题分别开展研究,主要结果如下:（1）本研究以实验室保存的10株芽孢杆菌为研究对象,通过种子发芽及民内促生试验筛选获得2株具有促生及广谱抑菌功能的芽孢杆菌MY1和CY1,进一步鉴定MY1为贝莱斯芽孢杆菌（Bacillus velezensis）,CY1为枯草芽孢杆菌沙漠亚种（Bacillus subtilis subsp.inaquosorum）;经盆栽试验发现,接种MY1、CY1后番茄株高、茎粗、地上部分干重等生物学指标显着提高,其中番茄地上部分干重分别提高30.57%和17.22%。接种MY1 30 d和60 d后,可显着提高PAL（phenylalanin ammo-nialyase）、PPO（polyphenol oxidase）、POD（peroxidase）、CAT（catalase）4种防御酶活性;接种CY1 30 d后,可显着PAL、PPO、CAT 3种防御酶活性。结果表明MY1、CY1两株芽孢杆菌具可促进番茄生长,增强番茄植株抗性,具有潜在的生防特性。（2）通过盆栽实验确定Bl13对番茄早疫病具有良好防效,且初步探究了Bl13防治番茄早疫病的相关机制:Bl13可显着降低染病植株的病情严重度,相对防效达到26.67%;同时提高叶片内PPO、POD等防御酶活性,降低病害对于植物地上部分及根系生长发育的影响,其中Bl13处理组番茄植株平均总根长、平均根总体积较对照组提高32.87%、35.63%。施用Bl13使芽孢杆菌属、假单胞菌属等常见有益菌属相对丰度较对照分别提高110.54%和102.27%,油壶菌属、血赤壳属相对丰度降低26.47%、86.28%,由此推测Bl13对番茄早疫病的防病效果与其改善根区土壤微生物群落结构相关。（3）基于m RNA与小RNA分析初步探究了生防细菌Ba13对植物抗病毒系统RNAi的调节机制:Ba13可通过调节如mi R168、mi R403等mi RN A丰度来提高RNAi沉默复合物关键因子AGO1、AGO2等基因的表达,增强植物对病毒的清除能力,同时降低了与病毒基因组完全匹配的si RNA如si RNA5327、si RNA5429等丰度。此外,Ba13可增强番茄光合系统及生长调节相关激素如生长素、油菜素甾醇等合成及应答基因的表达,激活叶片系统获得性抗性（Systemic Acquired Resistance,SAR）通路并提高叶片SA、ABA含量,并调节抗病毒、抗氧化相关物质如Diterpenoids、硒类化合物等合成通路。综上结果表明B.amyloliquefaciens Ba13可通过增强植物抗病毒系统（RNAi）,以及影响植物的生长调节及抗性通路,增强植株对TYLCD的抵抗能力。综上所述,本研究为利用微生物促进植物生长,增强植物抗性提供了新的生防菌株资源;初步揭示了芽孢菌改善根际微生态作用与对番茄早疫病的防治作用密切相关;且通过RNAi角度全新角度探究了芽孢菌防治病毒病害的作用机制,为“植物—微生物”互作机制研究提供新的研究思路。
董贞芬[8]（2019）在《低温胁迫下番茄幼苗叶绿素荧光成像的分析及研究》文中指出番茄（Solanum lycopersicum）是茄科最重要的蔬菜作物之一,生长环境范围广,易栽培种植。番茄属喜温性蔬菜,温度环境因素的有效控制与管理,直接影响番茄的产量和质量。研究低温下番茄的生长情况并克服设施内低温障碍,实现设施蔬菜产业的可持续发展是目前生产上面临的急需解决的问题之一。本文以中国北方广为种植的番茄品种“辽园多丽”和“园艺L404”番茄幼苗叶片作为研究对象,通过连续3年（2017～2019年）的试验研究,利用叶绿素荧光动力学参数值、动力学曲线和叶绿素荧光图像数据实现对番茄幼苗进行植物生理学和工程研究。研究中分析了低温冷害胁迫对番茄幼苗的叶绿素荧光参数值、动力学曲线和叶绿素荧光图像特征的不同影响,并从不同叶片损伤区域、低温胁迫时间和胁迫损伤面积三个方面对番茄幼苗的冷害损伤进行分级建模识别。本实验通过低温胁迫下番茄叶片叶绿素荧光特性的分析和不同冷害损伤的分级研究,为番茄低温冷害的识别和恢复研究奠定了良好的理论基础。主要研究内容和结论如下:（1）基于叶绿素荧光成像研究冷害对番茄幼苗的影响。应用叶绿素荧光成像用于研究低温胁迫下番茄幼苗冷害胁迫情况,在实验环境下采集了番茄幼苗的叶绿素荧光动力学参数值和图像,经过横向异质性分析参数值和图像,不同程度的低温胁迫对番茄叶片的影响在荧光参数F,Y（II）,Y（NPQ）,Y（NO）,q P,q L图像中产生显着空间异质性。结果表明:Y（II）值对冷害敏感并且不受叶脉的影响,叶绿素荧光参数图像的直方图和能量（ASM）、熵（ENT）、惯性矩（INE）和自相关（COR）的平均值和标准差显示为检测冷害胁迫的良好指标。（2）基于番茄幼苗叶片损伤区域的冷损伤分级。使用直方图聚类算法分割叶绿素荧光参数Y（II）图像的不同冷害区域,进行叶绿素荧光动力学图像和曲线分析。研究结果表明,根据Y（II）值变化可将同一叶片内分为:健康区域、过渡区域和冷害区域,根据Y（II）和Y（NO）叶绿素荧光图像值变化可将番茄幼苗多叶片分为5级:健康叶片与冷害1、2、3、4类叶片。（3）基于不同低温胁迫时间的番茄幼苗冷害损伤研究。使用皮尔森相关系数获得与时间极大相关的参数:Y（II）、q P、q L、Y（NPQ）、Y（NO）、Fv/Fm这6个叶绿素荧光参数值,使用其作为BP模型自动识别番茄幼苗冷损伤等级的荧光特征参数。同时,获取与时间有最大相关系数的Y（II）图像的颜色描述符特征和灰度图像特征,使用直方图三阶矩、纹理熵标准偏差、颜色描述符B,颜色描述符b和颜色描述符L/b作为输入特征,使用训练BP神经网络识别冷害。实验结果推荐使用L*a*b*颜色空间的颜色描述符b和颜色描述符L/b确定番茄叶片中的冷害类型。（4）基于冷害面积的番茄幼苗冷害损伤分级研究。使用改进的k-means++聚类分割方法分割叶绿素荧光参数F的图像以获得叶片内的冷害区域,然后根据冷害面积将番茄幼苗进行分类,实现通过叶绿素荧光对冷损伤分类的检测。研究结果表明,采用定量统计分析模型进行识别冷害类别时,健康叶片和严重冷害叶片级别识别率较好,识别率较差的是1级和2级冷害的叶片。而且四种识别模型中训练集与测试集识别率最佳的是Spearman特征选择的PSO-SVM,其测试集识别率可达98.2%。本研究中分析了低温冷害胁迫下番茄幼苗的叶绿素荧光参数值、动力学曲线和叶绿素荧光图像特征的不同影响,并从Y（II）图像不同区域研究番茄幼苗的光合生理冷害分级情况。又从不同低温胁迫时间研究番茄幼苗的12个荧光参数冷损伤特征分级建模识别情况,延伸了叶绿素荧光分析冷害光合生理的研究。最后根据F参数图像的胁迫面积对番茄幼苗的冷害损伤进行分级建模识别,实现了叶绿素荧光研究冷害的工程扩展。这一研究为提高番茄栽培技术奠定了良好的理论基础。
姚志凤[9]（2019）在《小麦条锈病早期检测与预测预报关键技术研究》文中指出小麦条锈病是影响我国小麦优质、高产的重要真菌性气传病害,具有分布广、流行性强、危害大等特点。加强对小麦条锈病的早期检测和预测预报,对于减少经济损失、控制农药滥用、保证粮食安全具有重要的意义。本研究利用光谱分析、图像处理、GIS及机器学习等新一代信息技术手段与传统植物保护技术融合的方式,探究小麦条锈病的发病机理、病害光谱特征和传播规律,开展基于热红外和高光谱技术的小麦条锈病早期快速诊断、病害识别与严重度评估,基于Arc GIS和拉格朗日混合单粒子轨迹模型的小麦条锈病夏孢子时空动态分布,基于生境信息的智能化预测预报技术研究,以期为小麦条锈病早期诊断和预测预报提供新思路、新方法和新途径。论文主要内容与结论如下:（1）提出了一种基于热红外成像技术的小麦条锈病早期检测方法,实现了小麦条锈病潜育期叶片的快速、无损检测。利用热红外成像技术连续16天采集小麦样本的热图像,探究小麦叶片温度在早期病害胁迫下的变化响应。结果发现,热红外图像可在接种后第6天将受到侵染但未显症的小麦植株与健康植株区分开来,较肉眼观察提前了4天;且随接种天数的增加,健康小麦叶片平均温度和最大温差无明显变化,而接种病菌的小麦叶片的平均温度呈逐渐下降趋势,最大温差则逐渐增大,接种后第16天,接种叶片的平均温度比健康叶片低2.22℃,最大温差比健康叶片高1.8℃。（2）针对小麦条锈病病情严重度主要依靠植保专家根据经验目测定级,存在劳动强度大、效率低的问题,提出了一种基于热红外成像技术的小麦条锈病严重度定量评估方法。在对不同严重度的小麦条锈病叶片的热红外图像有效增强的基础上,分别采用最大类间方差法和温差阈值法提取染病区域,并根据条锈病染病区域占总叶片面积的比例对小麦条锈病病害严重程度进行评估。通过计算64个样本的染病面积占比,并与实际植保人员目测的病情严重度进行拟合分析表明,本文方法检测的病害严重度与实际病害程度相关系数R在0.97以上,说明基于热红外图像的方法可以成功提取小麦植株的病害区域并用于小麦条锈病严重度的评估分析,为小麦病害严重度评估提供了一种新的方法。（3）提出了一种基于高光谱成像技术的小麦条锈病早期检测方法。连续采集不同侵染天数下小麦叶片的高光谱图像和相应的叶绿素含量,通过化学计量法研究小麦条锈病早期胁迫阶段,叶片的叶绿素含量与高光谱信息的响应特性,并建立了基于PCA-BPNN的小麦叶片叶绿素的预测模型,校正集决定系数RC2和预测集决定系数RP2分别为0.921和0.918。同时,利用数字图像处理技术,绘制小麦条锈病潜育期的叶绿素可视化分布图,实现了小麦病害早期侵染检测的可视化。结果表明,基于高光谱的小麦条锈病可视化检测方法可在条锈病侵染后第6天检测到小麦病斑,较肉眼观察提前了34天。（4）针对小麦条锈病与白粉病在田间常常混合发生,却因病源和发病机理不同而需要鉴别区分和对症下药的问题,提出了一种基于高光谱成像技术的小麦不同病害的诊断与鉴别方法。利用HyperSIS高光谱成像系统采集小麦条锈病、白粉病和小麦健康叶片的光谱数据,通过PCA、SPA、CSAR等方法提取光谱特征,建立LS-SVM和ELM病害分类模型,并对模型进行识别试验。结果表明,PCA-ELM识别模型最优,对校正集和预测集的预测准确率分别为99.58%和100.00%,且该模型仅包含560nm、680nm和758nm 3个波段,为开发便携式小麦病害鉴别仪器提供了依据。（5）小麦条锈病病原菌孢子随气流传播是病害大规模爆发流行的根源,针对这一特点,提出了一种基于夏孢子时空动态分布的小麦条锈病预测模型。利用Arc GIS和全球再分析数据,建立基于拉格朗日混合单粒子轨迹的数值模型,对小麦条锈病夏孢子进行大区域长时间序列的传播轨迹和沉降模拟。结果表明,小麦条锈病夏孢子的传播呈现本地传播与省际间相互传播两种方式,既存在本地迭代进化,也存在不同省市间交叉扩散,为我国小麦条锈病周年侵染循环理论提供了高空气流的佐证;同时,单次的小麦条锈病外传轨迹与沉降分析,可用于突发性天气下,即时模拟预报空中病菌孢子的扩散趋势,为条锈病的短期预报提供支持;而大尺度长时间序列的多次传播轨迹聚类、沉降叠加分析,为气传性小麦条锈病病害远程传播的中长期预测提供了一种新思路。（6）针对现有模型多以数理统计分析为主,预测稳定性差的问题,提出了一种基于生境信息的小麦条锈病预测模型。在对小麦病害生境信息相关性分析和有效降维的基础上,分别建立了反向传播网络和支持向量机的小麦条锈病预测模型,并通过遗传算法和粒子群算法优化网络参数和结构,最终建立GA-BP和PSO-SVM的预测模型。结果发现,两个模型的校正集的准确率均为100.00%,但在预测集的准确率上,PSO-SVM优于GA-BP模型,且平均耗时更短,表明基于SR-PSO-SVM的小麦条锈病预测模型更适用于小麦条锈病流行程度的中长期预测。
熊鑫[10]（2019）在《基于多信息融合的不结球白菜氮营养诊断与需求研究》文中研究说明依据表型诊断作物氮营养状态,并综合考虑土壤、栽培管理和环境因子等对作物氮吸收的实际影响,适时、适量补充氮素是实现蔬菜栽培精准化管理的基础,有助于降低肥料投入,实现安全生产。本研究以不结球白菜（Brassica campestris ssp.chinensis L.）为对象,基于机器视觉技术和机器学习方法建立了植株氮营养诊断模型,并研究了累积光热、水势、施氮量和栽培系统对不结球白菜氮吸收与产量形成的影响,建立了以作物和环境信息为依据的不结球白菜氮需求模型。基于此,设计了不结球白菜氮素供应决策系统,为不结球白菜水肥精准管理研究提供丰富的理论与技术积累。具体结果如下:1.不结球白菜表型与氮浓度关联模型的构建采用实验室自制的表型平台收集不同氮水平处理和不同生长期的不结球白菜图像,采用OpenCV软件和Python语言处理图像并提取了颜色、纹理和形态学三大类表型指标,分析了植株氮浓度和表型特征间的关系,分别采用随机森林（RF）、支持向量回归（SVR）和神经网络（NN）三种机器学习算法建立了基于表型的不结球白菜氮浓度预测模型。结果表明,RF、SVR和NN模型的均方根误差（RMSE）值分别为0.542%、0.538%和5.465%,平均绝对误差（MAE）值分别为0.418%、0.398%和5.115%,校正决定系数（R2）分别为0.924、0.922和0.086。可见,仅RF和SVR模型能很好地预测植株氮浓度。其中RF模型的适用性和稳定性更强。幼苗期和收获期RF模型的预测准确度分别为0.995和0.998,预测相对误差（RE）分别为5.52%和4.78%;氮过量和氮不足两种条件下RF模型的预测准确度分别为0.991和1.037,RE分别为4.01%和9.96%。因此,基于不结球白菜表型信息可以有效地诊断植株的氮营养状况。2.不结球白菜氮吸收阈值的研究临界氮浓度(（8）是指当植株达到最大生物量时的最小氮浓度值,是整个生长期作物被期望的浓度。为了明确不结球白菜的氮吸收特性,研究了其地上部氮浓度随生物量积累的变化规律,获得了其临界氮浓度模型。结果表明,其地上部干重（DW）小于等于1.5 t/ha时,地上部临界氮浓度值为常量,4.78%;DW超过1.5 t/ha时,地上部氮浓度值开始下降,且地上部氮浓度与干重符合函数关系:N(（8）%=4.78×(2-0.33。3.不结球白菜氮吸收和生长的累积光热效应为了明确不结球白菜氮吸收、生长随累积光热效应（light and temperature function,LTF）的变化规律,本研究以‘新夏青5号’、‘华王’和‘长征三号’三个品种为试材,于不同光热试验条件下测定了其地上部鲜重、干重和氮吸收量,建立了基于LTF的不结球白菜鲜重、干重和氮吸收模型。结果表明,鲜重、干重和氮吸收均与累积光热效应呈指数函数关系,模型的R2值均大于0.970。以‘华王’品种为例,分析了模型参数随施氮量的变异,结果表明,模型参数受施氮量影响显着,鲜重、干重和氮吸收三个模型的参数值与施氮量均符合一元二次方程,R2值依次为0.965、0.903和0.859。最后,采用独立试验的数据验证了‘华王’品种的三个模型。结果表明,鲜重模型实测值与模拟值间回归方程的斜率（r）为0.946,R2为0.965,RE为15.94%;干重模型实测值与模拟值间r为0.940,R2为0.966,RE为14.74%;氮吸收模型实测值与模拟值间r为0.970,R2为0.965,RE为19.78%。因此,基于累积光热效应、施氮量的生物量和氮吸收模型可以有效预测不结球白菜的鲜重、干重和氮吸收。4.不结球白菜氮吸收的水氮互作效应为了评估水分和氮素共同作用对不结球白菜氮营养状况的影响,本文采用水和氮两因子的随机区组设计,将不结球白菜幼苗置于不同氮浓度（2,9和18 mM NaNO3）和渗透势（0,60和120 g/L PEG 6000）的改良营养液中,培养7 d,测定其地上部和根部氮化合物含量和氮同化相关酶活性。结果表明,轻度干旱胁迫处理,植株含水量、蒸腾速率和地上部生物量变化不显着,即短期轻度干旱不影响不结球白菜对氮素的需求。中度干旱胁迫导致植株含水量、蒸腾速率、地上部生物量和地上部氮浓度显着下降。并且,中度干旱胁迫条件下氮素供应充分,可促进根系总游离氨基酸和根系生物量积累,诱导硝酸还原酶（NR;EC 1.7.1.1）活性提高,从而降低干旱导致的生长限制。研究表明,干旱和氮供应量对氮代谢相关的物质、酶活存在显着的互作效应,相对较高的植株含氮量有利于增强不结球白菜对干旱的适应性。5.基质、土壤栽培系统不结球白菜氮利用率、产量及品质的差异本文研究了基质栽培系统下施氮水平对不结球白菜生物量、品质和氮利用率的影响,并与实验室前期土壤栽培系统的不结球白菜氮素水平实验结果做了对比。结果表明,基质栽培系统,一定的施氮量（00.2 g/kg）范围内,随着施氮量的增加,不结球白菜生物量和氮积累量增加,氮的吸收率和利用率也随之递增,可溶性蛋白含量和类黄酮含量升高。当施氮量达到0.2 g/kg时,单株氮积累量持续升高,而氮的吸收率和利用率均达到了最高水平,分别为33.19%和41.74%;当氮素施用量为0.20.375 g/kg时,地上部鲜重和干重不再增加,氮吸收率和利用率下降。本研究还发现,基质和土壤两种栽培系统下,氮用量与产量和氮利用率间均呈现了一元二次倒抛物线型的变化趋势。基质栽培系统下当施氮量为129.20 kg/ha时,不结球白菜产量为11096.36 kg/ha,氮利用率达最高值,37.39%;常规土壤栽培系统下当施氮量为140.70 kg/ha时,不结球白菜产量为18729.46 kg/ha,氮利用率达最高值16.75%。6.多信息融合的不结球白菜氮需求模型的构建本章基于不结球白菜表型特征参数、临界氮浓度、生长期的温度、光合有效辐射及施氮量建立了多信息融合的不结球白菜氮需求模型。模型验证结果表明,氮需求量的预测值和实测值具有很好的符合度,R2值为0.948,RMSE值为1.96 mg/株。同时,结合不结球白菜的氮利用效率,提出了基于多参数融合的氮供应决策模型,并设计了基于临界氮浓度曲线和表型监测的不结球白菜氮供应决策系统框架。本研究通过纹理、形态与颜色指标相结合的表型分析,获得了高精度的不结球白菜氮浓度诊断模型,有助于其全生长过程的氮营养监测,为判断是否需要追施氮肥提供依据;研究发现,不结球白菜生物量小于1.5 t/ha时,地上部的临界氮浓度为常量;基于此,融合作物、环境和栽培管理等多参数建立了不结球白菜氮需求模型,模型验证效果良好,可为氮肥的供应量提供决策依据。综上,本研究为不结球白菜氮肥精准管理提供了理论支持和技术借鉴,对农业管理系统设计具有一定价值,并有助于降低肥料投入,实现安全生产。
二、温室黄瓜叶片八种黄化的识别与诊断措施（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、温室黄瓜叶片八种黄化的识别与诊断措施（论文提纲范文）
（1）基于高光谱成像技术的甜菜生理生态参数检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略语表 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 作物生理生态指标检测现状 |
| 1.2.1 常规检测方法 |
| 1.2.1.1 作物叶片氮含量测定 |
| 1.2.1.2 作物叶绿素含量测定 |
| 1.2.1.3 地上生物量测定 |
| 1.2.2 无损检测技术 |
| 1.2.2.1 光谱分析技术 |
| 1.2.2.2 计算机机器视觉技术 |
| 1.2.2.3 高光谱成像技术 |
| 1.2.2.3.1 高光谱成像原理 |
| 1.2.2.3.2 高光谱成像传感器 |
| 1.3 高光谱成像技术在作物生理指标检测方面的应用 |
| 1.3.1 氮素营养诊断 |
| 1.3.2 生物量检测 |
| 1.3.3 叶绿素含量检测 |
| 1.4 目前存在的问题 |
| 1.5 研究内容 |
| 1.6 技术路线 |
| 1.7 本章小结 |
| 2 试验与方法 |
| 2.1 试验设计 |
| 2.2 高光谱成像数据采集 |
| 2.2.1 高光谱成像采集系统 |
| 2.2.2 高光谱成像数据采集 |
| 2.2.3 样本高光谱数据提取 |
| 2.3 甜菜生理生态指标测定 |
| 2.3.1 氮含量测定 |
| 2.3.2 地上生物量测定 |
| 2.3.3 叶绿素含量测定 |
| 2.4 化学计量学建模算法 |
| 2.4.1 偏最小二乘算法 |
| 2.4.2 BP人工神经网络算法 |
| 2.4.3 支持向量机算法 |
| 2.5 模型评价指标 |
| 2.6 本章小结 |
| 3 基于高光谱成像技术的甜菜冠层氮含量检测研究 |
| 3.1 引言 |
| 3.2 甜菜冠层氮含量及光谱响应曲线的变化规律 |
| 3.2.1 各生育期甜菜冠层氮含量及光谱响应曲线分析 |
| 3.2.2 建模集和验证集甜菜冠层氮含量统计分析 |
| 3.3 特征光谱参数的优化研究 |
| 3.3.1 传统植被指数与甜菜冠层氮含量的回归分析 |
| 3.3.2 特征光谱指数的优化及筛选 |
| 3.3.2.1 粒子群优化算法 |
| 3.3.2.2 光谱指数与甜菜冠层氮含量的相关性分析 |
| 3.3.3 特征光谱指数筛选 |
| 3.4 光谱特征模型建立与分析 |
| 3.4.1 BP-ANN预测模型建立 |
| 3.4.2 支持向量机模型建立 |
| 3.4.3 预测模型结果分析 |
| 3.5 甜菜冠层氮含量的可视化 |
| 3.6 本章小结 |
| 4 基于高光成像技术的甜菜地上生物量估测模型优化算法研究 |
| 4.1 引言 |
| 4.2 甜菜地上生物量与光谱反射率的相关性分析 |
| 4.3 甜菜地上生物量实测值统计分析 |
| 4.4 特征波长筛选 |
| 4.4.1 竞争自适应重加权算法 |
| 4.4.2 特征波长提取 |
| 4.5 SVM关键参数优化方法研究 |
| 4.5.1 差分进化算法 |
| 4.5.2 灰狼优化算法 |
| 4.5.3 差分灰狼优化算法 |
| 4.5.4 改进的差分灰狼优化算法 |
| 4.5.5 支持向量机关键参数优化 |
| 4.6 甜菜地上生物量估测模型建立 |
| 4.7 本章小结 |
| 5 基于改进型光谱指数的甜菜冠层叶绿素含量检测方法研究 |
| 5.1 引言 |
| 5.2 实测SPAD值的变化规律以及统计分析 |
| 5.3 光谱预处理方法研究 |
| 5.3.1 光谱预处理算法 |
| 5.3.1.1 平滑预处理 |
| 5.3.1.2 一阶导数处理 |
| 5.3.1.3 多元散射校正 |
| 5.3.1.4 标准正态变换 |
| 5.3.2 不同预处理下光谱反射率与甜菜冠层叶绿素含量的相关性分析 |
| 5.4 SPAD值与常用光谱指数间的相关性分析 |
| 5.4.1 常用光谱指数筛选 |
| 5.4.2 光谱指数与SPAD值间的估测精度分析 |
| 5.5 光谱指数的优化及构建 |
| 5.5.1 光谱指数优化 |
| 5.5.2 最佳光谱指数筛选 |
| 5.6 甜菜SPAD值估测模型的构建及验证 |
| 5.7 甜菜冠层叶绿素含量可视化 |
| 5.8 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（2）颗粒物对温室叶类蔬菜生理信息影响规律的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 雾霾颗粒物对植物的危害 |
| 1.2.2 植物消减雾霾颗粒物的研究进展 |
| 1.2.3 雾霾颗粒物的人工模拟现状 |
| 1.2.4 相关研究中存在的问题 |
| 1.3 研究目标和研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 研究技术路线 |
| 1.5 本章小结 |
| 第2章 试验平台及数据处理方法 |
| 2.1 引言 |
| 2.1.1 试验对象与颗粒物环境人工模拟 |
| 2.1.2 试验对象 |
| 2.1.3 颗粒物试验环境的人工模拟 |
| 2.1.4 人工模拟颗粒物的能谱分析 |
| 2.2 数据处理与分析方法 |
| 2.2.1 光谱预处理方法 |
| 2.2.2 光谱特征变量提取方法 |
| 2.2.3 光谱建模方法 |
| 2.2.4 光谱植被指数和高光谱特征参数 |
| 2.2.5 模型评价指标 |
| 2.2.6 图像处理方法 |
| 第3章 颗粒物模拟环境和自然雾霾环境对叶菜的影响 |
| 3.1 引言 |
| 3.2 试验对象与方法 |
| 3.2.1 试验对象培育 |
| 3.2.2 试验方案设计 |
| 3.2.3 测量指标及方法 |
| 3.3 颗粒物模拟环境和自然雾霾环境下的高光谱响应研究 |
| 3.3.1 叶菜原始高光谱特征的响应规律 |
| 3.3.2 叶菜一阶导数光谱特征的响应规律 |
| 3.4 颗粒物模拟环境下叶菜生理信息的反演 |
| 3.4.1 高光谱敏感波段和特征波长的提取 |
| 3.4.2 高光谱敏感特征参数的筛选 |
| 3.4.3 叶菜净光合速率的高光谱反演模型 |
| 3.5 叶菜叶片ESEM微观结果及机理分析 |
| 3.5.1 生菜叶片微观结构及颗粒物作用机理分析 |
| 3.5.2 油菜叶片微观结构及颗粒物作用机理分析 |
| 3.5.3 小白菜叶片微观结构及颗粒物作用机理分析 |
| 3.5.4 叶菜吸附颗粒物的能力差异比较分析 |
| 3.6 叶菜在自然雾霾环境下的光合生理特征响应 |
| 3.6.1 叶菜光合生理指标的响应 |
| 3.6.2 叶绿素荧光动力学的应用 |
| 3.6.3 叶菜叶绿素荧光参数的响应 |
| 3.7 本章小结 |
| 第4章 叶菜对颗粒物污染的连续动态光合生理特征响应研究 |
| 4.1 引言 |
| 4.2 试验对象与方法 |
| 4.2.1 试验方案设计 |
| 4.2.2 测量指标及方法 |
| 4.3 叶菜光合生理指标的连续动态响应研究 |
| 4.3.1 颗粒物积累与叶菜生长指标的相关性研究 |
| 4.3.2 颗粒物积累与叶菜化学抗性指标的相关性研究 |
| 4.3.3 颗粒物积累与叶菜光合气体交换参数的相关性研究 |
| 4.3.4 颗粒物积累与叶菜叶绿素荧光特征的相关性研究 |
| 4.4 本章小结 |
| 第5章 叶菜对颗粒物污染的连续动态光谱响应研究 |
| 5.1 引言 |
| 5.2 试验对象与方法 |
| 5.3 光谱连续动态响应规律研究 |
| 5.3.1 叶菜连续动态高光谱特征比较 |
| 5.3.2 生菜受颗粒物污染的连续动态光谱响应规律 |
| 5.3.3 油菜受颗粒物污染的连续动态光谱响应规律 |
| 5.3.4 小白菜受颗粒物污染的连续动态光谱响应规律 |
| 5.3.5 颗粒物作用对叶菜敏感光谱植被指数的影响 |
| 5.4 基于高光谱技术建立叶菜净光合速率的反演模型 |
| 5.4.1 建立生菜的净光合速率反演模型 |
| 5.4.2 建立油菜的净光合速率反演模型 |
| 5.4.3 建立小白菜的净光合速率反演模型 |
| 5.5 本章小结 |
| 第6章 雾霾天气对日光温室的影响及管理建议 |
| 6.1 引言 |
| 6.2 雾霾天气对日光温室的影响及栽培优化管理建议 |
| 6.2.1 雾霾天气对日光温室的影响 |
| 6.2.2 设施叶菜消减颗粒物的栽培优化管理建议 |
| 6.2.3 温室生产应对雾霾天气的管理建议 |
| 6.3 基于微观图像处理技术应对雾霾天气 |
| 6.3.1 叶菜颗粒物ESEM微观图像的获取 |
| 6.3.2 微观图像的处理分析与应用 |
| 6.4 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 导师及作者简介 |
| 博士期间发表的学术论文及其它成果 |
| 致谢 |
（3）基于深度学习的梨树叶部病害识别研究（论文提纲范文）
| 摘要 |
| 第一章 绪论 |
| 1.1 研究意义 |
| 1.2 基于传统图像识别处理技术的植物病害识别 |
| 1.3 基于深度学习技术的植物病害识别 |
| 1.3.1 深度学习技术起源和发展现状 |
| 1.3.2 卷积神经网络 |
| 1.3.3 基于深度学习技术的植物病害识别研究现状 |
| 1.4 论文主要工作 |
| 1.4.1 基于深度学习技术的植物病害识别研究存在的问题 |
| 1.4.2 研究内容和结构安排 |
| 1.5 本章小结 |
| 第二章 试验材料和方法 |
| 2.1 试验材料 |
| 2.1.1 梨树叶部病害采集 |
| 2.1.2 梨树叶部病害数据集构建 |
| 2.2 试验方法 |
| 2.2.1 深度学习试验软硬件环境配置 |
| 2.2.2 VGGNet深度学习网络模型 |
| 2.2.3 GoogLeNet深度学习网络模型 |
| 2.2.4 ResNet深度学习网络模型 |
| 2.2.5 迁移学习 |
| 2.2.6 数据增强 |
| 2.3 本章小结 |
| 第三章 基于深度学习的梨树病害及严重度识别研究 |
| 3.1 基于深度学习的梨树3 类叶部病害识别试验 |
| 3.1.1 试验目的和内容 |
| 3.1.2 PDIRE病害数据集 |
| 3.1.3 试验设置和流程等 |
| 3.1.4 深度学习网络模型训练、验证的试验结果与分析 |
| 3.1.5 深度学习网络模型测试的试验结果与分析 |
| 3.1.6 小结 |
| 3.2 基于深度学习的梨树7 类病害严重度识别试验 |
| 3.2.1 试验目的和内容 |
| 3.2.2 PDSR病害数据集 |
| 3.2.3 试验设置和流程等 |
| 3.2.4 ResNet50、ResNet101 深度学习网络模型训练验证的试验结果分析 |
| 3.2.5 ResNet50、ResNet101 深度学习网络模型测试的试验结果分析 |
| 3.2.6 小结 |
| 第四章 基于深度学习的梨树叶部正反面病害识别效果对比 |
| 4.1 试验目的和内容 |
| 4.2 病害数据集 |
| 4.2.1 病害数据集构建原则 |
| 4.2.2 病害数据集构建流程 |
| 4.3 试验设置和流程等 |
| 4.4 试验结果与分析 |
| 4.5 本章小结 |
| 第五章 基于深度学习的不同环境下梨树病害识别效果对比 |
| 5.1 试验目的和内容 |
| 5.2 病害数据集 |
| 5.3 试验设置等 |
| 5.4 试验结果与分析 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 主要研究结论 |
| 6.2 主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| Abstract |
| 攻读博士期间取得的研究成果 |
| 致谢 |
（4）番茄病毒病的症状识别特征与防治策略（论文提纲范文）
| 1 症状特点 |
| 1.1 番茄斑萎病毒病（TSWV) |
| 1.1.1 分类地位及病毒类型。 |
| 1.1.2 症状特点。 |
| 1.1.3传毒媒介。 |
| 1.1.4 寄主范围。 |
| 1.2 番茄黄化曲叶病毒病（TYLCV) |
| 1.2.1 分类地位及病毒类型。 |
| 1.2.2 症状特点。 |
| 1.2.3 传毒媒介。 |
| 1.2.4 寄主范围。 |
| 1.3 番茄褪绿病毒病（ToCV) |
| 1.3.1 分类地位及病毒类型。 |
| 1.3.2 症状特点。 |
| 1.3.3 传毒媒介。 |
| 1.3.4 寄主范围。 |
| 1.4 番茄花叶型病毒病 |
| 1.4.1 番茄烟草花叶病毒（ToMV）。 |
| 1.4.2 黄瓜花叶病毒（CMV）。 |
| 2 综合防控措施 |
| 2.1 防控策略 |
| 2.2 防控措施 |
（5）“push-pull”策略在西花蓟马防治中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 文献综述 |
| 1.1 设施蔬菜概述 |
| 1.1.1 我国设施蔬菜概况 |
| 1.1.2 新疆地区设施蔬菜概况 |
| 1.1.3 新疆地区设施蔬菜主要害虫种类 |
| 1.2 西花蓟马概述 |
| 1.2.1 西花蓟马起源与分布 |
| 1.2.2 西花蓟马危害 |
| 1.2.3 西花蓟马形态特征及生物学特性 |
| 1.2.4 西花蓟马主要防治措施 |
| 1.3 “Push-Pull”策略及应用 |
| 1.3.1 “Push-Pull”策略原理 |
| 1.3.2 “Push-Pull”策略研究现状 |
| 1.3.3 “Push-Pull”策略应用实例 |
| 1.4 研究目的、意义与内容 |
| 1.4.1 研究目的、意义 |
| 1.4.2 研究内容 |
| 1.5 技术路线 |
| 第二章 南疆地区设施蔬菜主要害虫种类调查及分子检测 |
| 2.1 材料与方法 |
| 2.1.1 调查时间及地点 |
| 2.1.2 调查设施蔬菜种类 |
| 2.1.3 试验材料 |
| 2.1.4 试验方法 |
| 2.2 数据处理与分析 |
| 2.3 结果与分析 |
| 2.3.1 南疆地区设施蔬菜主要害虫种类及分布 |
| 2.3.2 南疆地区蓟马种类PCR鉴定 |
| 2.4 小结与讨论 |
| 第三章 西花蓟马对不同寄主的取食和产卵选择性 |
| 3.1 材料与方法 |
| 3.1.1 试验材料 |
| 3.1.2 试验方法 |
| 3.2 数据处理与分析 |
| 3.3 结果与分析 |
| 3.3.1 西花蓟马在不同蔬菜寄主植物上的取食偏好性 |
| 3.3.2 西花蓟马在不同蔬菜寄主植物上的产卵选择性 |
| 3.4 小结与讨论 |
| 第四章 西花蓟马对不同蔬菜寄主的嗅觉行为反应 |
| 4.1 材料与方法 |
| 4.1.1 试验材料 |
| 4.1.2 试验方法 |
| 4.2 数据处理与分析 |
| 4.3 结果与分析 |
| 4.3.1 西花蓟马对不同设施蔬菜寄主植物的嗅觉选择性 |
| 4.3.2 西花蓟马对不同设施蔬菜寄主植物组合的嗅觉选择性 |
| 4.4 小结与讨论 |
| 第五章 不同作物布局对西花蓟马防控效果的比较 |
| 5.1 材料与方法 |
| 5.1.1 试验材料 |
| 5.1.2 试验方法 |
| 5.2 数据处理与分析 |
| 5.3 结果与分析 |
| 5.3.1 不同植株布局对西花蓟马种群动态分布的影响 |
| 5.3.2 不同植株布局对西花蓟马种群防治效果的影响 |
| 5.4 小结与讨论 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.1.1 南疆地区设施蔬菜主要害虫种类调查及分子检测 |
| 6.1.2 西花蓟马对不同蔬菜寄主的选择性 |
| 6.1.3 不同作物布局对西花蓟马防控效果的比较 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 导师评阅表 |
（6）贵州辣椒RNA病毒种类组成及株系变异研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 文献综述 |
| 1.1 辣椒病毒病的研究现状 |
| 1.1.1 病毒检测技术研究进展 |
| 1.1.2 植物病毒常规的检测技术 |
| 1.1.2.1 生物学检测 |
| 1.1.2.2 电子显微镜观察 |
| 1.1.2.3 血清学检测 |
| 1.1.2.4 分子生物学检测 |
| 1.1.3 株系变异研究进展 |
| 1.2 辣椒主要RNA病毒种类 |
| 1.2.1 黄瓜花叶病毒(Cucumber mosaic virus,CMV) |
| 1.2.2 烟草花叶病毒(Tobacco mosaic virus,TMV) |
| 1.2.3 辣椒轻斑驳病毒(Pepper mild mottle virus,PMMoV) |
| 1.2.4 辣椒叶脉斑驳病毒(Chilli veinal mottle virus,ChiVMV) |
| 1.2.5 番茄斑萎病毒(Tomato spotted wilt virus,TSWV) |
| 1.2.6 辣椒潜隐病毒1 号和2 号(PCV-1、PCV-2) |
| 1.2.7 蚕豆萎焉病毒(Broad bean wilt virus,BBWV) |
| 1.2.8 辣椒叶脉黄化病毒(Pepper vein yellows virus,Pe VYV) |
| 1.2.9 烟草轻型绿花叶病毒(Tobacco mild green mosaic virus,TMGMV) |
| 1.2.10 辣椒环斑病毒(Chilli ring spot virus,ChiRSV) |
| 1.2.11 芜菁花叶病毒(Turnip mosaic virus,TuMV) |
| 1.2.12 甜菜西方花叶病毒(Beet western yellows virus,BWYV) |
| 1.3 辣椒病毒病种类与地理分布 |
| 1.4 研究的主要内容 |
| 1.4.1 辣椒病毒病的毒原种类检测 |
| 1.4.2 毒原种类组成及分布研究 |
| 1.4.3 辣椒品种及资源材料抗性评价 |
| 1.4.4 主要病毒株系分化研究 |
| 1.5 研究目的与意义 |
| 第二章 贵州辣椒RNA病毒种类鉴定 |
| 2.1 实验试剂及仪器设备 |
| 2.1.1 主要试剂 |
| 2.1.2 主要仪器设备 |
| 2.2 试验方法 |
| 2.2.1 技术路线 |
| 2.2.2 试验样品采集 |
| 2.2.3 辣椒RNA病毒的检测 |
| 2.2.3.1 叶片总RNA提取 |
| 2.2.3.2 cDNA合成 |
| 2.2.3.3 RT-PCR检测 |
| 2.2.3.4 检测引物 |
| 2.2.3.5 电泳与测序 |
| 2.3 结果与分析 |
| 2.3.1 贵州辣椒病毒侵染总检出率 |
| 2.3.2 单一病毒侵染 |
| 2.3.3 复合侵染 |
| 2.4.3.1 两种病毒复合侵染 |
| 2.4.3.2 三种病毒复合侵染 |
| 2.4.3.3 四种病毒复合侵染 |
| 2.4.3.4 五种病毒复合侵染 |
| 2.4.3.5 六种病毒复合侵染 |
| 2.4.3.6 七种病毒复合侵染 |
| 2.4.3.7 八种病毒复合侵染 |
| 2.4.3.8 贵州各地区复合侵染的主要种类 |
| 2.3.4 小结与讨论 |
| 第三章 贵州辣椒CMV、TMV、PMMoV分离物的CP基因序列分析 |
| 3.1 供试材料 |
| 3.2 试验方法 |
| 3.2.1 辣椒总RNA的提取 |
| 3.2.2 cDNA的合成 |
| 3.2.3 RT-PCR扩增 |
| 3.2.4 琼脂糖凝胶电泳检测 |
| 3.2.5 RT-PCR产物序列测定 |
| 3.3 结果与分析 |
| 3.3.1 序列来源 |
| 3.3.2 贵州辣椒CMV分离物的株系分化 |
| 3.3.2.1 辣椒CMV分离物CP基因核苷酸及氨基酸序列分析 |
| 3.3.2.2 聚类分析 |
| 3.3.3 贵州辣椒TMV分离物的株系分化 |
| 3.3.3.1 辣椒TMV分离物CP基因核苷酸及氨基酸序列分析 |
| 3.3.3.2 聚类分析 |
| 3.3.4 贵州辣椒PMMoV分离物的株系分化 |
| 3.3.4.1 贵州辣椒PMMoV分离物CP基因核苷酸及氨基酸序列分析 |
| 3.3.4.2 聚类分析 |
| 3.3.5 小结与讨论 |
| 第四章 辣椒品种及资源材料对CMV和 TMV的抗性鉴定与评价 |
| 4.1 材料与方法 |
| 4.1.1 材料 |
| 4.1.2 方法 |
| 4.1.2.1 种子处理 |
| 4.1.2.2 供试点选择与鉴定圃设置 |
| 4.1.2.3 栽培与田间管理 |
| 4.1.2.4 田间病情调查与统计 |
| 4.1.2.5 辣椒资源材料抗病性分析及评价标准 |
| 4.2 结果与分析 |
| 4.3 小结与讨论 |
| 第五章 总结与讨论 |
| 5.1 贵州辣椒RNA病毒种类组成研究 |
| 5.2 辣椒RNA病毒株系变异研究 |
| 5.3 资源材料抗性评价研究 |
| 5.4 本研究的亮点与创新之处 |
| 5.5 本研究存在的问题与今后打算 |
| 参考文献 |
| 致谢 |
| 附录 |
（7）芽孢杆菌对番茄早疫病和番茄黄化卷叶病毒病的防治效果及机制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 文献综述 |
| 1.1 芽孢杆菌的防病促生相关机制及应用现状 |
| 1.1.1 芽孢杆菌简介 |
| 1.1.2 芽孢杆菌防治植物病害相关机制 |
| 1.1.3 芽孢杆菌促进植物生长相关机制 |
| 1.1.4 芽孢杆菌应用现状 |
| 1.2 供试病原菌所诱发病害的危害及防治 |
| 1.2.1 番茄早疫病 |
| 1.2.2 番茄黄化卷叶病 |
| 1.3 有益微生物对植物根系微生态的调节作用 |
| 1.4 RNA interference |
| 1.4.1 RNA interference简介 |
| 1.4.2 RNA interference作用机制 |
| 1.4.3 RNA interference技术在植物中的应用 |
| 1.5 DNA甲基化 |
| 1.5.1 DNA甲基化简介 |
| 1.5.2 DNA甲基化作用机制 |
| 1.5.3 DNA甲基化在植物中的应用 |
| 1.6 研究内容、目的、技术路线 |
| 1.6.1 研究目的 |
| 1.6.2 研究内容 |
| 1.6.3 技术路线 |
| 第二章 2株生防优良芽孢杆菌筛选鉴定及促生特性研究 |
| 2.1 材料与方法 |
| 2.1.1 实验材料 |
| 2.2 实验方法 |
| 2.2.1 皿内拮抗实验 |
| 2.2.2 皿内种子发芽实验 |
| 2.2.3 菌株鉴定 |
| 2.2.4 芽孢杆菌促生特性研究盆栽实验 |
| 2.2.5 数据处理方法 |
| 2.3 实验结果 |
| 2.3.1 皿内拮抗实验 |
| 2.3.2 皿内种子发芽验 |
| 2.3.3 菌株鉴定结果 |
| 2.3.4 两株芽孢杆菌促生效果盆栽实验 |
| 2.4 讨论 |
| 2.5 结论 |
| 第三章 Bacillus laterosporus Bl13 对番茄早疫病防治效果及机制研究 |
| 3.1 材料与方法 |
| 3.1.1 实验材料 |
| 3.1.2 实验方法 |
| 3.2 实验结果 |
| 3.2.1 Bl13对番茄早疫病的防治效果 |
| 3.2.2 施用Bl13对番茄生物学指标的影响 |
| 3.2.3 施用Bl13对番茄植株叶片防御酶活性的影响 |
| 3.2.4 Bl13对番茄植株根系生长的影响 |
| 3.2.5 Bl13对番茄植株根区土壤微生物群落结构的影响 |
| 3.3 讨论 |
| 第四章 Bacillus amyloliquefaciens Ba13 通过增强RNAi提高番茄植株对番茄黄化曲叶病毒病抗性 |
| 4.1 材料与方法 |
| 4.1.1 实验材料 |
| 4.1.2 实验方法 |
| 4.2 实验结果 |
| 4.2.1 病毒基因型鉴定 |
| 4.2.2 Ba13 对番茄植株生长的促进作用和对TYLCV的防治作用 |
| 4.2.3 Ba13菌株对番茄叶片转录组的影响 |
| 4.2.4 Ba13对于植物叶片内2种激素含量的影响 |
| 4.2.5 Ba13对细胞内小RNA相对丰度的影响 |
| 4.3 讨论 |
| 4.4 .结论 |
| 第五章 研究的创新点、结论及展望 |
| 5.1 结论 |
| 5.2 创新点 |
| 5.3 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 个人简历 |
（8）低温胁迫下番茄幼苗叶绿素荧光成像的分析及研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 番茄栽培 |
| 1.1.2 低温胁迫对作物生长的影响 |
| 1.1.3 番茄冷害研究意义 |
| 1.2 叶绿素荧光成像在植物胁迫研究中的应用现状及存在的问题 |
| 1.2.1 温度胁迫 |
| 1.2.2 光照胁迫 |
| 1.2.3 水分胁迫 |
| 1.2.4 营养胁迫 |
| 1.2.5 盐胁迫 |
| 1.2.6 病害胁迫 |
| 1.2.7 文献分析 |
| 1.3 主要研究内容及技术路线 |
| 1.3.1 研究目标 |
| 1.3.2 主要研究内容 |
| 1.3.3 技术路线 |
| 1.4 本章小结 |
| 第2章 叶绿素荧光动力学成像原理及其研究方法 |
| 2.1 引言 |
| 2.2 叶绿素荧光原理 |
| 2.3 叶绿素荧光成像设备 |
| 2.4 叶绿素荧光动力学参数曲线 |
| 2.4.1 叶绿素荧参数值 |
| 2.4.2 叶绿素荧光动力学曲线 |
| 2.5 叶绿素荧光成像的研究方法 |
| 2.5.1 叶绿素荧光图像 |
| 2.5.2 荧光图像的颜色模型 |
| 2.5.3 图像横向异质性分析算法 |
| 2.5.4 图像分割方法 |
| 2.5.5 特征选择方法 |
| 2.5.6 定量统计分析模型 |
| 2.6 本章小结 |
| 第3章 基于叶绿素荧光成像研究冷害对番茄幼苗的影响 |
| 3.1 引言 |
| 3.2 实验准备 |
| 3.2.1 实验材料 |
| 3.2.2 图像获取方法 |
| 3.3 荧光图像研究 |
| 3.3.1 可见光RGB彩色图像 |
| 3.3.2 荧光灰度图像的直方图 |
| 3.3.3 灰度图像的纹理特征 |
| 3.4 结果与分析 |
| 3.4.1 荧光彩色图像的冷害分析 |
| 3.4.2 荧光灰度直方图的冷害分析 |
| 3.4.3 荧光灰度图像纹理的冷害分析 |
| 3.5 本章小结 |
| 第4章 基于叶片损伤区域的番茄幼苗冷害分级 |
| 4.1 引言 |
| 4.2 实验准备 |
| 4.3 冷损伤区域识别 |
| 4.4 基于叶绿素荧光动力学的冷害分类方法 |
| 4.4.1 单叶内的区域分类研究 |
| 4.4.2 多片叶子的分类研究 |
| 4.5 结果与讨论 |
| 4.6 本章小结 |
| 第5章 基于低温胁迫时间的番茄幼苗冷害损伤研究 |
| 5.1 引言 |
| 5.2 实验准备 |
| 5.2.1 实验材料 |
| 5.2.2 叶绿素荧光图像 |
| 5.3 荧光参数选择 |
| 5.4 叶绿素荧光图像特征 |
| 5.4.1 彩色图像颜色描述符特征 |
| 5.4.2 灰度图像的直方图特征 |
| 5.4.3 灰度图像的纹理特征 |
| 5.5 基于神经网络的冷害类型识别 |
| 5.6 结果与讨论 |
| 5.6.1 基于叶绿素荧光参数值和神经网络的冷害分类识别 |
| 5.6.2 基于图像特征和神经网络的冷害分类识别 |
| 5.7 本章小结 |
| 第6章 基于冷害面积的番茄幼苗冷害损伤分级研究 |
| 6.1 引言 |
| 6.2 实验准备 |
| 6.3 评估冷害的方法 |
| 6.3.1 荧光图像的不同颜色模型分析 |
| 6.3.2 荧光图像的分割效果 |
| 6.3.3 L*a*b*图像数据聚类分析 |
| 6.3.4 改进k-means++分割方法评估 |
| 6.3.5 基于冷害面积的分类方法 |
| 6.3.6 不同损伤程度的参数分析 |
| 6.4 特征提取与选择 |
| 6.4.1 特征提取 |
| 6.4.2 PCA特征降维 |
| 6.4.3 Spearman特征选择 |
| 6.5 冷害级别的模型识别 |
| 6.5.1 神经网络BP识别模型 |
| 6.5.2 支持向量机SVM识别模型 |
| 6.5.3 遗传神经网络GA-BP识别模型 |
| 6.5.4 粒子群支持向量机PSO-SVM识别模型 |
| 6.6 实验结果与分析 |
| 6.7 本章小结 |
| 第7章 结论与展望 |
| 7.1 本文研究结论 |
| 7.2 本文创新点 |
| 7.3 下一步研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表文章 |
（9）小麦条锈病早期检测与预测预报关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词表 |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 小麦条锈病研究概况 |
| 1.2.2 作物病害的检测与诊断研究现状 |
| 1.2.3 作物病害预测预报技术研究现状 |
| 1.3 存在问题分析 |
| 1.4 主要研究内容 |
| 1.5 研究方法及技术路线 |
| 1.5.1 研究方法 |
| 1.5.2 技术路线 |
| 1.6 论文组织结构 |
| 第2章 材料与方法 |
| 2.1 试验材料 |
| 2.2 实验设备 |
| 2.2.1 热红外成像系统 |
| 2.2.2 高光谱成像系统 |
| 2.2.3 显微成像系统 |
| 2.2.4 SPAD-502 叶绿素仪 |
| 2.3 数据分析技术与方法 |
| 2.3.1 光谱分析技术 |
| 2.3.2 光谱数据预处理方法 |
| 2.3.3 光谱特征波段选择 |
| 2.4 模型构建与分析 |
| 2.4.1 模型构建方法 |
| 2.4.2 模型优化算法 |
| 2.4.3 模型评价指标 |
| 2.5 数据分析软件 |
| 2.6 本章小结 |
| 第3章 基于热红外图像的小麦条锈病早期检测 |
| 3.1 引言 |
| 3.2 供试样本与数据采集 |
| 3.2.1 供试小麦样本 |
| 3.2.2 热红外图像采集 |
| 3.2.3 显微图像采集 |
| 3.3 基于热红外图像的小麦条锈病早期识别方法 |
| 3.3.1 样本接种区域的温度提取 |
| 3.3.2 数据处理方法 |
| 3.3.3 小麦叶片热红外图像变化 |
| 3.3.4 小麦叶片表面温度变化 |
| 3.3.5 小麦叶片显微图像变化 |
| 3.4 基于热红外图像的小麦条锈病严重度评估 |
| 3.4.1 小麦病害严重度划分与数据获取 |
| 3.4.2 热红外图像预处理 |
| 3.4.3 热红外图像的病斑区域提取 |
| 3.4.4 病害分级结果与分析 |
| 3.5 本章小结 |
| 第4章 基于高光谱图像的小麦条锈病检测与鉴别 |
| 4.1 引言 |
| 4.2 供试样本与数据采集 |
| 4.2.1 供试小麦样本 |
| 4.2.2 光谱图像采集 |
| 4.2.3 叶绿素含量测定 |
| 4.3 基于高光谱成像技术的小麦条锈病早期诊断 |
| 4.3.1 高光谱图像预处理 |
| 4.3.2 不同侵染天数的小麦叶片光谱曲线分析 |
| 4.3.3 特征波长选取 |
| 4.3.4 叶绿素含量预测模型 |
| 4.3.5 SPAD的可视化分布 |
| 4.4 基于高光谱成像技术的小麦条锈病与白粉病鉴别 |
| 4.4.1 光谱预处理和样品划分 |
| 4.4.2 光谱特征分析 |
| 4.4.3 特征波长提取 |
| 4.4.4 病害种类判别模型的建立与比较分析 |
| 4.4.5 小麦病害显微图像分析 |
| 4.5 本章小结 |
| 第5章 条锈病夏孢子远程传播与沉降模拟 |
| 5.1 引言 |
| 5.2 供试数据与资料 |
| 5.2.1 数据与资料 |
| 5.2.2 HYSPLIT模型简介 |
| 5.2.3 模型构建与参数设置 |
| 5.3 模拟结果与分析 |
| 5.3.1 条锈病夏孢子运行轨迹分析 |
| 5.3.2 条锈病夏孢子沉降浓度分析 |
| 5.4 本章小结 |
| 第6章 基于生境信息的小麦条锈病预测分析 |
| 6.1 引言 |
| 6.2 材料与方法 |
| 6.2.1 病情数据与气象资料 |
| 6.2.2 数据降维处理 |
| 6.3 预测模型与分析 |
| 6.3.1 基于遗传-神经网络的预测模型分析 |
| 6.3.2 基于粒子群-支持向量机的预测模型分析 |
| 6.3.3 模型综合比较与评价 |
| 6.4 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（10）基于多信息融合的不结球白菜氮营养诊断与需求研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词 |
| 第一章 绪论 |
| 1.1 不结球白菜栽培现状 |
| 1.1.1 栽培模式 |
| 1.1.2 灌溉与施肥 |
| 1.1.3 栽培存在的问题 |
| 1.1.4 氮肥减量施用技术 |
| 1.2 植物氮营养诊断技术研究进展 |
| 1.2.1 外观诊断 |
| 1.2.2 化学诊断 |
| 1.2.3 现代无损检测技术诊断 |
| 1.3 植物表型 |
| 1.3.1 表型平台发展现状 |
| 1.3.2 表型研究策略 |
| 1.4 植物氮吸收与利用研究进展 |
| 1.4.1 临界氮浓度曲线 |
| 1.4.2 植物氮浓度阈值 |
| 1.4.3 植物氮利用生理机制 |
| 1.4.4 植物氮吸收与利用的影响因素 |
| 1.5 作物模型 |
| 1.6 研究问题的提出 |
| 1.7 本研究的意义及技术路线 |
| 1.7.1 研究目标 |
| 1.7.2 研究内容 |
| 1.7.3 技术路线 |
| 第二章 不结球白菜表型与氮浓度关联模型的构建 |
| 2.1 材料与方法 |
| 2.1.1 植物样品 |
| 2.1.2 图像采集 |
| 2.1.3 图像处理 |
| 2.1.4 指标提取 |
| 2.1.5 氮相关物质的测定 |
| 2.1.6 关联模型的构建 |
| 2.1.7 不同场景下模型的评估 |
| 2.2 结果与分析 |
| 2.2.1 表型指标与氮相关物质的相关性分析 |
| 2.2.2 表型指标筛选 |
| 2.2.3 模型建立 |
| 2.2.4 模型校验 |
| 2.2.5 模型评估 |
| 2.2.6 表型性状对模型的贡献度分析 |
| 2.2.7 模型简化及评估 |
| 2.3 讨论 |
| 2.3.1 表型对植株氮营养状态预测的可行性 |
| 2.3.2 全模型较颜色模型预测植物氮素更准确 |
| 2.3.3 随机森林模型具有更强的鲁棒性 |
| 2.3.4 简化后的随机森林模型仍能有效地预测植株氮 |
| 2.4 小结 |
| 第三章 不结球白菜氮吸收的阈值研究 |
| 3.1 材料与方法 |
| 3.1.1 试验材料 |
| 3.1.2 实验设计 |
| 3.1.3 测定项目与方法 |
| 3.1.4 氮吸收阈值模型的描述 |
| 3.1.5 数据分析 |
| 3.2 结果与分析 |
| 3.2.1 地上部氮浓度 |
| 3.2.2 地上部干重 |
| 3.2.3 地上部氮积累 |
| 3.2.4 氮浓度阈值 |
| 3.2.5 鲜重与干重的关系 |
| 3.3 讨论 |
| 3.3.1 植物氮稀释的原因 |
| 3.3.2 基于临界氮浓度的氮需求分析 |
| 3.4 小结 |
| 第四章 不结球白菜氮吸收及生长的累积光热效应 |
| 4.1 材料与方法 |
| 4.1.1 实验设计 |
| 4.1.2 鲜重、干重和氮浓度的测定 |
| 4.1.3 环境参数的获取 |
| 4.1.4 累积光热效应的计算 |
| 4.1.5 模型建立及参数确定 |
| 4.1.6 模型检验 |
| 4.2 结果与分析 |
| 4.2.1 累积光热效应 |
| 4.2.2 模型描述 |
| 4.2.3 模型参数的确定 |
| 4.2.4 模型检验 |
| 4.3 讨论 |
| 4.4 小结 |
| 第五章 不结球白菜氮吸收的水氮互作效应 |
| 5.1 材料与方法 |
| 5.1.1 试验材料 |
| 5.1.2 实验设计 |
| 5.1.3 测定项目与方法 |
| 5.1.4 数据分析 |
| 5.2 结果与分析 |
| 5.2.1 植株含水率 |
| 5.2.2 生长参数 |
| 5.2.3 氮含量 |
| 5.2.4 NO_3~--N,NH_4~+-N和总的游离氨基酸含量 |
| 5.2.5 氮代谢酶活性 |
| 5.3 讨论 |
| 5.3.1 水分供应不足限制硝态氮从根部向地上部的转运 |
| 5.3.2 水分供应不足降低了不结球白菜对氮的需求 |
| 5.3.3 氮的供应可减缓水分供应不足对不结球白菜造成的不利影响 |
| 5.4 小结 |
| 第六章 基质、土壤栽培系统下不结球白菜氮利用率、产量及品质的差异 |
| 6.1 材料与方法 |
| 6.1.1 试验材料 |
| 6.1.2 实验设计 |
| 6.1.3 测定项目与方法 |
| 6.2 结果与分析 |
| 6.2.1 生物量和氮浓度 |
| 6.2.2 品质 |
| 6.2.3 氮吸收率和利用率 |
| 6.2.4 产量、硝酸盐含量和氮利用率与施氮量的关系 |
| 6.3 讨论 |
| 6.3.1 产量、氮利用率与施氮量均符合二次回归关系 |
| 6.3.2 基质栽培系统提高了氮肥吸收 |
| 6.4 小结 |
| 第七章 不结球白菜氮供应决策模型与系统设计 |
| 7.1 不结球白菜氮供应决策模型 |
| 7.1.1 实际氮浓度预测模型 |
| 7.1.2 基于光热效应的产量形成模型 |
| 7.1.3 不结球白菜临界氮浓度曲线 |
| 7.1.4 氮利用率 |
| 7.2 氮需求模型验证 |
| 7.2.1 数据采集 |
| 7.2.2 数据分析 |
| 7.2.3 验证结果 |
| 7.3 氮供应决策系统设计 |
| 7.3.1 需求分析 |
| 7.3.2 系统设计 |
| 7.4 小结 |
| 第八章 结论与展望 |
| 8.1 全文总结 |
| 8.2 创新点 |
| 8.3 展望 |
| 参考文献 |
| 附录 |
| 附录1 第二章补充材料 |
| 附录2 攻读博士学位期间科研成果及其他相关工作 |
| 博士期间发表论文 |
| 参加的国内、国际学术会议 |
| 项目支持 |
| 致谢 |
四、温室黄瓜叶片八种黄化的识别与诊断措施（论文参考文献）
- [1]基于高光谱成像技术的甜菜生理生态参数检测方法研究[D]. 张晶. 内蒙古农业大学, 2021
- [2]颗粒物对温室叶类蔬菜生理信息影响规律的研究[D]. 孔丽娟. 吉林大学, 2021
- [3]基于深度学习的梨树叶部病害识别研究[D]. 杨方. 山西农业大学, 2020(02)
- [4]番茄病毒病的症状识别特征与防治策略[J]. 李英梅,刘晨,王周平,张伟兵,陈志杰. 现代农业科技, 2020(12)
- [5]“push-pull”策略在西花蓟马防治中的应用研究[D]. 陈泓渝. 石河子大学, 2020(08)
- [6]贵州辣椒RNA病毒种类组成及株系变异研究[D]. 付尚松. 贵州大学, 2020(02)
- [7]芽孢杆菌对番茄早疫病和番茄黄化卷叶病毒病的防治效果及机制研究[D]. 孙一凡. 西北农林科技大学, 2020
- [8]低温胁迫下番茄幼苗叶绿素荧光成像的分析及研究[D]. 董贞芬. 沈阳农业大学, 2019
- [9]小麦条锈病早期检测与预测预报关键技术研究[D]. 姚志凤. 西北农林科技大学, 2019(02)
- [10]基于多信息融合的不结球白菜氮营养诊断与需求研究[D]. 熊鑫. 上海交通大学, 2019(06)
标签：图像深度论文;