一種基于LSTM的草莓白粉病預(yù)測(cè)方法

李 揚(yáng)， 腰彩紅， 蘭 璞， 田 濤， 孫海波， 王建春

(天津市農(nóng)業(yè)科學(xué)院，天津 300112)

草莓是天津市冬春季節(jié)設(shè)施農(nóng)業(yè)高價(jià)值作物之一，普遍采用設(shè)施栽培，易出現(xiàn)濕度大、光照不足和通風(fēng)不良等問(wèn)題，為草莓病害的發(fā)生提供了有利條件。白粉病是由專性寄生菌引發(fā)的，是近年來(lái)危害草莓產(chǎn)量及品質(zhì)的主要病害之一，發(fā)生頻率高，損失嚴(yán)重。只要條件合適，病原菌20 h即可侵入葉片表皮，4 d后可形成白色菌絲，7 d后成熟可形成新的分生孢子，進(jìn)而在幾天內(nèi)迅速感染整個(gè)溫室。統(tǒng)計(jì)表明草莓感染白粉病后一般減產(chǎn)20%～50%，嚴(yán)重影響草莓的產(chǎn)量和品質(zhì)[1]。因此對(duì)草莓白粉病的發(fā)生進(jìn)行預(yù)測(cè)，并盡早采取措施予以治療，將有效減少白粉病對(duì)作物的影響，降低農(nóng)民損失。

目前白粉病預(yù)測(cè)技術(shù)使用的方法主要包括基于孢子捕捉技術(shù)預(yù)測(cè)和基于環(huán)境氣候預(yù)測(cè)2種[2]。基于孢子捕捉技術(shù)的預(yù)測(cè)是通過(guò)在載體上涂抹黏性物質(zhì)來(lái)黏附空氣中的孢子，并定期帶回實(shí)驗(yàn)室通過(guò)顯微鏡對(duì)孢子數(shù)量進(jìn)行檢測(cè)，再結(jié)合環(huán)境、作物抗病性等因素進(jìn)行病害的預(yù)警。李磊福等以累積濕度和孢子量為變量構(gòu)建了溫室甜瓜白粉病流行預(yù)測(cè)模型，對(duì)溫室瓜菜白粉病發(fā)病進(jìn)行了預(yù)測(cè)，取得了較好的效果[3]。高士剛等使用了一體化智能孢子捕捉儀證實(shí)黃瓜霜霉病和黃瓜白粉病病情指數(shù)與連續(xù)7 d孢子捕捉總量具有強(qiáng)正相關(guān)性[4]。Cao等通過(guò)對(duì)空氣中小麥白粉病菌分生孢子動(dòng)態(tài)監(jiān)測(cè)，建立了基于氣象因子和孢子濃度的小麥白粉病預(yù)測(cè)模型[5]。Carisse等利用孢子量、作物抗病性和氣象信息對(duì)草莓白粉病的發(fā)生風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)，構(gòu)建了基于采樣當(dāng)天的孢子量、平均相對(duì)濕度、適宜溫度下的平均小時(shí)數(shù)等參數(shù)的決策樹模型，并驗(yàn)證了模型的有效性[6]。這些研究都證實(shí)了使用孢子量進(jìn)行白粉病預(yù)測(cè)的效果。近年來(lái)孢子捕捉技術(shù)的發(fā)展，特別是圖像處理技術(shù)的發(fā)展促進(jìn)了使用孢子捕捉技術(shù)進(jìn)行作物病害監(jiān)測(cè)預(yù)警的研究和技術(shù)的迭代更新，進(jìn)一步提高了病害監(jiān)測(cè)預(yù)警的質(zhì)量和水平，但由于孢子捕捉儀的專業(yè)性強(qiáng)，實(shí)際生產(chǎn)中還是存在難以推廣的問(wèn)題。因此，現(xiàn)階段基于環(huán)境氣候預(yù)測(cè)仍是作物病害預(yù)測(cè)使用的主要方法，即通過(guò)歷史氣象數(shù)據(jù)模擬病害傳播路徑，并結(jié)合病害發(fā)生時(shí)序等實(shí)際情況構(gòu)建預(yù)測(cè)模型，對(duì)病害進(jìn)行預(yù)警。尚志云等利用1990—2010年河北省冬小麥白粉病和國(guó)家氣候中心大氣環(huán)流特征量指數(shù)資料，建立了冬小麥白粉病預(yù)測(cè)模型，年前和春季病害發(fā)生程度預(yù)測(cè)模型的準(zhǔn)確率分別為81.0%和90.5%[7]。吳燕君等通過(guò)監(jiān)測(cè)2007—2019年設(shè)施黃瓜白粉病的田間流行動(dòng)態(tài)，建立了基于逐步回歸分析法的春黃瓜、秋黃瓜白粉病發(fā)生預(yù)測(cè)模型，經(jīng)擬合率檢驗(yàn)，各模型均達(dá)75分以上的準(zhǔn)確度[8]。魏少偉等使用2020年9—11月在北京4個(gè)溫室的空氣溫度、相對(duì)濕度、光照強(qiáng)度構(gòu)建了貝葉斯網(wǎng)絡(luò)模型，對(duì)日光溫室黃瓜白粉病進(jìn)行了預(yù)測(cè)，準(zhǔn)確度達(dá)到了87%以上，具有良好的普適性[9]。

目前基于環(huán)境氣候的白粉病預(yù)測(cè)大多采用回歸分析等方法，這些方法需要大量歷史年份數(shù)據(jù)，且不考慮各個(gè)變量之間的內(nèi)在聯(lián)系，導(dǎo)致模型適應(yīng)性不強(qiáng)。近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)算法由于其強(qiáng)大的非線性逼近能力和自適應(yīng)能力，逐漸被引入到病害預(yù)測(cè)、環(huán)境預(yù)測(cè)等領(lǐng)域[10]，在水稻[11]、黃瓜[12]、臍橙[13]等作物和水產(chǎn)領(lǐng)域[14]已經(jīng)取得了較好的效果。但鮮有針對(duì)設(shè)施草莓白粉病預(yù)測(cè)的研究，本研究主要以日光溫室草莓種植期間的環(huán)境和病害發(fā)生情況作為樣本，采用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(long-short term memory，簡(jiǎn)稱LSTM)對(duì)其發(fā)病情況進(jìn)行預(yù)測(cè)，為病害防治奠定基礎(chǔ)。

1 材料與方法

1.1 種植情況

草莓品種選擇紅顏和章姬，二者均是天津越冬草莓主栽品種，適合日光溫室促成栽培。其中紅顏對(duì)白粉病抵抗能力弱，章姬較耐白粉病。試驗(yàn)于2020年9月至2021年4月在天津市鼎牛農(nóng)業(yè)園區(qū)1號(hào)溫室和2號(hào)溫室中進(jìn)行，溫室由聚乙烯薄膜覆蓋，溫室面積約667 m2，草莓于9月初定植，并建立生產(chǎn)檔案，對(duì)灌溉、施肥等栽培管理措施進(jìn)行記錄。

1.2 傳感器部署

室內(nèi)環(huán)境數(shù)據(jù)測(cè)量使用建大仁科溫濕度及光照度三合一傳感器、土壤溫濕度二合一傳感器。監(jiān)測(cè)數(shù)據(jù)采集使用自主研發(fā)的數(shù)據(jù)采集設(shè)備完成，并上傳至服務(wù)器，數(shù)據(jù)采集頻率為15 min/次。室內(nèi)傳感器按照5×5的位置布放，即將棚室劃分為25塊區(qū)域，橫向按照1～5劃分，縱向按照A～E劃分，傳感器布放在相應(yīng)區(qū)域中心。溫室劃分情況如圖 1所示，布放現(xiàn)場(chǎng)及采集設(shè)備如圖 2所示。

1.3 白粉病調(diào)查

調(diào)查根據(jù)選定的25個(gè)采樣點(diǎn)，每個(gè)采樣點(diǎn)對(duì)角線五點(diǎn)采樣，每點(diǎn)隨機(jī)選定3株，每株調(diào)查全部葉片，發(fā)病前每隔2 d觀察1次，待發(fā)現(xiàn)白粉病后每隔7 d觀察1次，統(tǒng)計(jì)發(fā)病情況，共調(diào)查18次，并根據(jù)GB/T 17980.119—2004[15]對(duì)病害程度進(jìn)行分級(jí)。分級(jí)標(biāo)準(zhǔn)如表1所示，病情指數(shù)計(jì)算公式如下：

表1 病害程度分級(jí)標(biāo)準(zhǔn)

1.4 數(shù)據(jù)采集及清理

根據(jù)發(fā)病調(diào)查獲取了自第一次發(fā)現(xiàn)病害前7 d至種植期結(jié)束的全部環(huán)境數(shù)據(jù)，包括空氣溫度、空氣相對(duì)濕度、光照度、土壤溫度、土壤相對(duì)濕度5組。期間由于園區(qū)停電，傳感器故障等原因丟失部分?jǐn)?shù)據(jù)，按照同一時(shí)段其他傳感器均值或鄰近日期同一位置數(shù)據(jù)測(cè)算，最終獲取213 000條環(huán)境數(shù)據(jù)。

1.5 指標(biāo)選擇

為了分析環(huán)境因子在調(diào)查期間對(duì)于白粉病發(fā)生的影響，結(jié)合已有數(shù)據(jù)，設(shè)計(jì)了可能影響白粉病發(fā)生的因素共計(jì)25項(xiàng)，具體如表2所示。

1.6 預(yù)測(cè)模型

LTSM是一種特殊的神經(jīng)網(wǎng)絡(luò)(RNN)模型，是為了解決RNN模型梯度爆炸和梯度消失問(wèn)題而提出的，適合處理和預(yù)測(cè)時(shí)間序列中間間隔和延遲相對(duì)較長(zhǎng)的問(wèn)題。使用記憶單元代替神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元，LSTM記憶單元示意圖如圖3所示。

表2 預(yù)測(cè)指標(biāo)

1.7 試驗(yàn)方法

對(duì)比試驗(yàn)中，首先將“1.4”節(jié)中獲取的環(huán)境數(shù)據(jù)按照“1.5”節(jié)中列出的25個(gè)指標(biāo)項(xiàng)， 通過(guò)計(jì)算得到觀察期間每天的指標(biāo)值共計(jì)400組指標(biāo)記錄，按照80%和20%的比例分為訓(xùn)練集和測(cè)試集。再根據(jù)觀測(cè)日期，將該日期前的nd的指標(biāo)值作為輸入值，預(yù)測(cè)是否發(fā)病。開展3組試驗(yàn)，對(duì)比預(yù)測(cè)效果。試驗(yàn)1使用檢查日前4 d的數(shù)據(jù)，預(yù)測(cè)檢查日是否發(fā)病；試驗(yàn)2使用檢查日前7 d至4 d的氣象數(shù)據(jù)，預(yù)測(cè)檢查日是否發(fā)病；試驗(yàn)3使用檢查日前7 d的數(shù)據(jù)，預(yù)測(cè)檢查日是否發(fā)病(圖4)。

本研究中LSTM網(wǎng)絡(luò)使用PyCharm環(huán)境Python 3.9版本開發(fā)，用MySql數(shù)據(jù)庫(kù)及Excel進(jìn)行數(shù)據(jù)整理分析。

1.8 評(píng)價(jià)指標(biāo)

混淆矩陣是用來(lái)評(píng)價(jià)模型時(shí)使用的主要工具，其定義如表3所示。

表3 混淆矩陣定義

在混淆矩陣基礎(chǔ)上，國(guó)際上廣泛采用的評(píng)價(jià)指標(biāo)包括精確度(precision)、召回率(recall)和F1指數(shù)，相應(yīng)公式如下：

precision=TP/(TP+FP)；

recall=TP/(TP+FN)；

F1=2×precision×recall/(precision+recall)。

精確度體現(xiàn)的是模型預(yù)測(cè)結(jié)果的正確程度，召回率體現(xiàn)的是是否所有結(jié)果都被正確地預(yù)測(cè)出來(lái)了，F(xiàn)1指數(shù)是準(zhǔn)確度和召回率的綜合體現(xiàn)。本研究采用以上3項(xiàng)指標(biāo)評(píng)價(jià)模型效果。

2 結(jié)果與分析

2.1 易發(fā)病位置分析

對(duì)比分析發(fā)現(xiàn)，同一溫室內(nèi)不同區(qū)域由于小氣候仍然存在較大差異，導(dǎo)致發(fā)病程度不一。通過(guò)匯總調(diào)查的病情指數(shù)，繪制溫室劃分的25個(gè)區(qū)域的平均病情指數(shù)熱力圖(圖5)。從圖5可以看出，2、3、4區(qū)域感染白粉病病情指數(shù)要高于1、5區(qū)域，這主要是由于區(qū)域1更靠近出口溫度偏低，區(qū)域5更靠近側(cè)墻，人員流動(dòng)小。2、3、4區(qū)域中3C區(qū)域感染白粉病病情指數(shù)最高，主要是由于此區(qū)域?yàn)闇厥抑行模諝饬鲃?dòng)及環(huán)境情況都更適宜白粉病發(fā)展。其中標(biāo)紅色框的區(qū)域發(fā)病病情指數(shù)也要高于周邊，主要是由于處于風(fēng)口位置，空氣流動(dòng)更大，更利于孢子的擴(kuò)散。因此這些區(qū)域是未來(lái)監(jiān)測(cè)白粉病發(fā)生的重點(diǎn)區(qū)域。

2.2 模型預(yù)測(cè)結(jié)果

根據(jù)“1.7”試驗(yàn)方法使用LSTM模型評(píng)估檢查日是否發(fā)病，測(cè)試集數(shù)據(jù)共計(jì)80條，試驗(yàn)效果如表4所示。

從表4可以看出，試驗(yàn)1中有大量預(yù)測(cè)發(fā)病但實(shí)際未發(fā)病情況，精確度僅為67%，雖然召回率達(dá)到了100%，整體F1指數(shù)僅為0.8，大量誤判在使用中極易造成人工的浪費(fèi)。試驗(yàn)3結(jié)果最好，精確度、召回率均達(dá)到了94%，F(xiàn)1指數(shù)達(dá)到0.94。試驗(yàn)2精確度達(dá)到了93%，召回率達(dá)到了94%，F(xiàn)1指數(shù)為0.93，結(jié)果與試驗(yàn)3結(jié)果相比僅多了1次誤判，沒有明顯差別，但可以比試驗(yàn)3使用更少的數(shù)據(jù)，達(dá)到了幾乎相當(dāng)?shù)念A(yù)測(cè)結(jié)果，在實(shí)際應(yīng)用中將更有價(jià)值，即按照試驗(yàn)2的模式，可以提前4 d預(yù)測(cè)草莓白粉病的發(fā)生，便于農(nóng)戶提前做好預(yù)防。測(cè)試數(shù)據(jù)病情指數(shù)預(yù)測(cè)結(jié)果如圖6所示。

表4 試驗(yàn)結(jié)果

3 討論與結(jié)論

本試驗(yàn)選擇天津本地越冬茬高價(jià)值作物草莓開展研究，針對(duì)其易發(fā)病害白粉病進(jìn)行觀測(cè)，總結(jié)了日光溫室內(nèi)白粉病發(fā)病的高風(fēng)險(xiǎn)區(qū)域，作為病情監(jiān)測(cè)重點(diǎn)區(qū)域，用于在模型預(yù)測(cè)發(fā)病時(shí)指導(dǎo)人工重點(diǎn)觀測(cè)。使用LSTM方法構(gòu)建了草莓白粉病預(yù)測(cè)模型，選取了25項(xiàng)環(huán)境相關(guān)指標(biāo)，使用發(fā)病前7 d至發(fā)病前4 d、發(fā)病前4 d和發(fā)病前7 d的環(huán)境數(shù)據(jù)作為輸入訓(xùn)練模型，并比較預(yù)測(cè)效果。證實(shí)了使用發(fā)病前7 d至發(fā)病前4 d的環(huán)境數(shù)據(jù)可以準(zhǔn)確地預(yù)測(cè)出草莓白粉病發(fā)病，精度達(dá)到了93%，與以發(fā)病前 7 d 的環(huán)境數(shù)據(jù)作為輸入的模型相比，預(yù)測(cè)準(zhǔn)確度相當(dāng)，但使用輸入數(shù)據(jù)更少，可以提前3 d預(yù)判出白粉病發(fā)病，取得了較好的試驗(yàn)效果，可以在實(shí)際生產(chǎn)中用于白粉病發(fā)病預(yù)測(cè)。