基于筒鞘蛇菰治疗高尿酸血症的网络药理学分析及其对高尿酸细胞模型和高尿酸血症模型小鼠的治疗作用

目的:基于网络药理学、分子对接和体内外高尿酸模型实验探讨筒鞘蛇菰治疗高尿酸血症(HUA)的作用,阐明其活性成分的主要作用靶点和信号通路相关机制。方法:通过台湾地区中医药资料库、本草组鉴数据库、化学专业数据库、TargetNet数据库、SwissTargetPrediction数据库、GeneCards数据库、药物靶点数据库(TTD)、DrugBank数据库、DisGeNET数据库、人类在线孟德尔遗传(OMIM)数据库和Venny数据库获取筒鞘蛇菰治疗HUA的潜在靶点;利用STRING数据库和Cytoscape软件构建筒鞘蛇菰活性成分-预测靶点网络和蛋白-蛋白互作(PPI)网络,并进行拓扑分析筛选筒鞘蛇菰主要活性成分和核心靶点,采用R软件进行基因本体论(GO)功能和京都基因组与基因百科全书(KEGG)信号通路富集分析,采用AutoDock Vina软件进行分子对接验证。NRK-52E细胞分为空白对照组、空白给药组、模型组和不同浓度(2.0、10.0及50.0μmol·L-1)圣草酚(EDT)组,模型组和不同浓度EDT组细胞采用腺苷诱导制备高尿酸细胞模型,采用高效液相色谱(HPLC)法检测各组细胞培养上清液中尿酸(UA)水平。雄性ICR小鼠随机分为空白对照组、空白给药组、模型组和EDT组,后2组小鼠制备HUA模型,采用试剂盒检测各组小鼠血清中UA、肌酐(Cr)和血尿素氮(BUN)水平;取小鼠两侧肾组织,称质量,计算各组小鼠肾脏指数;TUNEL染色法观察各组小鼠肾组织中细胞凋亡情况;Western blotting法检测各组小鼠肾组织中蛋白激酶B(AKT)、磷酸化蛋白激酶B(p-AKT)、磷脂酰肌醇3-激酶(PI3K)、磷酸化磷脂酰肌醇3-激酶(p-PI3K)、B细胞淋巴瘤2(Bcl-2)、Bcl-2相关X蛋白(Bax)和基质金属蛋白酶9(MMP-9)蛋白表达水平。结果:筛选得到筒鞘蛇菰6种活性成分,涉及116个交集靶点,14个核心靶点。富集分析得到1828个GO条目和145条信号通路。分子对接结果,EDT与MMP-9具有较好的结合活性。高尿酸细胞实验,与空白对照组比较,模型组细胞中UA水平明显升高(P<0.01);与模型组比较,2.0、10.0和50.0μmol·L-1 EDT组细胞中UA水平明显降低(P<0.01)。与空白对照组比较,模型组小鼠血清中UA、Cr和BUN水平及肾脏指数明显升高(P<0.01);与模型组比较,EDT组小鼠血清中UA、Cr和BUN水平及肾脏指数明显降低(P<0.05或P<0.01)。与空白对照组比较,模型组小鼠肾组织中可见大量凋亡细胞;与模型组比较,EDT组小鼠肾组织中凋亡细胞数明显减少。与空白对照组比较,模型组小鼠肾组织中p-AKT/AKT及p-PI3K/PI3K比值和Bcl-2蛋白表达水平明显降低(P<0.05或P<0.01),Bax和MMP-9蛋白表达水平明显升高(P<0.01);与模型组比较,EDT组小鼠肾组织中p-AKT/AKT及p-PI3K/PI3K比值和Bcl-2蛋白表达水平明显升高(P<0.05或P<0.01),Bax和MMP-9蛋白表达水平明显降低(P<0.01)。结论:筒鞘蛇菰活性成分EDT具有降UA作用,且可能通过激活PI3K/AKT信号通路抑制细胞凋亡并缓解肾损伤。

高比例可再生能源电力系统中火电深度调峰改造经济性分析

随着可再生能源的大规模渗透,电力系统的调峰压力越来越大。为此提出了采用时序生产模拟对建立的模型进行仿真,以燃煤发电成本以及机组启停成本的经济性最优作为目标函数,然后围绕目标函数建立约束。结果表明:对机组本身进行改造,效益远高于加储能装置,而且机组节省启停的费用远高于增发的可再生能源收益。

基于无人机RGB影像的大豆种植区提取方法研究

针对皖北大豆主产区——阜阳市太和县境内的典型破碎农田环境,基于无人机RGB影像与多种机器学习算法构建大豆遥感识别模型,据此实现种植区的精细制图。除了R、G、B波段的相对反射率外,还选取了3个HLS色彩空间分量、9个可见光植被指数、6个纹理特征和1个几何特征共22个候选特征变量扩大RGB影像的信息量。采用与分类器相耦合的特征选择方法筛选出针对4种算法——随机森林(RF)、支持向量机(SVM)、极端梯度提升(XGBoost)和BP神经网络(BPNN)的特征子集,并基于最优特征子集和相应的算法构建监督分类模型进行大豆分布区的提取制图,并对比效果差异。结果表明,在4种算法下,基于优选特征子集构建的监督分类模型的提取效果全部优于基于原始RGB波段的提取效果,其中,RF算法结合优选特征的表现最佳,总体精度为93.96%,Kappa系数达到0.87。总的来看,RF算法结合特征优选方法在无人机大豆遥感识别中具有较大的应用潜力,通过特征筛选可在较高的分类精度与较少的数据量之间取得平衡。

桂南红壤区多代连栽桉树对土壤肥力的影响

以桂南红壤区4个代次桉树人工林土壤为研究对象,采用空间替时间的方法,对新造林(Ⅰ)、萌芽一代林(Ⅱ)、萌芽二代林(Ⅲ)、萌芽三代林(Ⅳ)土壤的15个指标进行测定,通过显著性比较分析3种综合指标评价法(模糊数学法、内梅罗指数法和灰色关联度分析法)对不同代次桉树人工林土壤肥力质量进行评价,并进行回归性验证。结果表明:土壤pH值在多代连栽后有所降低,Ⅳ林(4.41)比Ⅰ林(4.71)低,呈现出一定的酸化趋势,而有机质和有效磷、锌等元素含量也均有所下降;内梅罗指数法和模糊数学法的评价结果趋势一致,而灰色关联度分析法的评价结果则和前2种方法不一致;进一步通过回归性验证发现,内梅罗指数法和模糊数学法的综合评价结果符合实际生产情况,而灰色关联度分析法反映的结果失真。连栽土壤肥力质量变化为Ⅱ>Ⅰ>Ⅲ>Ⅳ,土壤肥力从Ⅲ林开始出现衰退现象,需要及时补充缺失养分,维持土壤肥力质量稳定。

基于Sentinel-2影像和机器学习算法的冬小麦秸秆覆盖度遥感估算

为探究大范围小麦秸秆覆盖度(CRC)估测方法,以冬小麦秸秆为研究对象,基于Sentinel-2遥感卫星影像光谱指数、波段和纹理特征及其不同特征组合,利用灰色关联-随机森林(GRA-RF)敏感特征提取方法,结合高斯过程(GPR)、套索(LASSO)、岭回归(RR)和偏最小二乘(PLSR)等多种机器学习算法,开展小麦CRC估算的最优模型研究。结果表明,基于GRA-RF特征优选后的机器学习模型显著改善了小麦CRC的估算精度,LASSO算法总体对小麦CRC的估测效果最佳,并且针对不同的光谱特征组合表现出差异化的结果。其中,以光谱指数、波段和纹理信息构成的组合特征集构建的CRC遥感估算模型精度最优(r^(2)=0.65,RMSE=9.25%),以波段与纹理两者组合特征估算的CRC精度次之(r^(2)=0.63,RMSE=9.31%),仅利用单一的光谱指数、波段或者纹理特征估算冬小麦CRC的精度均劣于组合特征的结果。这说明应用GRA-RF组合筛选方法能够有效优选秸秆覆盖度的光谱特征;相比于单一特征,光谱指数、波段、纹理信息等构成的组合特征更能有效地监测小麦秸秆覆盖度。

超声引导内热针靶向松解联合液压分离在冻结肩中的疗效研究

目的对比分析超声引导内热针靶向松解联合液压分离与手法松解治疗冻结肩的临床疗效。方法选取2021年6月—2022年9月于福建医科大学附属闽东医院疼痛科住院的45例冻结肩患者作为研究对象,按随机数表法分为两组,对照组(n=22)给予超声引导内热针靶向松解联合手法松解,研究组(n=23)给予超声引导内热针靶向松解联合关节囊液压分离。比较两组治疗前后VAS评分、肩关节活动度(前屈、外展角度)及CMS评分,并记录不良反应情况。结果治疗前两组VAS评分、肩关节前屈角度及外展角度、CMS评分比较,差异无统计学意义(P>0.05)。治疗后1周、1个月、3个月研究组VAS评分分别为(2.43±1.12)分、(1.56±0.95)分、(0.69±0.64)分,均低于对照组,差异有统计学意义(t=3.325、3.044、2.689,P<0.05);治疗后1周、1个月、3个月研究组CMS评分分别为(77.52±7.99)分、(81.52±5.81)分、(86.61±4.28)分,均高于对照组,差异有统计学意义(t=6.395、4.690、5.248,P<0.05)。治疗后研究组不良反应发生率为0.00%,明显低于对照组的40.91%,差异有统计学意义(χ^(2)=9.344,P<0.05)。结论超声引导内热针靶向松解联合液压分离与手法松解治疗冻结肩疗效对比,发现前者能更快改善冻结肩患者的肩痛、肩关节活动度,恢复肩关节功能,疗效确切且不良反应极少,值得临床推广。

广东石门台国家级自然保护区两栖动物的分类厘定与区系分析

两栖动物隐存物种众多,分类变动频繁。适时开展分类厘定与名录修订工作可以帮助保护区基层更好地了解本地区生物多样性资源。基于野外调查、馆藏标本、文献记录以及最新分类研究成果,文章对广东石门台国家级自然保护区所记录的两栖动物进行物种分类厘定,确认保护区已知两栖动物35种,隶属2目8科25属,包括中国特有种20种,其中5种为粤北地区南岭中段区域特有物种,充分体现了南岭中段气候、地质地貌等自然环境的高度异质性。此外,广东石门台国家级自然保护区还是石门台掌突蟾Leptobrachella shimentaina、石门台角蟾Boulenophrys shimeaina、英德角蟾B.yingdeensis、中华湍蛙Amolops sinensis、粤琴蛙Nidiranaguangdongensis、北江蝾螈Hypselotriton jiaoren的模式产地,具有重要的科学研究意义。

基于自旋式Unet++网络的小麦条锈病菌夏孢子自动检测方法

[目的]条锈病菌夏孢子是引起小麦条锈病暴发的重要原因。针对夏孢子显微图像识别中存在的检测精度不高和分割精度较低的问题,提出了一种基于自旋式Unet++网络的小麦条锈病菌夏孢子自动检测算法。[方法]针对显微图像中夏孢子目标密集,易粘连等特点,通过改进Unet++特征提取网络,将原始网络的输出反向连接至输入端形成一种自旋结构,并增加超参数K控制自旋次数,以达到迭代训练的目的,优化Unet++网络的分割精度,提高检测的分割率;根据孢子的形态特征,提出一种加权映射矩形计算公式,计算其矩形热力图,以提高孢子的检测精确率。[结果]算法测试结果表明,改进算法的平均精确率达到99.03%,分割率为86.45%,较原始CenterNet模型分割率提高了10.35百分点,精确率提高0.46百分点,占用内存降低66.09%。[结论]该模型在保证较高精度检测夏孢子目标的同时,保证了较高的孢子分割率,为小麦条锈病早期预警提供了一种有效的方法。

Sentinel-2影像和BP神经网络结合的小麦条锈病监测方法

选用包含红边等多种不同波段信息的多光谱卫星数据,为区域尺度上展开作物病害监测研究提供更加丰富有效的信息,相比于常规的宽波段卫星遥感影像,搭载红边波段的Sentinel-2影像对作物病害胁迫更加敏感,能显著提高模型精度。该文以陕西省宁强县小麦条锈病为研究对象,基于Sentinel-2影像共提取了26个初选特征因子:3个可见光波段反射率(红、绿、蓝)、1个近红外波段反射率、3个红边波段反射率、14个对病害敏感的宽波段植被指数和5个红边植被指数。结合K-Means和ReliefF算法筛选病害敏感特征,最终筛选出3个宽波段植被指数,包括:增强型植被指数(enhanced vegetation index,EVI)、结构加强色素指数(structure intensive pigment index,SIPI)、简单比值植被指数(simpleratio index,SR),2个红边波段植被指数:归一化红边2植被指数(normalized red-edge2 index,NREDI2)、归一化红边3植被指数(normalized red-edge3 index,NREDI3)。利用BP神经网络方法(back propagation neural network,BPNN),分别以宽波段植被指数和宽波段植被指数结合红边波段指数作为输入变量构建小麦条锈病严重度监测模型,对比2种模型的监测精度。结果显示,基于宽波段植被指数结合红边波段植被指数的监测模型的总体精度达到83.3%,Kappa系数0.73,优于仅基于宽波段植被指数特征所建监测模型的精度73.3%,Kappa系数0.58。说明红边波段能够为病害监测提供有效信息,采用宽波段植被指数和红边波段植被指数相结合的方法能够有效提高作物病虫害监测模型精度。

基于多路卷积神经网络的大田小麦赤霉病图像识别

为了准确地识别小麦病害,及时采取防治措施,减少农药施用的成本,同时减少农业生态环境的污染,该研究以灌浆期感染赤霉病的小麦麦穗图像为研究对象,根据病变区域与健康区域的颜色分布特点,设计了一种多路卷积神经网络用于小麦赤霉病图像的识别。首先利用深度语义分割网络U-Net对大田环境下的小麦图像进行分割,去除小麦叶片及其他无关背景的影响,从而分割出麦穗图像。然后设计结构较为简单的多路卷积神经网络分别提取麦穗图像R、G、B 3个通道的特征,通过特征融合获得具有高辨识性的麦穗图像语义特征。最后,为了增大赤霉病和健康麦穗图像特征之间的可区分性,同时减小赤霉病麦穗图像类内特征的差异,采用联合损失函数进一步改善网络的性能。该研究对采集的大田环境下的510幅灌浆期小麦群体图像进行分割,选取2745幅完整单株麦穗图像利用所设计的多路卷积神经网络进行赤霉病识别试验,结果表明该研究所提算法对单株麦穗赤霉病识别精度达到100%,能够为小麦病害的智能识别提供帮助。

莆仙地方园林岸圃考略——基于明拓本《岸圃大观》

基于图像学和文献考证的视角,分析《岸圃大观》中的园林图像呈现,归纳岸圃中山水、建筑、植物、其他4种园林要素的特征,总结出岸圃以江南文人营园的思想为主旨,因地制宜采用了本土的材料、做法和树种等,在山水构建、建筑营造和植物种植方面体现了江南园林和闽地园林两种风格特征,在其他园林要素方面呈现出精巧与野趣两种审美倾向。

多源卫星遥感数据监测巢湖蓝藻水华爆发研究

湖泊蓝藻水华的精准动态监测,可为水利及环保部门评价污染水体的防治效果、优化和调整防治政策提供依据。论文以巢湖为研究对象,利用Landsat TM/OLI、HJ-1B CCD/IRS和NPP-VIIRS三种不同空间分辨率的影像数据,通过归一化水体指数(Normalized Difference Water Index,NDWI)实现巢湖水域范围提取,利用归一化植被指数(Normalized Difference Vegetation Index,NDVI)和浮游藻类指数(Floating Algae Index,FAI)提取2010~2014年共22景巢湖蓝藻的爆发区域。进一步的,对NDVI和FAI两种方法计算的蓝藻爆发区域进行对比分析,评价Landsat、HJ-1B以及VIIRS三种影像数据对巢湖蓝藻水华空间和时间的监测效果及适用性,进而结合气象因素分析不同气象因子对蓝藻水华爆发的影响。研究结果表明:(1)相比NDVI指数,FAI指数(Landsat和HJ-1B数据为主,VIIRS数据辅助)能降低薄云对蓝藻水华提取效果的影响,可提高蓝藻水华爆发区域、程度的识别能力;(2)气象因子中气温和日照时长加重了蓝藻水华爆发的严重程度,降水则对蓝藻水华的爆发起到一定的抑制作用。综上所述,论文引入VIIRS卫星影像研究巢湖蓝藻水华爆发,利用FAI指数降低薄云对蓝藻水华爆发面积提取精度的影响,取得的研究结果可为基于多源卫星遥感数据的巢湖蓝藻水华动态监测系统开发提供重要的方法支持,有利于推进卫星遥感技术在安徽省“河长制”和“湖长制”中发挥重要作用。

结合Sentinel-2影像和特征优选模型提取大豆种植区

准确获取大豆的空间分布对于产量估计、灾害预警和农业政策调整具有重要意义,目前针对种植结构复杂地区所开展的大豆遥感识别研究鲜有报道。该研究以安徽省北部平原的典型大豆产区——龙山、青疃镇为研究区,基于Sentinel-2数据提出一种分层逐级提取策略的大豆识别方法。该方法首先构建决策树筛选规则,剔除研究区内非农田地物,获得田间植被的总体分布;然后生成19个候选特征因子,包括分辨率小于等于20 m的10个波段反射率以及9个植被指数。在典型地物类型样本的支持下,将ReliefF特征权重评估算法与随机森林(Random Forest,RF),BP神经网络(Back-Propagation Neural Network,BPNN)和支持向量机(Support Vector Machine,SVM)相结合,分别构建ReliefF-RF、ReliefF-BPNN、ReliefF-SVM三种组合模型筛选出对于大豆识别最有效的特征,并基于布设在研究区内6个样方(大小为1 km×1 km)的无人机影像提取得到的大豆分布来评估3种模型在大豆制图中的表现。结果表明,ReliefF-RF模型表现最佳,基于该模型筛选出7个优选特征因子,大豆制图的总体精度介于85.92%~91.91%,Kappa系数在0.72~0.81之间,各个样方的提取效果均优于其他两种模型。此外,基于优选特征达到的提取精度明显高于原始波段反射率,虽然略低于全部19个特征的结果,但是数据量降低了63.16%。该研究可以为农田景观破碎、种植结构复杂地区的大豆种植区提取相关研究提供有价值的参考和借鉴。

基于深度卷积神经网络的田间麦穗密度估计及计数

小麦的最终产量可由单位面积的小麦麦穗数侧面反映,为了快速准确统计小麦麦穗数,该研究给出一种在单幅图像上利用深度卷积神经网络估计田间麦穗密度图并进行麦穗计数的方法。首先对采集的田间小麦图像进行直方图均衡化及阈值分割预处理,以减少图像中光照及一些复杂背景对计数的影响;然后根据灌浆期田间小麦图像麦穗密集的特点,引入拥挤场景识别网络(Congested Scene Recognition Network,CSRNet)构建麦穗密度图估计模型,并采用迁移学习方法,利用小麦图像公开数据集对模型进行预训练,再用所采集的小麦图像数据集进行模型参数调整和优化;利用得到的模型生成单幅小麦图像的麦穗密度图,根据密度图中所有密度值的总和对图像进行麦穗计数。最后根据对单幅麦穗图像的试验数据,构建田间麦穗计数函数模型,实现田间小麦麦穗数估计。通过对所采集的安农170、苏麦188、乐麦608和宁麦24这4个品种共296幅小麦图像进行试验,平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Squared Error,RMSE)分别为16.44和17.89,4个品种小麦的麦穗计数值与真实值的决定系数R^2均在0.9左右,表明该方法对单幅图像小麦麦穗计数精度较高。此外,通过对田间小麦麦穗数进行估计试验,结果表明,随面积的增大麦穗估计的误差越小,研究结果可以为小麦的产量自动估计提供参考。

基于注意力机制和多尺度残差网络的农作物病害识别

针对传统农作物病害识别方法依靠人工提取特征,步骤复杂且低效,难以实现在田间环境下识别的问题,提出一种多尺度卷积结构与注意力机制结合的农作物病害识别模型。该研究在残差网络(ResNet18)的基础上进行改进,引入Inception模块,利用其多尺度卷积核结构对不同尺度的病害特征进行提取,提高了特征的丰富度。在残差结构的基础上加入注意力机制SENet(Squeeze-and-excitation networks),增强了有用特征的权重,减弱了噪声等无用特征的影响,进一步提高特征提取能力并且增强了模型的鲁棒性。实验结果表明,改进后的多尺度注意力残差网络模型(Multi-Scale-SE-ResNet18)在复杂田间环境收集的8种农作物病害数据集上的平均识别准确率达到95.62%,相较于原ResNet18模型准确率提高10.92个百分点,模型占用内存容量仅为44.2 MB。改进后的Multi-Scale-SE-ResNet18具有更好的特征提取能力,可以提取到更多的病害特征信息,并且较好地平衡了模型的识别精度与模型复杂度,可为田间环境下农作物病害识别提供参考。

老旧小区空间治理实践模式探究——以福建省莆田市为例

剖析福建莆田市主要城区老旧小区的结构类型,分街巷式、片块状、围合式三种布局结构;指出老旧小区存在空间供需矛盾、空间产品设施利用率低、空间规划不善导致功能退化等三个主要问题;提出老旧小区空间治理的实践模式:创新技术运用以释放场地空间、优化产品设施结构以盘活空间、连线成片规划以打破空间界限等。

基于GF-1遥感影像和relief-mRMR-GASVM模型的小麦白粉病监测

选择合适的建模和特征选择算法对提高作物病害的遥感监测水平有着重要的作用。研究以河北省小麦白粉病为研究对象,基于GF-1/WFV数据共提取了4个波段反射率数据和10个对作物长势和胁迫敏感的植被指数作为初选特征。针对常用的特征提取算法relief算法筛选出的特征存在冗余性的问题,提出了一种relief结合最小冗余最大相关(minimum redundancy maximum relevance,m RMR)的特征降维算法(relief-m RMR)。首先,通过relief算法计算出各特征的权重系数,对特征集进行加权;然后利用m RMR算法选出与类别具有最小冗余性的特征,利用支持向量机(support vector machine,SVM)对河北白粉病进行监测,并用遗传算法(genetic algorithm,GA)优化的SVM(GASVM)建立了白粉病的监测模型(relief-m RMR-GASVM),将监测结果分别与SVM和网格寻优(grid search,GS)算法优化的SVM(GSSVM)的监测结果进行对比分析,同时比较了该方法与Ada Boost、粒子群(Pso)优化的最小二乘支持向量机(least squares support vector machine,Pso-LSSVM)和随机森林(random forest,RF)3种方法的优越性。结果表明,relief-m RMR算法筛选出的特征与GASVM、SVM和GSSVM建立的监测模型精度比传统relief算法筛选特征所建模型的精度分别提高了14.3个百分点、7.2个百分点和7.1个百分点,比传统m RMR算法筛选特征所建模型的精度分别提高了14.3个百分点、14.3个百分点和14.2个百分点。relief-m RMR算法结合GASVM建立的监测模型精度为所有模型中最高,精度为85.7个百分点,分别比SVM和GSSVM所建监测模型精度提高了21.4个百分点和7.2个百分点。此外,GF-1数据结合relief-m RMR-GASVM模型的监测精度分别高出Ada Boost、Pso-LSSVM和RF方法21.4个百分点、14.3个百分点和7.1个百分点。说明GF-1数据结合relief-m RMR-GASVM模型可用于小麦白粉病的遥感监测。

基于卷积神经网络的生菜多光谱图像分割与配准

针对多光谱图像中由于多镜头多光谱相机各通道之间存在的偏差以及传统分割方法的不适用,图像分析处理过程往往会出现无法自动化分割或分割精度较低的问题,提出采用基于相位相关算法和基于UNet的语义分割模型对田间生菜多光谱图像进行各个通道的精确配准并实现前景分割。使用Canny算法对多光谱各通道图像进行边缘提取,进而使用相位相关算法对多光谱各通道图像进行配准,单幅图像平均处理时间0.92 s,配准精度达到99%,满足后续图像分割所需精度;以VGG16作为主干特征提取网络,直接采用两倍上采样,使最终输出图像和输入图像高宽相等,构建优化的UNet模型。实验结果表明:本文所提出的图像配准和图像分割网络,分割像素准确率达到99.19%,平均IoU可以达到94.98%,能够很好地对生菜多光谱图像进行前景分割,可以为后续研究作物精准表型的光谱分析提供参考。

Relief-F筛选波段的小麦白粉病早期诊断研究

为了准确监测小麦白粉病染病早期病情,给喷药防治提供技术指导,论文将染病初期的小麦叶片作为研究对象。首先,利用高光谱图像数据,通过图像特征分割出叶片区域和病斑区域,定量计算病情严重度;其次引入Relief-F算法提取染病早期最敏感波段和波段差,计算出白粉病病害指数PMDI(Powdery mildew disease index);并通过分析病情指数DI(Disease index)与11种植被指数(含PMDI指数)的相关性及线性模型,得出PMDI模型有最高的决定系数(R^2=0.839 9)和最低的均方根误差(RMSE=4.522 0),效果优于其他病害植被指数的结果(其中,Normalized Difference Vegetation Index,NDVI的模型决定系数最高,R^2=0.777 1,RMSE=5.336 4);最后,选择PMDI和NDVI植被指数分别构建小麦白粉病染病早期病情严重度的支持向量回归模型。结果表明:经敏感波段筛选构建的PMDI指数的预测结果更好,预测模型的R^2=0.886 3,RMSE=3.553 2,可以实现小麦白粉病早期无损诊断,这为指导作物病害喷药防治提供重要的技术支撑。

基于RSTCNN的小麦叶片病害严重度估计

以小麦叶片条锈病和白粉病为研究对象,针对同类型病害的不同严重度之间的图像颜色及纹理特征差异较小,传统方法病害严重度估计准确率不高的问题,提出一种基于循环空间变换的卷积神经网络(Recurrent spatial transformer convolutional neural network,RSTCNN)对小麦叶片病害进行严重度估计。RSTCNN包含3个尺度网络,并由区域检测子网络进行连接。每个尺度网络以VGG19作为基础网络以提取病害的特征,同时为了统一区域检测过程中前后特征图的维度,在全连接层前引入空间金字塔池化(Spatial pyramid pooling,SPP);区域检测子网络则采用空间变换(Spatial transformer,ST)有效提取尺度网络特征图中病害的注意力区域。小麦叶片病害图像通过每个尺度网络中卷积池化层得到的特征图,一方面可作为预测病害严重度类别概率的依据,另一方面通过ST进行注意力区域检测并将检测到的区域作为下一个尺度网络的输入,通过交替促进的方式对注意力区域检测和局部细粒度特征表达进行联合优化和递归学习,最后对不同尺度网络的输出特征进行融合再并入到全连接层和Softmax层进行分类,从而实现小麦叶片病害严重度的估计。本文对采集的患有条锈病和白粉病的小麦叶片图像结合数据增强方法构建病害数据集,实验验证了改进后的RSTCNN在3层尺度融合的网络对病害严重度估计准确率较佳,达到了95.8%。相较于基础分类网络模型,RSTCNN准确率提升了7~9个百分点,相较于传统的基于颜色和纹理特征的机器学习算法,RSTCNN准确率提升了9~20个百分点。结果表明,本文方法显著提高了小麦叶片病害严重度估计的准确率。