基于拉曼光谱的大豆细菌性病害标志物研究

大豆在生长过程中因病害影响其产量会急剧下降,如果不及时判别出病害种类,喷洒相关农药,病害严重的大豆甚至会绝产。及时判别病害种类进行合理施药,阻止病害进一步发展是保证大豆安全生产的重要环节。目前,基于大豆植株细菌性病害的病原菌鉴定和聚合酶链式反应（polymerase chain reaction,PCR）的鉴定方法,最短需要两天时间,因此,快速检测大豆病害种类的方法成为该作物,也是建立智慧农业生产的关键环节之一。应用拉曼光谱快速检测技术诊断大豆病害,构建N-乙酰胞壁酸分子空间结构,采用密度泛函理论通过利用B3LYP/6-31+（d, p）基组优化大豆细菌性病害标志物N-乙酰胞壁酸的分子结构计算其拉曼光谱,并进行理论因子校正,校正因子为0.985 7;采用微区三级拉曼光谱技术探测该标志物N-乙酰胞壁酸的拉曼光谱,采用平滑、去基线、截取波数范围等过程进行光谱预处理;在理论和实验对比分析的基础上,指认大豆测试和计算的拉曼光谱对应的特征峰,峰值波数相差大多在0~10 cm-1,实验数据与理论计算结果基本一致,判定了振动拉曼光谱的特征峰及其对应的分子结构的关系。结果表明：大豆细菌性病害标志物N-乙酰胞壁酸分子在200~1 650 cm-1范围内含15个特征峰,较强峰值和振动归属分别为229.0 cm-1的甲基摇摆振动和764.0 cm-1环内的摇摆呼吸振动等,给出了键长、键角和二面角等15个振动峰的空间结构参数,指证了N-乙酰胞壁酸分子的特征结构。结果也证明了可通过多种生物分子的大豆拉曼光谱测量,筛选细菌性病害标志物N-乙酰胞壁酸分子的拉曼光谱,能够有效识别细菌性病害。智慧农业生产中利用拉曼光谱快速检测技术,是农作物病害检测诊断的一种有效方法,若结合应用机器学习方法与光谱分析识别,以快速、准确和便捷的方式为智慧农业的健康生产及保驾护航发挥效用,是推进我国农业发展的重要环节。     

Effect of the target positions on the rapid identification of aluminum alloys by using filament-induced breakdown spectroscopy combined with machine learning

Filament-induced breakdown spectroscopy (FIBS) combined with machine learning algorithms was used to identify five aluminum alloys. To study the effect of the distance between focusing lens and target surface on the identification accuracy of aluminum alloys, principal component analysis (PCA) combined with support vector machine (SVM) and K-nearest neighbor (KNN) was used. The intensity and intensity ratio of fifteen lines of six elements (Fe, Si, Mg, Cu, Zn, and Mn) in the FIBS spectrum were selected. The distances between the focusing lens and the target surface in the pre-filament, filament, and post-filament were 958 mm, 976 mm, and 1000 mm, respectively. The source data set was fifteen spectral line intensity ratios, and the cumulative interpretation rates of PC1, PC2, and PC3 were 97.22%, 98.17%, and 95.31%, respectively. The first three PCs obtained by PCA were the input variables of SVM and KNN. The identification accuracy of the different positions of focusing lens and target surface was obtained, and the identification accuracy of SVM and KNN in the filament was 100% and 90%, respectively. The source data set of the filament was obtained by PCA for the first three PCs, which were randomly selected as the training set and test set of SVM and KNN in 3:2. The identification accuracy of SVM and KNN was 97.5% and 92.5%, respectively. The research results can provide a reference for the identification of aluminum alloys by FIBS.     

基于冠层光谱的水稻穗颈瘟病害程度预测模型

对水稻稻瘟病病害程度的定量预测是精准防控的关键,田间冠层尺度的研究可为高光谱传感器提供理论基础。以受穗颈瘟胁迫的水稻为研究对象,采用SVC HR768i型光谱辐射仪在大田中获取灌浆期两个不同时间段的水稻冠层光谱反射率,以水稻发病株数百分比作为病害严重程度指标。冠层光谱数据采用九点平滑预处理,并重采样为1 nm间隔,计算植被指数;经过去包络线和一阶导数光谱变换,提取高光谱特征参数。分析不同时间段的光谱变换、植被指数、高光谱特征参数与病害程度的相关关系,构建基于植被指数、高光谱特征参数的穗颈瘟病害程度随机森林预测模型,并对比分析两个单时期预测模型异同,优选共用输入量,构建出两时期混合数据的病害程度预测模型。结果表明：（1）原始光谱曲线经去包络线处理可有效增强与病害程度相关的光谱信息,近红外波段（960～1 050和1 150～1 280 nm）的相关系数在0.80以上;（2）高光谱特征参数与病害程度相关性分析中,去包络线吸收谷参数相关系数高于其他参数,吸收谷V₃（910～1 100 nm）、吸收谷V₄（1 100～1 300 nm）中面积（A₃和A₄）、深度（DP₃和DP₄）、斜率（SL₄和SR₄）的相关系数在0.74以上;（3）去包络线吸收谷参数结合随机森林模型预测穗颈瘟病害程度在单时期及两时期混合数据中均表现最好。灌浆期后期数据预测效果最佳,验证集决定系数R2=0.91,均方根误差RMSE=0.02;（4）两时期混合数据预测精度处于两个单时期预测精度之间,验证集决定系数R2=0.85、均方根误差RMSE=0.03。研究成果揭示了灌浆期不同时间段水稻穗颈瘟光谱响应机制,表明去包络线吸收谷参数结合随机森林模型预测稻瘟病的实用性,可为田间水稻穗颈瘟病害程度进行快速、精确、无损地定量预测,为精准施药提供理论依据,并对未来航空、航天遥感的病害监测提供一定的技术支持。     

Au聚体的吸附位点对杀草强分子表面增强拉曼光谱的影响研究

杀草强是一种白色结晶粉末状的化学除草剂，对环境有极强的破坏性，大量使用会造成农残污染，对生物体具有致癌作用。目前利用密度泛函理论探究杀草强分子的拉曼增强机理的相关研究相对较少，开展了Au聚体吸附位点对杀草强分子表面增强拉曼光谱的影响研究。采用Multiwfn软件结合VMD软件探究了杀草强分子表面静电势分布，得出N₁，N₄和N₆是杀草强分子与Au原子配位的最佳位置。基于密度泛函理论，运用GaussView5.0和Gaussian09软件, 在B3LYP/6-31++G（d，p）基组水平上对杀草强分子进行几何构型优化，并对C，H，N原子使用6-31++G（d，p）基组，Au原子使用LANL2DZ赝式基组，计算了杀草强分子的常规拉曼散射光谱和杀草强分子与Au₄聚体以及Au₆聚体吸附的表面增强拉曼散射光谱，并进行特征峰指认和比较。结果发现在Au与N₁配位形成的复合物中，在1 064，1 200，1 392和1 592 cm-1处杀草强分子的拉曼活性明显；Au与N₄配位形成的复合物中，在1 304 cm-1处杀草强分子的拉曼活性明显；Au与N₆配位形成的复合物中，在1 064，1 520和1 592 cm-1处杀草强分子的拉曼活性明显。经过比较得出Au与N₁和N₆配位形成的复合物增强效果较好。Au₄聚体以及Au₆聚体与N₁吸附得到拉曼特征峰最大增强因子分别达到41和81倍；Au₄聚体以及Au₆聚体与N₆吸附得到拉曼特征峰最大增强因子分别达到55和96倍。杀草强分子与Au原子结合有很明显的拉曼增强效应，当Au聚体由四个增加到六个时，Raman光谱增强效果明显。该研究结果为杀草强分子的实验研究打下了理论基础。