基于物联网技术的日光温室番茄茎基腐病预警模型研究

黄媛 杨英茹 高欣娜 李海杰 武猛 杜亚茹

摘要：利用农业物联网传感技术采集了日光温室秋茬番茄定植到一穗花期间的生长环境数据，利用SPSS Statistics Subscription初步建立了日光温室秋茬番茄茎基腐病预警模型，模型检验效果良好，并依据该模型建立了番茄茎基腐病预警系统，实现了通过农业物联网技术对日光温室番茄生长环境信息自动采集，通过番茄病虫害预警系统自动播报发病概率，初步实现了现代农业精准管理和智能判断的目标门

关键词：番茄茎基腐病;预警模型;农业物联网;日光温室

中图分类号：S126;S436.412.1 文献标识码：A

文章编号：0439-8114（2020）09-0167-04

DOI：10.14088/j.cnki.issn0439-8114.2020.09.036

20世纪30年代，预警模型研究开始出现在企业债券评级和破产风险评估领域，1977年美国人Mar-tin提出Logistic回归模型，改进了之前多元性判别方法的诸多缺陷，从而提高了金融领域风险预测的正确率。随后Logistic预测模型逐渐在社会学、心理学、人口学、政治学以及公共卫生学，特别是疾病预测中得到广泛的应用，它主要应用于二分观察结果与多变量影响因子之间的关系。在农业领域，病虫害治理的传统方法主要包括选用抗病品种、改进栽培技术等，但是农业病虫害一旦暴发，过程较短，几天内就会蔓延至大范围，从而直接影响农业产出和经济效益，因此农业病虫害预警需要在肉眼可见的病害症状表现出来之前加以防治。农业经营者往往只能根据经验大量使用农药防止病虫害发生，这样就导致农药滥用，甚至农药残留过量的情况。通过对农作物致病成因的研究，特别是通过研究致病环境因素可以很好地做到在病症表现出来之前预测病害发生概率，从而高效地指导农事操作，有效地防止农药滥用[1，2]。

农业病虫害的发生与品种特性、栽培技术、流行病传染、害虫迁移、气象气候等因素都有关系，目前国内许多学者都致力于研究农业病虫害预警预测，有的从气象因子角度开展，如大气环流、洋流海温等，有的从微观角度如土壤带菌率、孢子捕捉量等。本试验主要研究对象为日光温室番茄茎基腐病的发生，日光温室番茄生长环境与大田环境相对隔离，受害虫迁飞或病菌传播影响也较小，直接受到温室小环境影响显著，番茄茎基腐病的发生与温室环境因子联系较为紧密。番茄茎基腐病是番茄的一种重要病害，病原为立枯丝核菌（Rhizoctonia solani Kuhn），病原不产生孢子，不易通过空气传播，菌丝和菌核主要在高温高湿的环境中繁殖和传播，该病菌菌丝在22～24℃发育繁殖最快，在13～40℃都可生长。秋茬番茄定植时气温较高，苗床及棚室温度较高，土壤湿度过大，且通风透光条件差，易引起病害的发生和流行，秋茬番茄定植后发病率约10%，病株茎基部或地下主侧根部开始出现暗褐色病斑，发病初期病斑及病态不易发现，当病斑蔓延茎基部一周时，出现整株叶片变黄、萎靡甚至枯死，此时发现已经很难救治，造成死苗，只能补种幼苗，否则将直接影响当年产量和收益。通过现有大量研究可知，番茄茎基腐病病原主要在高温高湿环境中繁殖传播，其病原着生于番茄苗茎基部或地下侧根，土壤温、湿度和空气温、湿度是秋茬番茄茎基腐病发生的主要影响因素[3-10]。

随着信息技术在农业领域应用范围的不断扩大，农业物联网的深入普及，日光温室气象站监测作物生长的各项环境数据，控制设备实现对温室各设备的本地控制或远程控制技术已相当成熟，但是传感器监测的数据信息与农业生产实际脱钩，指导意义不大，农事管理依然需要人工观察并综合经验，农业物联网技术不能真正实现自动化、智能化。试验将研究日光温室秋茬番茄茎基腐病发生概率与生长环境因子之间的关系，从而建立病害预警模型，并设计开发日光温室番茄病害预警平臺，不仅实现可通过温室环境气象站的各个传感器获取和储存各项环境数据，还可通过预警模型计算，在预警平台上精确得到当前环境条件下茎基腐病发生概率，从而有效提示农事操作，防止番茄茎基腐病的发生和蔓延。

1 数据采集

1.1 试验设计

2018年在石家庄市农林科学研究院赵县现代农业园区选取1～5号日光温室的环境数据为采集对象，日光温室东西长度为80m，南北宽9m，内部风口、棉被、灌溉等装置设备基本相同，每个日光温室种植1500～2000株番茄苗，为日光温室番茄病虫害监测研究项目提供监测和研究对象。2018年8月11-15日5个日光温室的秋茬番茄陆续完成定植，据观察，定植后的10～15d，当番茄苗整株出现叶片萎靡、茎基部出现暗褐色病斑时，甚至出现整株枯死时，认定其为茎基腐病病株，当该棚病苗率达到或超过10%时，认定该棚为发病棚，相应的当番茄苗发病率未达到10%时，认定该棚为健康棚。截至9月10日，由于2号温室和5号温室的番茄茎基腐病发生率超过70%，因此对这2个日光温室进行了整棚拔苗和重新定植，随即对新种植的番茄苗继续进行监测至10月10日，共获得番茄定植至一穗花开花前后30d生长期的环境数据共7组，其中发病棚数据5组，健康棚即认为不发病数据2组。

1.2 数据采集设备

温室环境数据采集设备选用北京农业信息技术研究中心研制的绿云格微型气象站，其空气温度传感器测量范围-20～70℃，测量精度±0.1℃，工作温度-20～70℃;空气湿度传感器，测量范围0～100%，测量精度±2%，工作温度-20～70℃;土壤温度传感器，测量范围-20～100℃，测量精度±0.2℃;土壤湿度传感器，测量容积含水率，量程0～100%，测量精度±3%。微型气象站密封性好，且各个传感器能够适应温室中高温、高湿的环境条件，精度和稳定性较好，能够每隔半小时将自动监测到的数据通过Zig-Bee自组织网络连接，再通过执行控制器通过串口与无线网桥连接，最终将环境监测数据通过无线传输的方式传回至监控中心服务器上。

2 模型构建

2.1 模型变量的定义

首先将番茄茎基腐病发生与否作为因变量（Y），日光温室环境中空气温、湿度和土壤温、湿度都是影响茎基腐病发生与否的环境因素，将日光温室每天（凌晨12：00至次日午夜12：00）最高空气温、湿度和土壤温、湿度作为自变量（X），选取定植后至一穗花期间，茎基腐病发生、蔓延至暴发这一时间段为研究对象。

令P_r表示番茄茎基腐病是否发生（Y）的概率，式中，α表示常数，β表示回归系数，X表示自变量，可得式（1）。

由于（Y）包含一个以上的自变量，令Z=α+β₁X₁+β₂X₂+…+β_nX_n，n表示自变量的个数，则可得式（2）。

2.2 模型检验

运用SPSS Statistics Subscription进行Logistic回归，选择Backward（Wald）方法对数据进行模拟计量，将 Wald值不显著的自变量（土壤温度、空气湿度）逐次剔除，再逐次回归，直到模型系数的混合检验、最大似然平方的对数值检验、霍斯默一莱梅肖检验、最终预测分类检验、最终模型参数检验等检验结果良好，获得最终模型。

由表1可见，通过模型系数的Omnibus检验，P小于0.05，检验结果良好，模型摘要中给出一2对数似然值Cox-Snell的R²以及hlagelkerke的R²检验统计结果。霍斯默一莱梅肖检验结果中sig.显著性水平为0.638，说明预测值与观测值无显著差异，因此模型拟合度较好，P大于0.05，说明模型对数据具有一定的解释能力，检验通过。

表2为第一次迭代结果的拟合效果，从表2可以看出，对于y=0（健康棚），有52.0%的准确性;对于y=1（茎基腐病棚），有94.9%准确性，总体有85.3%的准确性，模型效果较好。

表3列出了各个变量对应的回归系数，以及该变量对应的Wald统计量和它对应的相伴概率Sig.。从表3可以看出，两个变量最高空气温度与最大土壤湿度均进入了最终模型，且两变量的回归系数均不显著为0，Wald统计量最大，表明该变量在模型中较重要。由表3模型的变量检验可知，最终模型系数中常数项为-26.617，最大土壤湿度的回归系数为0.208，最高空气温度的回归系数为0.545。

2.3 模型建立

根据表3可得式（3），式中，H_a、T_a分别代表最大土壤湿度、最高空气温度。

Z=-26.617+0.208H_a+0.545T_a（3）

将Z代入Logistic回归模型，得到最终日光温室秋茬番茄茎基腐病发生预测模型式（4）。

2.4 茎基腐病预警系统建立

根据番茄茎基腐病发生预测模型，设计建立番茄茎基腐病预警平台，其设计思路见图1。番茄茎基腐病预警系统主要包含数据层、服务层、业务层、通讯层、设备层和应用层。数据层采用WebService接口，建立分类数据库;服务层系统构架采用SpringMVC架构，主要包含服务引擎GIS组件、界面框架、统计分析引擎、报表服务、数据仓库组件等各种服务引擎和服务策略;通讯层支持COM、GPRS、3G、Wi-Fi、Internet等多种数据传输协议;设备层能够挂接PC、LED屏、智能手机、平板电脑、传感器、摄像头、监测终端、墒情气象站和灌概控制终端等多种终端设备，自动完成各种格式的数据转换和交互;应用层支持农业物联网数据的采集和管理，实现番茄茎基腐病发病率的提示，从而提升农业生产管理水平[11-13]，具体见图2。

3 结论

研究利用农业物联网传感技术采集了日光温室秋茬番茄定植到一穗花期间的生长环境数据，利用SPSS Statistics Subscription初步建立了日光温室秋茬番茄茎基腐病预警模型，模型检验效果良好，通过试验证明了在实际生产中预警模型运行效果较优。该预警模型的建立，充分探索了土壤湿度、空气温度与番茄茎基腐病发生概率之间的关系，并为番茄病虫害预警体系的建立奠定了基础，为实现现代农业精准化管理进行了一次探索。

为建立番茄病虫害预警系统，应当在以下几个方面继续探索和完善。第一，开发研制更为准确且成本更为低廉的环境传感设备，通过制定标准、规范等形式，将数据类型、传输接口等进行统一和规范，使得番茄病虫害预警体系所需数据的获得更具普遍性，其应用范围也更加广阔;第二，通过实际数据的不断补充，将番茄病虫害预警体系不断完善和修复，同时陆续将品种特性、农药化肥的使用、种植技术等因素加入预警系统，使其对农业实践生产更具指导意义;第三，综合利用农业物联网各项技术，将智能孢子捕捉仪、图像识别系统、专家在线系统等农业物联网技术与番茄病虫害预警模型相结合，从而强化和丰富病虫害预警系统，使其能够更加准确地对番茄病虫害的发生进行预测、提示、辨识、治理等[14，15]。

参考文献：

[1]江三宝信息分析与预测[M].北京：清华大学出版社，2013.

[2]王克林，刘建平多阶模型在地区消费差异研究中的应用[J]统计研究，2011（1）：86-92.

[3]董伟.蔬菜病虫害诊断与防治[M].北京：中国农业科学技术出版社，2012.

[4]董金皋农业植物病理学[M].北京：中国农业出版社，2001.

[5]卢炳瑞.番茄高产栽培技术[M].吉林：吉林摄影出版社，2005.

[6]刘志恒，马家瑞，杨红，等.温室番茄茎基腐病病原菌的生物学特性[J].植物保护，2010，36（2）：94-97，101.

[7]张建文，许永峰，陈秀蓉_张掖市番茄茎基腐病田间发病规律及防治方法研究[J].植物保护，2007，33（2）：123-127.

[8]王学梅，崔静英，于蓉，等.日光温室秋冬茬番茄茎基腐病的发生规律及防治技术[J].北方园艺，2010（2）：64-66.

[9]张建文.张掖市番茄茎基腐病及其防治技术研究[D].蘭州：甘肃大学，2005.

[10]邢光耀.几种药剂混配对番茄茎基腐病的防治试验[J].长江蔬菜，2013，14（23）：61-62.

[11]高超.便携式农业小气候数据采集系统的设什与实现[D].贵阳：贵州大学，2016.

[12]杨博，武洪峰，林思伽.物联网传感技术在农田生态环境监测中的应用[J].现代化农业，2013，407（6）：58-59.

[13]贺园园，冯春贵，祝诗平.基于GPRS的茶园环境参数无线监测系统的设计[J].农机化研究，2012，25（9）：120-123.

[14]王晓蓉，吕雄杰，贾宝红.基于物联网技术的日光温室黄瓜白粉病预警系统研究[J].农学学报，2016，6（8）：50-53.

[15]李明，赵春江，杨信廷，等.温室蔬菜病害预警体系初探——以黄瓜霜霉病为例[J].农学通报，2010，26（6）：324-331.

收稿日期：2019-10-04

基金项目：河北省科技厅重点研发计划（18226920D）

作者简介：黄媛（1986-），女，河北石家庄人，农艺师，硕士，主要从事农业信息化研究，（电话）17731175112（电子信箱）13494515@qq.com;通信作者，杨英茹（1972-），女，河北辛集人，副研究员，主要从事农业信息化研究，（电子信箱）13363883898@163.com。