一种基于叶绿素荧光技术的作物冷损伤程度分级方法

1.本发明属于人工智能与农业技术领域，特别涉及一种基于叶绿素荧光技术的作物冷损伤程度分级方法。


背景技术：

2.在全球变暖的背景下，极端天气发生的频率和强度逐渐增加。一些喜温喜光，不耐低温的作物，例如黄瓜，在反季节栽培时容易受到低温冷害，影响到作物的产量和品质。低温敏感作物的冷敏感习性导致其遭受冷害的现象在我国北部地区进行冬季或早春生产时常有发生，不仅严重影响作物品质，同时在产量上也给种植者造成了巨大的损失。这证明了研究低温条件下这类作物叶片状态检测及损伤程度分级的必要性。
3.针对该问题，许多学者从低温敏感作物的生长发育状态、生理生化抗性、光合速率等方面对低温下叶片进行了研究。虽然各类生理参数可以对低温情况下叶片状态作有效表征，为损伤程度分级提供依据，但相关试验多为破坏性检测，且操作步骤繁琐，不能实现胁迫条件下的叶片损伤程度的快速鉴定与分级。叶绿素荧光技术是一种快速、非侵入性、非常敏感的评价光系统ii(psii)效率的方法。它通常用于确定植物对各种环境胁迫的响应。叶绿素荧光与光合碳代谢和叶片气体交换密切相关，其参数测定提供了光化学过程中所消耗的能量以及热量所损失的能量的信息，作为研究光合作用的探针，在植物生长和环境胁迫方面显示出巨大的潜力。makonya等人(2020)认为，叶绿素荧光技术是大田条件下选择耐热鹰嘴豆基因型的合适工具，在相当高的光照水平下测定的fv/fm与籽粒产量呈正相关。dong et al.(2020)利用chlf成像系统研究了番茄冷害与chlf参数之间的相关性，并利用6个chlf参数值评价番茄幼苗的冷害等级。训练集识别正确率为90.3％，验证集识别正确率为90％。alexander等人(2020)通过fv/fm参数描述了一种传感器的特性，该传感器用于定量农田应用的农业植物中的除草剂和病原体胁迫。他们发现，利用fv/fm参数进行胁迫检测适合作为作物管理决策的专家工具。纪建伟等(2021)针对番茄幼苗受弱光胁迫及补光恢复情况，采用叶绿素荧光技术，对比各荧光参数图像后，选取y(ⅱ)来评估弱光胁迫番茄叶片的损伤和补光恢复，基于bp神经网络建立的补光恢复识别模型总体准确率r＝98.9％，均方误差为u＝0.11421。上述研究利用叶绿素荧光技术识别作物非生物胁迫取得一定的成果，但目前胁迫分级主要采取经验值方法，还未出现基于叶绿素荧光技术对植物胁迫程度作无监督分类的研究。


技术实现要素：

4.为了克服上述现有技术的缺点，本发明的目的在于提供一种基于叶绿素荧光技术的作物冷损伤程度分级方法，以期为检测作物冷损伤程度提供新的研究方法。
5.为了实现上述目的，本发明采用的技术方案是：
6.一种基于叶绿素荧光技术的作物冷损伤程度分级方法，包括如下步骤：
7.步骤1，在不同低温条件下培养作物植株相同时间，获取用于建立分级模型的若干
组psⅱ叶绿素荧光参数以及用于模型验证的若干组psi叶绿素荧光参数，其中每组所述psⅱ叶绿素荧光参数包含该条件下作物植株功能叶片的15种叶绿素荧光参数，分析不同低温温度及持续时间下作物叶片15种叶绿素荧光参数变化情况；
8.步骤2，对得到的若干组psⅱ叶绿素荧光参数进行归一化处理后，进行相关性分析；
9.步骤3，基于pca方法简化15种叶绿素荧光参数，选取前4个主成分，反映了95％以上的数据信息；
10.步骤4，基于层次聚类方法对所得到的4个综合因子作无监督分类，将作物叶片分为6级，从0级～5级分别为健康、良好、轻度冷害、中度冷害、重度冷害和特重度冷害；
11.步骤5，采用psi叶绿素荧光参数对分级结果进行评价，证明基于叶绿素荧光技术进行低温条件下叶片损伤程度分级的可行性。
12.优选地，所述步骤1中，通过psⅱ活性测定，得到作物叶片psⅱ叶绿素荧光参数n组，用于分级模型构建，每组包含15种叶绿素荧光参数，通过psⅰ活性测定，得到psi叶绿素荧光参数n组，用于分级模型验证。
13.优选地，所述步骤2中，若干组psⅱ叶绿素荧光参数组成的数据集为x＝(x1,x2,x3,...,xi,...,xn)，其中xi表示第i组psⅱ叶绿素荧光参数，xi＝(x
i1
,x
i2
,...,x
ij
,...,x
il
)，x
ij
表示第i组psⅱ叶绿素荧光参数中第j种叶绿素荧光参数，n为psⅱ叶绿素荧光参数的总组数，也即数据集组数，i＝1～n，l为叶绿素荧光参数数量，j＝1～l，l＝15；
14.利用如下的线性归一化函数对数据集x在[0，1]范围内进行归一化处理：
[0015][0016]
归一化后，数据集x＝(x1,x2,x3,...,xi,...,xn)转化为y＝(y1,y2,y3,
…
,yi,...,yn)，其中yi表示xi的归一化结果，yi＝(y
i1
,y
i2
,
…
,y
ij
,
…
,y
il
)，y
ij
表示x
ij
归一化后得到的值，x
ijmax
和x
ijmin
表示x
ij
的最大值和最小值。
[0017]
优选地，所述步骤2中，采用皮尔逊相关性分析来反映15种叶绿素荧光参数之间的线性相关程度，其公式为：
[0018][0019]
其中mc表示数据集y中第c维度数据即第c种叶绿素荧光参数数据的集合，md表示数据集y中第d维度数据即第d种叶绿素荧光参数数据的集合，mc＝(m
1c
,m
2c
,
…
,m
nc
)，md＝(m
1d
,m
2d
,...,m
nd
)，c,d＝1,2,...,l；m
nc
为表示数据集y中第n行第c维度数据即第n行第c种叶绿素荧光参数，m
nd
为表示数据集y中第n行第d维度数据即第n行第d种叶绿素荧光参数；
[0020]
相关系数值在-1到1之间，越接近于1，说明其正相关性越强，越接近于-1，说明其负相关性越强，越接近0，相关性越弱，相关性绝对值与相关性强弱之间的关系定义如下：
[0021]
相关性绝对值取值为0.8-1.0、0.6-0.8、0.4-0.6、0.2-0.4、0-0.2，对应的相关性强弱分别为极强、较强、中等、较弱、不相关。
[0022]
优选地，所述步骤3中，主成分分析方法为：
[0023]
将y用矩阵y＝(y
ij
)n×
l
表示，y的相关性矩阵r＝(r
sq
)
l
×
l
，其中s,q
＝1,2,...,l；
[0024]
对相关性矩阵r进行特征值分解，求得其特征值λj并按数值大小进行排序，λ1≥λ2≥...≥λ
l
≥0，uj是特征值λj的特征向量，其中，r
×
uj＝λj·
uj，uj＝(u
1j
,u
2j
,...,u
lj
)，u
1j
表示uj的第一行第j列，u
2j
表示uj的第二行第j列，u
lj
表示uj的第l行第j列，特征向量的集合u＝(u1,u2,...,uj,...,u
l
)，所有的主成分表达为：
[0025][0026]
其中f1代表第一主成分，f2代表第二主成分，fh代表第h个主成分，f
l
代表第l个主成分；m1表示数据集y中第1维度数据即第1种叶绿素荧光参数数据的集合，m2表示数据集y中第2维度数据即第2种叶绿素荧光参数数据的集合，mh表示数据集y中第h维度数据即第h种叶绿素荧光参数数据的集合，m
l
表示数据集y中第l维度数据即第l种叶绿素荧光参数数据的集合；
[0027]
第h个主成分fh的贡献率为
[0028]
前h个主成分累积贡献率表示为
[0029]
当前p个主成分累积贡献率a
p
达到95％时，取前p个主成分作为主成分分析结果，前p个主成分表示为y
p
＝u
1p
m1+u
2p
m2+...+u
lpml
，y
p
＝f1+f2+f3+f4，u
1p
＝u
11
+u
12
+u
13
+u
14
，u
2p
＝u
21
+u
22
+u
23
+u
24
，u
lp
＝u
l1
+u
l2
+u
l3
+u
l4
。
[0030]
对于本专利，当p＝4时，特征值累积贡献率达到95.6006％，满足要求，将数据集y采用主成分分析方法降维至数据集w，w＝(w1,w2,w3,
…
,wi,
…
,wn)，wi＝(w
i1
,w
i2
,w
i3
,w
i4
)，w
i1
＝u
11mi1
+u
21mi2
+
…
+u
l1mil
，w
i2
＝u
12mi1
+u
22mi2
+...+u
l2mil
，w
i3
＝u
13mi1
+u
23mi2
+...+u
l3mil
，w
i4
＝u
14mi1
+u
24mi2
+...+u
l4mil
。。
[0031]
优选地，所述步骤4中，聚类方法为最大最小距离法，利用所述最大最小距离法作无监督分类的步骤如下：
[0032]
(1)从数据集w，取其中一组数据作为第一个聚类中心z1，例如z1＝w1[0033]
(2)寻找新的聚类中心：
[0034]
2.1计算所有组数据到第一个聚类中心z1的距离d
i1
，i＝1～n；
[0035]
2.2如果则wk为第二个聚类中心z2；
[0036]
2.3计算数据集w所有组数据到z1和z2的距离d
i1
和d
i2
；
[0037]
2.4若dr＝max{min(d
i1
,d
i2
)}和dr＞θ
·d12
，则wr取为第三个聚类中心z3，其中θ为一个0到1之间的数，d
12
为z1与z2之间的距离；
[0038]
2.5当z3存在时，计算d
t
＝max{min(d
i1
,d
i2
,d
i3
)}，若d
t
＞θ
·d12
，取w
t
为第四个聚类中心，通过奇偶推理，最大最小距离不大于0，结束对聚类中心的计算；
[0039]
(3)根据最近邻原则，所有组数据均属于最近邻的聚类中心；
[0040]
(4)根据聚类准则，对聚类结果进行检验，如果不满意，则返回第一个聚合中心z1，返回(2)，直到算法结束。
[0041]
与现有技术相比，本发明的有益效果是：
[0042]
(1)通过分析不同低温温度及持续时间下作物叶片叶绿素荧光参数变化趋势，发现0～8天不同低温温度处理过程中，12℃处理与14℃处理的叶绿素荧光参数分布相似，且分布差异较小，而8℃和10℃处理的分布差异较大。说明了采用叶绿素荧光进行作物冷损伤程度评价的可行性。
[0043]
(2)对试验样本中的15种叶绿素荧光参数进行主成分分析，提取了4个主成分，反映了原始数据信息的95.6006％，其中第一主成分反映了原始信息的70.066％，第二主成分反映了原始数据信息的15.336％，第三主成分反映了原始数据信息的7.2446％，第四主成分pc4反映了原始数据信息的2.954％。
[0044]
(3)对选取的4个综合因子作聚类分析，将所有样本划分为6类，具体为健康、良好、轻度冷害、中度冷害、重度冷害和特重度冷害，其对应的psi系统参数y(i)值变化范围中位线分别为0.208、0.137、0.087、0.057、0.044、0.021。结果表明：基于叶绿素荧光技术可以有效检测作物冷损伤程度，在作物冷害无损诊断方面有良好的前景，为损失评估及补救措施制定提供科学依据。
附图说明
[0045]
图1是低温条件下叶绿素荧光参数变化趋势图。
[0046]
图2是低温条件下叶绿素荧光参数间的相关系数。
[0047]
图3是本发明pc1与pc2双标图
[0048]
图4是本发明pc1与pc3双标图。
[0049]
图5是本发明pc1与pc4双标图。
[0050]
图6是本发明聚类结果示意图。
[0051]
图7是本发明低温条件下y(i)变化趋势示意图。
[0052]
图8是本发明6类冷损伤程度的样本y(i)参数信息的箱线图。
具体实施方式
[0053]
下面结合附图和实施例详细说明本发明的实施方式。
[0054]
本发明提出一种基于叶绿素荧光技术的作物叶片冷损伤程度分级方法。以黄瓜为例，实施方式如下。
[0055]
1、材料与方法。
[0056]
本试验于西北农林科技大学农业农村部农业物联网重点实验室(34
°
07
′
39
″
n，107
°
59
′
50
″
e，海拔648m)进行，实验材料为博耐14-3黄瓜幼苗，采用基质(pindstrup substrate，丹麦)栽培，于2019年11月5日在种子盘中播种，当黄瓜幼苗长至两叶一心，移栽至10
×
10
×
9cm的塑料花盆中，于co2人工气候箱(达斯卡特，rgl-p500d-co2)中进行培养。co2人工气候箱内环境参数设置为：光周期昼/夜为14h/10h，光照强度为140μmol
·
m-2
·
s-1
，温度昼/夜为25℃/16℃，空气相对湿度昼/夜为60％/50％，co2浓度为400μmol
·
mol-1
。培养
7天后，随机挑选32棵黄瓜植株，测量各黄瓜植株初始荧光参数，并按照初始荧光参数高低将黄瓜幼苗平均分为4组，于co2人工气候箱中进行试验。co2人工气候箱内环境参数设置为：光周期昼/夜为14/10h，温度为设置试验温度梯度，分别为8℃、10℃、12℃、14℃，空气相对湿度昼/夜为60/50％，co2浓度为400μmol
·
mol-1
，连续8天，在8天内每天16:00采集四个人工气候箱黄瓜幼苗叶片叶绿素荧光参数，其中每株作物取相同叶位功能叶片上的三个点，取三点平均值作为该叶片叶绿素荧光参数值。其中，通过psⅱ活性测定，得到作物叶片psⅱ叶绿素荧光参数288组，用于分级模型构建，每组包含该条件下作物植株功能叶片的15种叶绿素荧光参数，通过psⅰ活性测定，得到psi叶绿素荧光参数288组，用于分级模型验证。
[0057]
具体地，采用mini-pam
‑ⅱ
型调制叶绿素荧光仪(walz公司，德国)测定psⅱ活性、dual-pam-100双通道叶绿素荧光仪(walz公司，德国)测定psⅰ活性，进行试验环境下黄瓜叶片叶绿素荧光参数数据采集。对于mini-pam
‑ⅱ
型调制叶绿素荧光仪，测定前使用暗适应叶片夹夹取待测叶片，充分暗适应20分钟后，打开暗适应叶片夹挡光板，启动荧光仪，获取试验样本的最小荧光fo和最大荧光fm、可变荧光fv(fv＝f
m-fo)、psii潜在活性fv/fo。在叶片完全适应光后，测定了f、fm'、y(ii)、y(npq)、y(no)、npq、qn、qp和ql，各参数定义如表1所示。
[0058]
对于dual-pam-100双通道叶绿素荧光仪，无需对叶片进行暗适应，将样品夹在叶片夹上，点击仪器上的light curve主菜单，设置光强和照射时间，进行快速光曲线测量，得到y(i)等参数。
[0059]
表1荧光参数名称及定义
[0060][0061]
2、分析不同低温温度及持续时间下作物叶片15种叶绿素荧光参数变化情况。
[0062]
为探究15种chlf参数分布的差异，图1为8℃、10℃、12℃、14℃4种低温处理0～8天内chlf参数的小提琴曲线图。结果表明，只有chlf参数y(no)与实验温度呈负相关，其他chlf参数均与实验温度呈正相关。从图3进一步可以看出，12℃处理与14℃处理的chlf参数分布相似，且在0～8天内分布差异较小，而8℃和10℃处理的分布差异较大。结果表明，在低温处理下，16个chlf参数的变化趋势存在差异，以chlf参数为模型输入的冷害评价模型是可行的。
[0063]
3、叶绿素荧光参数相关性分析。
[0064]
图2为低温应力条件下叶绿素荧光参数间的相关系数。由于矩阵是对称的，所以只显示下三角形中的数据。
[0065]
由图2可以发现，15种荧光参数之间存在显著或微小的相关性。其中，fm与fv、fv/fm、fv/fo、y(npq)、y(no)、f
m’具有极强相关性；f
m’与fv、f、fv/fm具有极强相关性；y(no)与fv、fv/fm、fv/fo、y(npq)、npq具有极强相关性。这是因为各荧光参数所包含信息存在重叠，如果全部用作后续数据分析会出现信息冗余，造成模型计算量大，数据波动性强等问题。因此，先对得到的psⅱ叶绿素荧光参数进行归一化处理，然后采用主成分分析方法提取叶绿素荧光参数之间的公共信息，在将数据送入层次聚类方法之前，利用主成分分析提取出影响冷
损伤程度的最相关和最独立的因素。
[0066]
示例地，不同叶绿素荧光参数之间量纲不同，数值上存在明显差异，采用标准归一化，根据实验样本的特点，利用定义的线性归一化函数对数据集在[0，1]范围内进行归一化处理。归一化变换函数为
[0067][0068]
其中a、b表示待归一化和归一化后的数据，a
max
和a
min
表示数据序列中的最大值和最小值。
[0069]
本发明中，若干组psⅱ叶绿素荧光参数组成的数据集为x＝(x1,x2,x3,...,xi,...,xn)，其中xi表示第i组psⅱ叶绿素荧光参数，xi＝(x
i1
,x
i2
,...,x
ij
,...,x
il
)，x
ij
表示第i组psⅱ叶绿素荧光参数中第j种叶绿素荧光参数，n为psⅱ叶绿素荧光参数的总组数，也即数据集组数(即288)，i＝1～n，l为叶绿素荧光参数数量，j＝1～l，l＝15；
[0070]
利用如下的线性归一化函数对数据集x在[0，1]范围内进行归一化处理：
[0071][0072]
归一化后，数据集x＝(x1,x2,x3,...,xi,...,xn)转化为y＝(y1,y2,y3,...,yi,...,yn)，其中yi表示xi的归一化结果，yi＝(y
i1
,y
i2
,...,y
ij
,...,y
il
)，y
ij
表示x
ij
归一化后得到的值，x
ijmax
和x
ijmin
表示x
ij
的最大值和最小值。
[0073]
采用皮尔逊相关性分析来反映15种叶绿素荧光参数之间的线性相关程度，其公式为：
[0074][0075]
其中mc表示数据集y中第c维度(维度，指叶绿素荧光参数种类)数据即第c种叶绿素荧光参数数据的集合，md表示数据集y中第d维度数据即第d种叶绿素荧光参数数据的集合，mc＝(m
1c
,m
2c
,...,m
nc
)，md＝(m
1d
,m
2d
,...,m
nd
)，c,d＝1,2,...,l；m
nc
为表示数据集y中第n行第c维度数据即第n行第c种叶绿素荧光参数，m
nd
为表示数据集y中第n行第d维度数据即第n行第d种叶绿素荧光参数；
[0076]
相关系数值在-1到1之间，越接近于1，说明其正相关性越强，越接近于-1，说明其负相关性越强，越接近0，相关性越弱，相关性绝对值与相关性强弱之间的关系由表2所示。
[0077]
表2相关系数绝对值相关性强弱之间的关系
[0078]
相关系数绝对值0.8-1.00.6-0.80.4-0.60.2-0.40-0.2相关性强弱极强较强中等较弱不相关
[0079]
主成分分析方法为：
[0080]
将y用矩阵y＝(y
ij
)n×
l
表示，y的相关性矩阵r＝(r
sq
)
l
×
l
，其中s,q＝1,2,...,l；
[0081]
对相关性矩阵r进行特征值分解，求得其特征值λj并按数值大小进行排序，λ1≥λ2≥...≥λ
l
≥0，uj是特征值λj的特征向量，其中，r
×
uj＝λj·
uj，uj＝(u
1j
,u
2j
,...,u
lj
)，u
1j
表
示uj的第一行第j列，u
2j
表示uj的第二行第j列，u
lj
表示uj的第l行第j列，特征向量的集合u＝(u1,u2,...,uj,...,u
l
)，所有的主成分表达为：
[0082][0083]
其中f1代表第一主成分，f2代表第二主成分，fh代表第h个主成分，f
l
代表第l个主成分；m1表示数据集y中第1维度数据即第1种叶绿素荧光参数数据的集合，m2表示数据集y中第2维度数据即第2种叶绿素荧光参数数据的集合，mh表示数据集y中第h维度数据即第h种叶绿素荧光参数数据的集合，m
l
表示数据集y中第l维度数据即第l种叶绿素荧光参数数据的集合；
[0084]
第h个主成分fh的贡献率为
[0085]
前h个主成分累积贡献率表示为
[0086]
当前p个主成分累积贡献率a
p
达到95％时，取前p个主成分作为主成分分析结果，前p个主成分表示为y
p
＝u
1p
m1+u
2p
m2+...+u
lpml
，y
p
＝f1+f2+f3+f4，u
1p
＝u
11
+u
12
+u
13
+u
14
，u
2p
＝u
21
+u
22
+u
23
+u
24
，u
lp
＝u
l1
+u
l2
+u
l3
+u
l4
。
[0087]
4、叶绿素荧光参数主成分提取。
[0088]
通过主成分分析，简化15种叶绿素荧光参数，当p＝4时，特征值累积贡献率达到95.6006％，满足要求，将数据集y采用主成分分析方法降维至数据集w，w＝(w1,w2,w3,...,wi,
…
,wn)，wi＝(w
i1
,w
i2
,w
i3
,w
i4
)，w
i1
＝u
11mi1
+u
21mi2
+...+u
l1mil
，w
i2
＝u
12mi1
+u
22mi2
+...+u
l2mil
，w
i3
＝u
13mi1
+u
23mi2
+...+u
l3mil
，w
i4
＝u
14mi1
+u
24mi2
+
…
+u
l4mil
。
[0089]
即，本发明选取前4个主成分，它们的累积贡献率达到95％，综合了原始数据的绝大多数信息，其他成分忽略不计，主成分分析结果如表3所示。
[0090]
表3各叶绿素荧光参数的主成分分析
[0091][0092]
由表4及图3-图5可知，第一主成分pc1主要综合了fm、fv、fv/fm及y(no)的信息，其中y(no)在pc1上呈负向分布，fm、fv、fv/fm在pc1上呈正向分布，其反映了大部分的原始数据信息，达到了70.066％。第二主成分pc2主要综合了y(ii)、qp、ql及f
m’的信息，其中f
m’在pc2上呈负向分布，y(ii)、qp、ql与pc2呈正向分布，反映了原始数据信息的15.336％。第三主成分pc3主要综合了y(ii)、y(npq)、qp、ql及f
m’的信息，其中y(npq)在pc3上呈负向分布，y(ii)、qp、ql及f
m’与pc2呈正向分布，反映了原始数据信息的7.2446％。第四主成分pc4主要综合了fo及f
o’的信息，其中fo及f
o’均在pc4上呈负向分布，反映了原始数据信息的2.954％。因此，本发明得到了更少但更有效的因素，分类模型的规模显著缩小。
[0093]
表4 4个主成分中各因素所占百分比
[0094] pc1pc2pc3pc4f
o-0.05472-0.15470.168253-0.73317fm0.392534-0.12548-0.06583-0.0675fv0.411645-0.10258-0.095840.054346f0.255254-0.432910.2844190.034167fv/fm0.370962-0.071890.0845760.170354fv/fo0.213376-0.01622-0.075770.185218y(ii)0.2697210.3025580.3408030.111355
y(npq)0.2982960.14159-0.39054-0.25161y(no)-0.33389-0.208330.2407640.187832npq0.2167180.17505-0.28633-0.15657qp0.155070.4704850.435966-0.03501ql0.0280630.4228620.337614-0.12405qn0.0726010.066614-0.1007-0.2034f
m’0.273654-0.356640.3077030.063506fo’‑
0.00122-0.198810.216539-0.43924
[0095]
5、聚类结果与分析
[0096]
根据主成分分析得到的4个综合因子，采用最大最小距离法等层次聚类方法作无监督分类，将作物叶片分为6类。具体步骤如下：
[0097]
(1)从数据集w，取其中一组数据作为第一个聚类中心z1，例如z1=w1[0098]
(2)寻找新的聚类中心：
[0099]
2.1计算所有组数据到第一个聚类中心z1的距离d
i1
，i＝1～n；
[0100]
2.2如果则wk为第二个聚类中心z2；
[0101]
2.3计算数据集w所有组数据到z1和z2的距离d
i1
和d
i2
；
[0102]
2.4若dr＝max{min(d
i1
,d
i2
)}和dr＞θ
·d12
，则wr取为第三个聚类中心z3，其中θ为一个0到1之间的数，d
12
为z1与z2之间的距离；
[0103]
2.5当z3存在时，计算d
t
＝max{min(d
i1
,d
i2
,d
i3
)}，若d
t
＞θ
·d12
，取w
t
为第四个聚类中心，通过奇偶推理，最大最小距离不大于0，结束对聚类中心的计算；
[0104]
(3)根据最近邻原则，所有组数据均属于最近邻的聚类中心；
[0105]
(4)根据聚类准则，对聚类结果进行检验，如果不满意，则返回第一个聚合中心z1，返回(2)，直到算法结束。
[0106]
根据奇偶推理，本发明设定6个聚类中心，将数据集w分为六类，设定为健康(0级)、良好(1级)、轻度冷害(2级)、中度冷害(3级)、重度冷害(4级)和特重度冷害(5级)。
[0107]
将聚类结果与样本原始标签信息相对应，得到的匹配关系如图6所示。由图6可知，在未遭受低温环境时(0d)，所有样本均为健康状态。在8℃低温条件下，处理1d时，样本为轻度冷害状态；处理2d时，样本为重度冷害状态；处理3d及以后，样本已经为特重度冷害状态。在10℃低温条件下，处理1d时，样本为轻度冷害状态；处理2d-4d时，样本为中度冷害状态；处理5d-6d时，样本为重度冷害状态；处理7d-8d时，样本为特重度冷害状态。在10℃低温条件下，处理1d时，样本为轻度冷害状态；处理2d-4d时，样本为中度冷害状态；处理5d-6d时，样本为重度冷害状态；处理7d-8d时，样本为特重度冷害状态。在12℃低温条件下，处理1d时，样本为轻度冷害状态；处理2d-3d时，样本为良好状态；处理4d-6d时，样本为中度冷害状态；处理7d-8d时，样本为重度冷害状态。在14℃低温条件下，处理1d时，样本为轻度冷害状态；处理2d-4d时，样本为良好状态；处理5d-8d时，样本为中度冷害状态。由上述可知，随低温温度的降低，作物叶片冷损伤程度随之加深，同一低温温度处理下，随低温持续时间的增加作物叶片冷损伤程度也逐渐加深。在10℃及以下的低温处理下，随持续时间的增加，胁迫压力超过了作物的抗寒极限，出现特重度冷害，生长停滞，植株死亡；10℃以上的低温使得作物叶片受到损伤，出现生长停滞，但不致死，后续可进行适温恢复。
[0108]
为了评估聚类结果，采用试验样本的psi系统参数y(i)进行验证。低温显著降低了黄瓜叶片psi系统光化学活性，随着低温处理时间的延长，y(i)值呈逐渐降低的趋势，其中低温温度越低，降低程度越高(图7)。根据聚类结果，对6类冷损伤程度的样本y(i)参数信息作箱线图，计算得出每类样本y(i)值中位值分别为0.208、0.137、0.087、0.057、0.044、0.021(图8)。结果表明：基于叶绿素荧光技术可以有效检测作物冷损伤程度，在作物冷害无损诊断方面有良好的前景，为损失评估及补救措施制定提供科学依据。