植株表面水分是决定多种叶部病原是否有侵染和产孢率的关键因素[1]。多数植物病害的爆发风险与叶片湿润期(LeafWetnessDuration,LWD)成正比[2]，通常使用LWD作为驱动变量来模拟植物病害发生的过程[3-5]。阳光温室黄瓜叶片水分主要来自于结露、棚膜滴落、上部叶滴落以及吐水、蒸腾等生理现象。据Sentelhas等[6]及Gleason等[7]建议，每日叶片湿润化时间误差小于2h可用于病害预警系统，这主要是由于在某一段时间内，每天测量叶片湿润时间的变化往往大于2h。在温室中极易形成高湿环境，因冬季低温寡照天气影响温室通风时间，容易导致黄瓜霜霉病等流行性疾病[8]，如黄瓜霜霉菌孢子囊在15~20℃下保湿2h即可完成侵染过程。所以对叶片湿润期的研究一直是国内外学者关注的热点。

利用叶面湿度传感器测量叶片湿润时间的精确度受到叶型、润湿性和树冠结构等因素的影响[10]，并且缺乏统一的测定方法[11，12]为此，学者们建立了一种用来估算叶片湿润度时间的模拟模型，主要分为物理式和经验式。以能量平衡原则为基础，模拟凝结和蒸发过程[13]；经验型将叶片湿润期与环境变量联系在一起，如Sentelhas等[6]将每日的相对湿度等于或高于某个阈值(80%)，含水率为85%,90%或95%的时数均为叶片润湿时间，但未考虑吐水等对叶片水分的影响[14]。作为一种经验模型，人工神经网络(ArtificialNeuralNetwork)是一种常用的模式识别方法，它具有自适应、自学习的特点，被广泛应用于多种预测问题。Francl等[15]对BP神经网络进行了分析，BPNN)对不同环境因素的敏感度，以温度、相对湿度、太阳辐射、降水量、风向、风速为输入变量，估计小麦叶片湿化时间。结果表明，湿度对环境影响最敏感，其次是温度和阳光辐射，叶片湿润时间绝对误差为0.8~1.1h；

[16]选择了意大利4个区域的温度、风速、蒸汽压力、降雨量作为输入变量输入递归神经网络(RecursiveNeuralNetwork)用10min作为最佳阈值，用Wang等[17]计算了葡萄叶片湿化时间，得出10min为最佳阈值，Wang等[17]利用决策树标定法，将露点温度、蒸腾和辐射作为输入变量输入到BPNN，用决策树标定后，平均绝对误差为1.3h。

以上模型输入的环境因素大都假定温室内同一植物群落在水平方向上，模型只能模拟出温室内叶片某一部位的湿化时间；在黄瓜群体中进行水平方向叶片水分分布规律的研究对于科学地进行温室管理和预测病害分布具有十分重要的意义，同时也为温室大棚及预测病害分布提供了理论依据。在温室中，对水平方向叶片湿润度时间分布的模拟尚未见报道。相对湿度经验模型(RelativeHumidityModel,RHM)是一种具有更少参数和更易于获得数据的模型；BPNN是一种基于数据的模型，该方法模型简单、推广能力强、对数据有很好的非线性拟合能力，是目前应用最为广泛的神经网络。为此，采用RHM和BPNN方法，分析了空间异质性(水平方向)对温室黄瓜叶片湿化时间的影响，为建立病害预报模型提供了依据。