基于高光谱成像的棉花黄萎病胁迫下叶片生理特征快速检测与可视化研究

为解决棉花黄萎病早期诊断难题，浙江大学团队通过高光谱成像技术结合机器学习，动态监测棉花叶片抗氧化酶（SOD、POD、CAT）活性、MDA含量及光合色素（Chla 、Chlb 、Car）变化，构建了预测模型（最优模型Rp 达0.809–0.975），并实现生理指标空间分布可视化，为作物病害无损检测提供新方法。

　　

棉花被誉为“白色黄金”，但其生产长期遭受黄萎病（由大丽轮枝菌Verticillium dahliae引发）的威胁。这种被称为“棉花癌症”的病害会导致叶片萎蔫、早衰，造成严重减产。传统检测方法依赖破坏性采样和耗时生化分析，难以实现早期诊断和田间应用。更棘手的是，病原菌在潜伏期几乎不表现症状，待肉眼可见时已错过防治时机。如何破解这一难题？浙江大学的科研团队独辟蹊径，将高光谱成像技术与人工智能相结合，在《Artificial Intelligence in Agriculture》发表了一项突破性研究。

研究团队通过透射电镜观察细胞超微结构，结合高光谱成像（414–1017 nm）采集棉花叶片光谱数据，采用SPA、RF和CARS算法筛选特征波长，并构建PLSR、SVR和CNNR预测模型。样本来自两个栽培品种（新陆早45和53），包含健康与染病叶片共322份。

3.1. 黄萎病对棉花叶片微观结构的影响
透射电镜揭示：染病叶片细胞壁变形，叶绿体从纺锤形退化为圆形，淀粉颗粒增多，线粒体膜破裂。尤其值得注意的是，随着病情加重，叶绿体类囊体结构瓦解，这直接解释了叶片失绿现象。

3.2. 生理表型信息的变化
抗氧化系统方面，染病叶片SOD活性显著升高（XLZ53品种POD活性增加79.5%），MDA含量翻倍，表明氧化应激加剧。光合色素检测显示，染病叶片叶绿素a降幅最大（>叶绿素b>类胡萝卜素），这与叶绿体损伤直接相关。

3.3. 光谱特征分析
健康叶片在550 nm（叶绿素吸收峰）反射率更低，而染病叶片近红外区反射率升高，红边区域出现蓝移现象，这些特征成为病害识别的光谱指纹。

3.4-3.6. 快速检测模型构建
采用SPA-SVR组合对叶绿素a预测效果最佳（R_p
=0.975），仅用16个特征波长；RF-SVR对SOD活性预测最优（R_p
=0.908）。有趣的是，传统机器学习（SVR）在小样本条件下表现优于深度学习（CNNR），这与训练数据量不足有关。

3.7. 生理指标可视化分布
空间分布图直观显示：染病叶片叶脉附近SOD/POD活性更高，而光合色素含量从叶脉向边缘梯度递减。这种空间异质性为理解病害扩散机制提供了新视角。

这项研究不仅建立了首个棉花黄萎病多生理指标高光谱检测体系，更开创了作物病害表型组学研究的新范式。通过将复杂的生理变化转化为可量化的光谱特征，研究者为开发田间便携式检测设备奠定了理论基础。未来，结合无人机遥感技术，该方法有望实现棉花病害的大规模精准监测，为全球棉花产业可持续发展提供科技支撑。