基于可见光成像与机器学习模型的豇豆黄化花叶病严重度预测研究

本研究针对豇豆黄化花叶病(YMD)田间严重度评估难题，通过采集100个基因型的可见光(RGB)图像，提取45个植被指数，结合9种机器学习(ML)模型进行预测。结果显示，随机森林(RF)模型验证R2达0.95，为病害精准管理及抗病育种提供了高效、低成本的田间监测方案。

　　

豇豆作为热带地区重要的粮食作物，其生产长期受到黄化花叶病(Yellow Mosaic Disease, YMD)的威胁，该病由病毒引起，可导致作物减产高达100%。传统病害监测依赖人工评估，存在主观性强、效率低下的问题。随着气候变化加剧，开发快速、客观的病害监测技术成为农业领域的迫切需求。

针对这一挑战，印度农业研究委员会东部地区研究中心(ICAR-Research Complex for Eastern Region)的研究团队创新性地将智能手机可见光成像与机器学习相结合，在田间条件下实现了YMD严重度的精准预测。这项发表在《Scientific Reports》的研究，为小农户提供了低成本、高精度的病害管理工具。

研究采用iPhone 13采集100个豇豆基因型的冠层RGB图像，提取包括红色复合指数(RCC)、过量红色指数(ExR)等45个植被指数，通过Pearson相关性分析筛选出34个与YMD显著相关的指标。利用十折交叉验证优化9种ML模型参数，最终建立基于可见光指数的病害预测体系。

关键发现
病害与基因型分类：143个测试基因型中，鉴定出5个免疫(I)、14个抗病(R)品种，其中IC-626170等基因型完全无病症，为抗病育种提供重要材料。

植被指数相关性：RCC和ExR与病害严重度呈最高正相关(r=0.87)，而绿红差异指数(GRD)显示最强负相关(r=-0.88)，揭示叶片黄化程度与色素变化的定量关系。

模型性能比较：随机森林(RF)以验证R²0.95、n-RMSE 7.8%成为最优模型，其性能显著优于最小二乘(PLS)等传统方法。标准化排名性能指数(sRPI)确认RF、Cubist和XGBoost(XGB)为前三强预测模型。

技术突破：首次实现仅用普通手机RGB图像预测YMD严重度，验证集d-index达0.98，突破以往需要昂贵光谱设备的限制。

这项研究的重要意义在于：

1. 实践价值：建立适用于田间复杂环境的病害评估体系，模型可直接集成至农民手机APP，实现实时监测
2. 方法创新：通过sRPI多指标综合评价模型性能，为农业机器学习研究提供新范式
3. 育种支持：发现的抗病基因型(如IC-630412)和敏感型(如IC-622557)为分子标记开发奠定基础

研究人员特别指出，未来可通过增加多季节数据提升模型泛化能力，并建议将无人机平台与本研究方法结合，构建区域级病害预警系统。该技术路线还可扩展至其他作物病害监测，为智慧农业发展提供新思路。

研究团队强调，这种"智能手机+AI"的解决方案，相比传统实验室检测方法成本降低90%以上，特别适合发展中国家的小规模种植者应用。随着算法优化和数据集扩大，该技术有望成为联合国粮农组织(FAO)推荐的病害监测标准工具之一。