基于高光谱反射与机器学习的桉树疫霉根腐病早期检测技术研究

本研究针对桉树疫霉根腐病早期诊断难题，创新性地结合高光谱反射技术（ASD FieldSpec 4传感器）与机器学习算法（随机森林RF、支持向量机SVM和自注意力网络SAN），成功构建了准确率达97%的病害检测模型。通过特征波长筛选揭示了叶片色素积累与水分胁迫的关联性，为森林病害无创监测提供了重要技术支撑。

　　

随着气候变化加剧，疫霉菌(Phytophthora)引起的森林病害在全球范围内持续扩散，其中桉树疫霉根腐病因其隐蔽性强、传统检测方法滞后等问题，严重威胁商业林业可持续发展。当前诊断主要依赖症状观察和破坏性采样，难以实现早期预警。针对这一难题，南非比勒陀利亚大学（University of Pretoria）林业与农业生物技术研究所（FABI）的研究团队开展了一项突破性研究，通过高光谱反射技术与人工智能的深度融合，建立了桉树疫霉根腐病的早期检测体系，相关成果发表于农林科学领域权威期刊《Computers and Electronics in Agriculture》。

研究团队选取19个商业桉树(Eucalyptus benthamii)家系为对象，采用ASD FieldSpec 4高光谱传感器采集叶片反射光谱数据（350-2500 nm），创新性地构建包含随机森林(RF)、支持向量机(SVM)和自注意力网络(SAN)的机器学习分析流程。通过遗传算法(GA)和注意力机制筛选关键波长，结合植被指数分析揭示病害生理机制。

【材料与方法】
研究设计包含病原接种、光谱采集和机器学习建模三阶段。接种3个月后采集叶片高光谱数据，采用标准正态变量变换(SNV)等预处理方法优化数据质量。通过SAN的注意力机制、RF置换重要性测试和GA三种方法筛选特征波长，最终训练RF、SVM和SAN模型进行病害分类。

【结果】
3.1 致病性分析
四个桉树家系（911、959等）接种Phytophthora alticola后呈现显著根系生物量下降（最高降幅25%），证实病原特异性侵染。

3.2 高光谱数据分析
• 自注意力网络(SAN)在SNV预处理数据上表现最优（AUC=0.97），关键波长集中于450-750 nm（色素相关）和1750-2000 nm（水分胁迫相关）
• 植被指数分析显示：改良花青素指数(mARI)与病害呈正相关(r_pb>0.5)，水分波段指数(WBI)呈负相关，表明病原感染引发叶片色素累积和水分运输障碍

【讨论】
该研究首次将SAN模型应用于林木病害检测，其注意力机制能有效捕捉1350-1450 nm和2250-2300 nm等传统方法易忽略的敏感波段。相比无人机遥感，地面高光谱检测在早期病害识别中更具灵敏度优势。研究建立的诊断模型对实现林业精准防控具有重要价值，未来需通过跨物种验证提升普适性。

这项技术的突破性在于：1）将病害检测窗口提前至无症状阶段；2）揭示SWIR波段（短波红外）在根系病害检测中的新应用；3）为抗病育种提供量化筛选指标。随着传感器微型化发展，该技术有望集成至移动设备，推动森林病害监测进入智能化时代。