利用机器学习技术，将实验室与野外的高光谱分析方法相结合，以实现马铃薯晚疫病的早期检测

《Computers and Electronics in Agriculture》：Bridging laboratory and field hyperspectral analysis for early detection of potato late blight using Machine learning

本研究通过整合高光谱分析与机器学习模型，在田间环境下对马铃薯晚疫病进行早期检测，实验室与实地数据结合优化模型，准确率达93.0%，为农业疾病防控提供新工具。

　　

Ni?o Wolffang | Velásquez Carlos | Prieto Ortiz Flavio

哥伦比亚国立大学电气与电子工程系，波哥大，哥伦比亚

摘要

马铃薯是经济和农业部门的重要作物。然而，它容易受到晚疫病等疾病的侵袭。这种疾病每年都会造成巨大的经济损失，主要是因为在田间控制该疾病的难度较大，同时创新技术和解决方案也较为有限。诸如高光谱分析和机器学习模型之类的新技术在提出可靠且非侵入性的解决方案方面展现了巨大潜力。因此，本研究旨在通过整合这两种技术，早期检测马铃薯中的晚疫病叶片症状。此外，鉴于目前大多数高光谱研究都是在实验室条件下进行的，本工作还探讨了将实验室研究与田间工作相结合的方法，以证明这两种方法可用于同一目的：即开发支持马铃薯晚疫病控制和检测的新工具。最终，我们成功开发出一种在田间生长的马铃薯晚疫病早期检测模型，其总体准确率超过93%，这证明了光谱技术和机器学习模型在识别这种持续对马铃薯产业造成严重损害的疾病症状方面的巨大潜力。

引言

现代农业作为一种重要的经济活动，由于存在技术差距以及对于可持续农业生产、质量控制和植物病害早期检测的需求，引起了科学界的关注。在自然条件下早期检测病害至关重要，因为这些病害不仅会在不同生长阶段影响作物产量，还会显著增加生产成本并降低收获产品的质量。

由于高昂的生产成本和病害的发生率，马铃薯（Solanum tuberosum L.）面临着其可持续生产的紧迫风险。这种作物对社会至关重要，因为它既是人们的饮食来源，也为全球数百万人提供了经济支持。一方面，化肥、农药和燃料的价格近年来稳步上涨（MADR, 2020, MADR, 2019, Unidad de Planificación Rural Agropecuaria (UPRA), 2025）。另一方面，晚疫病等病害的发生对马铃薯生产构成了威胁。这种由卵菌Phytophthora infestans Mont. De Bary引起的病害在田间难以控制，每年造成的损失超过60亿美元（Arora et al., 2014, Fedepapa, 2023, Kuhl et al., 2007）。因此，这种情况加上农业领域现有的技术差距，使得马铃薯生产者和农民面临日益严重的长期盈利能力和可持续性挑战。

田间晚疫病的检测目前主要依靠定期的人工视觉检查。然而，这种方法依赖于农民的专业知识，只有在病害症状显现时才能进行诊断，即病原体已经对作物造成了不可逆的损害并扩散开来之后。因此，开发使用新技术进行非侵入性早期诊断的方法至关重要，这些技术能够协助生产者并支持现场决策。在这种情况下，人工智能（AI）模型和光谱传感器作为一种可靠且非侵入性的解决方案应运而生，有望为农业领域提供新的早期诊断工具（Behmann et al., 2014, Cen et al., 2022, Chakravarthy and Raman, 2020, Terentev et al., 2022, Xie et al., 2015）。文献中报道的一些应用表明了这种方法的成功，例如用于生产估算的作物重建、用于水果和蔬菜在线监测和决策的非侵入性及非破坏性检测模型（Hamuda et al., 2016, Rungpichayapichet et al., 2016, Feng et al., 2023），以及用于作物病害早期检测的模型（Gold et al., 2020, Kool et al., 2021, Kool and Evenhuis, 2023, Zhang et al., 2024）。

在马铃薯作物研究中，最近的研究表明，将光谱数据与AI相结合可以区分健康、无症状和患病的组织，并取得了有希望的结果（Kool and Evenhuis, 2023, Gold et al., 2020）。Kool和Evenhuis（2023）在温室条件下使用高光谱图像训练了一个卷积神经网络（CNN），该网络在接种后4天内能够以91.1%的准确率识别出由Phytophthora Infestans引起的症状。同样，Gold等人（2020）开发了一个基于偏最小二乘法和判别分析（PLS-DA）的模型，在症状出现前的阶段以91.8%的准确率区分了马铃薯叶片上的晚疫病（Alternaria solani）和早疫病。这项研究使用的是在350–2500纳米光谱范围内通过两种光谱仪获取的数据，并在受控条件下进行。每个处理组评估了20株马铃薯植株：对照组、晚疫病组、早疫病组以及两种病害共感染组，每隔12–24小时采样一次，持续7天以获取光谱数据。

此外，关于其他作物（如果树）病害早期检测的研究也表明，所提出的解决方案的成功率超过90%（Velásquez et al., 2024a, Zhang et al., 2023, Velásquez et al., 2024b），这证实了光谱数据和AI模型在早期植物病害诊断方面的潜力。然而，在田间条件下，即在自然和真实的作物环境中评估晚疫病仍然是一个潜在的挑战，因为晚疫病症状的表现（受气候和植物自然防御机制的影响）以及数据收集和分析的方法存在挑战，这些因素限制了相关研究的发展，从而影响了之前提出解决方案的性能。

在此背景下，进行了一项田间研究，以评估高光谱图像和AI模型（特别是机器学习（ML）在户外条件下Diacol Capiro马铃薯作物中早期检测（无症状阶段）晚疫病症状的潜力。该研究包括种植、Phytophthora infestans的接种以及对哥伦比亚农场两块马铃薯作物的监测，同时从实验室和田间收集高光谱图像，以开发一种将这两种场景联系起来的实用方法，从而设计出一种用于户外马铃薯作物晚疫病早期检测的模型。研究结果证明了1）高光谱成像在表征晚疫病早期叶片症状方面的潜力；2）将实验室研究与田间研究相结合有助于改进田间解决方案的开发；3）AI模型在检测该疾病早期症状方面的可靠性。本研究获得的模型——多层感知器（MLP）在田间作物检测中表现优异：准确率=0.930，F1分数=0.930，MCC=0.913。

最后，第2节介绍了整个研究中开发的方法论组成部分，包括不同AI模型的训练和评估方法。第3节展示了与实施的AI模型相关的结果以及基于其时间和光谱性能选择的最佳检测模型。第4节讨论了本研究的结果和发现与现有研究的比较，第5节总结了主要结论并提出了未来的研究方向。

研究细节

本研究选择的植株

本研究在哥伦比亚Pasca的一个传统种植马铃薯的农场进行，该农场海拔约2200米（见图1）。选择该地点是因为其具有理想的气候条件（温度在12至16°C之间，相对湿度>80%，云层覆盖厚重），适合马铃薯种植和晚疫病的发生。

2025年4月至5月期间，在10,000平方米的田地里分两个间隔15天的周期进行了播种。

训练数据和测试数据的筛选与平衡

仅考虑了接种组中具有晚疫病可见症状的样本，以确保表4中的图像确实反映了疾病的时间发展过程。实验室测试（e2和e4）仅用于获取参考光谱模式，而田间测试（e1和e3）用于设计马铃薯晚疫病的光谱和叶片检测模型。因此，本节重点讨论了这些数据的分析和比较。

讨论

为了突出本研究结果与文献的相关性，表11总结了我们的研究以及使用光谱学和HSI进行晚疫病检测的最具代表性的研究，包括传感器类型和光谱范围、研究样本量、采集环境、预处理方法、分类模型和获得的指标，以及每项研究报告的早期检测窗口。首先，大多数研究（例如Gold等人，2020年）……

结论

所采用的方法结合了实验室光谱模式、SNV和SAM，生成的地图在时间上是一致的，并且能够从疾病发展的早期阶段持续提取晚疫病病灶。病灶逐渐发展到症状阶段，其周围出现了无症状环状区域，表明感染正在扩散。SNV滤波器在亮度变化较大的场景（田间图像）中更为稳定，而SAM标签方法则表现最佳。

CRediT作者贡献声明

Nino Wolffang：撰写 – 审稿与编辑，撰写 – 原稿撰写，可视化，验证，软件开发，方法论设计，数据整理，概念构建。Velasquez Carlos：撰写 – 审稿与编辑，可视化，验证，监督。Prieto Ortiz Flavio：撰写 – 审稿与编辑，监督，资源协调。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Flavio Augusto Prieto表示获得了哥伦比亚科学技术创新部的财政支持。如果还有其他作者，他们声明没有已知的财务利益或个人关系可能影响本文的研究。

致谢

本研究得到了哥伦比亚科学技术创新部（MinCiencias）和哥伦比亚国立大学（UNAL）的支持，合同编号为2021-1013。作者还感谢哥伦比亚师范学院（UPTC）、都市技术学院（ITM）和开放远程大学（UNAD）的合作。特别感谢技术团队、农业工程师和植物……