《Agriculture》：Development of a Method for Detecting Responses of Different Oat Cultivars to Fusarium Head Blight Infection in Greenhouse Conditions Using Hyperspectral Image Analysis
Maksims Fi?ipovi?s,
Jevgenija ?e?ajeva,
Pāvels Suskis and
Jūrat? Ramanauskien?
编辑推荐：
本研究针对燕麦赤霉病（FHB）传统检测方法效率低、依赖经验的问题，开发了基于高光谱（HS）图像和头枯指数（HBI）的温室检测技术。结果显示，该方法与视觉评估相关性达0.969，与T-2/HT-2毒素含量相关性达0.971，为无人机田间监测提供了技术基础。
燕麦（Avena sativa L.）作为重要的谷类作物，其生产正面临赤霉病（Fusarium Head Blight, FHB）的严重威胁。这种由镰刀菌（Fusarium spp.）引起的病害不仅造成减产，更危险的是，病原菌会在籽粒中产生T-2/HT-2、脱氧雪腐镰刀菌烯醇（DON）等高毒性霉菌毒素，直接危害人畜健康。传统的病害监测主要依赖农艺师的肉眼评估，但这种方法主观性强、难以量化，且无法实现早期无症状检测。虽然分子生物学方法（如PCR、ELISA）准确度高，但成本昂贵、流程复杂，不适合大田规模化应用。因此，开发一种快速、非侵入式且能关联毒素含量的监测技术，对于保障燕麦品质安全至关重要。
在此背景下，Maksims Fi?ipovi?s等研究者将目光投向了高光谱（Hyperspectral, HS）成像技术。这项技术能够捕捉植物组织在数百个窄波段下的反射特征，比人眼或普通相机看到更多“隐藏”的生理信息。虽然该技术在小麦FHB监测中已有探索，但在燕麦上的应用，特别是与毒素含量关联的研究仍属空白。研究团队旨在开发一种基于头枯指数（Head Blight Index, HBI）的简易高光谱分析方法，验证其在温室条件下检测燕麦FHB的可靠性，并探索其预测霉菌毒素含量的潜力。相关成果发表于《Agriculture》。
关键技术方法概览
研究在温室条件下栽培了三个燕麦品种（‘Husky’, ‘Ivory’, ‘Lelde’），设置了种子接种和花期穗部接种（混合Fusarium孢子）两种处理。研究核心是使用Specim IQ相机（400–1000 nm）采集穗部高光谱图像，并利用自主开发的Python软件进行像素级分析。算法基于550–560 nm和665–675 nm波段计算HBI（病斑像素/全穗像素），并将结果与视觉评估（人工病级记录）、微生物学鉴定（PDA培养基分离）以及ELISA毒素检测（DON, T-2/HT-2, ZEN）数据进行统计学对比验证。
3. Results
3.1. 接种处理对出苗及存活率的影响
统计分析显示，尽管对照组植株的出苗率和幼苗存活率在数值上略高，但种子接种和穗部接种两种处理方式，与对照组之间均未表现出统计学上的显著差异。三个供试燕麦品种（‘Husky’, ‘Ivory’, ‘Lelde’）在出苗和早期生长方面也未发现显著差异。这表明，在该研究的温室接种强度下，Fusarium spp. 混合孢子接种并未对燕麦的早期建植造成毁灭性影响，研究得以在相对一致的群体基础上进行后续的病害发展观测。
3.2. 病害严重度与高光谱评估验证
视觉评估与高光谱HBI分析的结果高度一致。两种方法均证实，不同接种处理（种子、穗部）与对照组之间的病害严重度存在显著差异。其中，花期穗部接种（Inoculated head）处理在最后一次观测期（BBCH 83–85，早-中熟期）表现出最高的病害严重度。研究计算了两种评估方法的相关性，重复测量相关系数高达0.969，证明基于Python的HBI像素级算法能够极为精准地复现人工专家级的评估结果，实现了病害表型的数字化定量。
3.3. 病原菌与毒素关联分析
通过PDA培养基分离培养和形态学鉴定（显微镜观察分生孢子等），确认燕麦穗部病害症状主要由F. sporotrichioides引起，这与拉脱维亚地区田间监测的主流病原菌相符。ELISA毒素检测结果显示，T-2/HT-2毒素（主要由F. sporotrichioides产生）的含量与高光谱评估的病害严重度之间存在极强的正相关关系，Pearson相关系数达到0.971。这一发现至关重要，它意味着通过非接触式的光谱成像技术，不仅可以评估病害程度，更有可能直接预测谷物中高风险霉菌毒素的污染水平，为收获前的粮食安全预警提供了强有力工具。
结论与展望
本研究成功建立了温室条件下燕麦FHB的高光谱检测流程。通过自主开发的图像处理流程，证明了HBI指数在像素级尺度上的有效性，其评估结果与人工评估高度一致（r = 0.969）。更重要的是，研究首次在燕麦中揭示了高光谱病害严重度与T-2/HT-2毒素含量的强烈相关性（r = 0.971），这超越了传统视觉评估的极限，将“看得见的病害”与“看不见的毒害”联系了起来。
该方法是迈向无人机（UAV）田间监测技术的关键第一步。未来，通过优化波段选择（如使用多光谱相机替代昂贵的高光谱相机）并结合机器学习模型，有望在更大尺度的农田中实现FHB的早期预警和毒素风险分级，为精准农业和粮食安全监管提供低成本、高效率的解决方案。
