《Smart Agricultural Technology》:Field-based hyperspectral monitoring of southern corn rust incubation
编辑推荐:
为了解决南方玉米锈病(SCR)在田间条件下潜育期难以早期诊断和预测的问题,研究人员开展了利用太阳能光下的连续高光谱监测技术,预测症状出现天数(DBS)的研究。研究通过比较多种特征提取方法与机器学习模型,构建了以1D CNN结合小波系数(WLCs)的最优预测框架,结果表明该模型能在症状出现前7天可靠地诊断感染,总体准确率达92.05%。该方法为作物管理提供了实用的工具,有助于在田间条件下实现病害早期预警,从而优化杀菌剂施用时窗,减少不必要的化学品使用。
在全球范围内,玉米不仅是保障粮食安全的关键作物,也是支撑畜牧业的重要基础。然而,一种名为南方玉米锈病(Southern Corn Rust, SCR)的病害正严重威胁着玉米的可持续高产。这种由真菌Puccinia polysora引起的病害具有极强的流行性,其风传孢子可在短时间内导致局部感染迅速演变为田间大爆发,造成高达30%-50%的产量损失。传统上,农户和植保人员依赖于肉眼识别叶片上出现的锈孢子堆(uredinia)来诊断病害,这种做法往往“为时已晚”,一旦症状显现,最佳的防治时机已然错过,防控措施的时效性和有效性大打折扣。因此,实现潜育期(即病原菌已侵染但叶片尚未表现出可见症状的阶段)的诊断和粗略预测,成为了延长生产者响应窗口、实现精准防控的关键。然而,现有的研究多依赖于人工接种和可控环境条件,难以直接应用于复杂多变的田间实际场景。面对这一挑战,一项发表于《Smart Agricultural Technology》的研究,为我们带来了在自然光条件下、利用高光谱技术对南方玉米锈病潜育期进行监测和预测的创新解决方案。
为了开展这项研究,研究人员运用了几个主要的关键技术方法。研究在海南省三亚市的国家南繁育种基地进行,依托自然感染条件,避免了人工接种。研究选取了高感病品种“郑单958”,在2023年2月12日至24日期间,对田间的90个固定监测点进行了连续的高光谱数据采集,使用的是ASD FieldSpec 4便携式光谱仪。通过每日记录叶片健康状况并反向推算,研究团队定义了“症状出现前天数”(Days Before Symptom onset, DBS)这一核心参数,将所有样本划分为DBS 0-3、DBS 4-7、DBS 8-12以及健康对照四个组。在特征构建与模型选择上,研究人员系统地比较了传统的病害相关光谱指数(Disease-related spectral indices, DIs)、小波变换系数(Wavelet coefficients, WLCs)等特征,并评估了偏最小二乘判别分析(Partial Least Squares Discriminant Analysis, PLS-DA)、随机森林(Random Forest, RF)以及一维卷积神经网络(1D Convolutional Neural Network, 1D CNN)等多种分类算法的性能。
3.1. 特征选择结果
- •
3.1.1. 病害相关光谱指数的选择:研究人员计算了10个传统的光谱指数,并通过方差分析和多重比较测试评估其在不同DBS组间的区分能力。结果显示,光化学反射指数(Photochemical Reflectance Index, PRI)、MERIS陆地叶绿素指数(MERIS Terrestrial Chlorophyll Index, MTCI)和叶锈病严重度指数(Leaf Rust Disease Severity Index, LRDSI)表现最佳。然而,将这些优选指数组合后,利用随机森林算法得到的预测总体准确率(Overall Accuracy, OA)仅为54.51%,表明传统光谱指数对于预测SCR潜育期的能力不足。
- •
3.1.2. 小波系数选择结果:研究对450-750nm光谱范围进行了连续小波变换(Continuous Wavelet Transform, CWT),生成了大量小波系数。通过方差分析和10折交叉验证,研究人员筛选出了区分能力强的系数,并构建了包含8、30和64个最优系数的三个特征子集(Feature Set A, B, C)。
3.2. 最优特征-分类器组合的选择
- •
3.2.1. 最优模型参数选择:通过网格搜索,研究人员确定了PLS-DA模型的最优成分数以及1D CNN模型的最佳训练周期数(epochs=200)和学习率(learning rate=0.005)。
- •
3.2.2. 不同特征-分类器组合的分类结果:综合比较了各种组合的预测性能。结果显示,结合了64个小波系数(Feature Set C)的1D CNN模型表现最优,其总体准确率达到71.62%,宏平均精确率(Macro-averaged Precision, MAP)为68.07%,宏平均召回率(Macro-averaged Recall, MAR)为72.73%,F1分数为0.6835,显著优于使用相同特征的随机森林模型(OA 68.38%)以及使用传统光谱指数的模型。
3.3. SCR的粗略DBS预测
利用最优的1D CNN模型对四个DBS组进行预测,生成的混淆矩阵热图显示,模型能够较为准确地将样本划分到正确的组别,且误分类主要发生在相邻组别之间(如将DBS 4-7预测为DBS 0-3)。这表明模型能够提供关于症状爆发时间的粗略但有效的估计。
3.4. 对SCR潜育期的诊断能力
为了评估模型的早期诊断潜力,研究设定了12天和7天两个诊断阈值。结果显示,以12天为阈值时,模型对健康样本的误判率很高(假阳性多),诊断可靠性不足。而当阈值设为7天时,模型展现出强大的诊断性能:对于症状出现前≤7天的感染叶片,诊断准确率高达95.34%;对于健康的(DBS>7天)叶片,识别精确率也达到89.41%。最终,模型在7天阈值下的总体诊断准确率达到了92.05%。这表明,该1D CNN模型能够在南方玉米锈病症状可视出现前长达一周的时间,实现可靠的早期诊断。
4. 讨论与结论
结论:本研究成功建立了一个基于田间自然光条件下高光谱连续监测的框架,将南方玉米锈病的诊断从简单的“健康/感染”二分类,推进到了对“症状出现前天数”的粗略时间估计。核心结论有三点:首先,相较于传统光谱指数和方法,结合了小波系数特征的1D CNN模型取得了最优性能(OA 71.62%),其预测误差主要发生在相邻时间窗,具有实际指导意义。其次,该模型展现了强大的早期诊断能力,能够在症状出现前7天实现可靠诊断,总体准确率达92.05%,为田间干预提供了约一周的宝贵时间窗口。最后,研究也指出,仅依靠田间视觉观察来定义“健康”样本存在局限,这影响了模型对晚期潜育期(DBS 8-12)与健康样本的区分能力。
讨论与意义:研究深入探讨了传统病害光谱指数在潜育期预测中表现不佳的原因,通过分析PLS-DA模型的载荷发现,有效信息广泛分布于光谱中,而传统指数仅捕捉了其中有限部分。同时,研究证实了在自然光条件下,短波红外(Short-Wave Infrared, SWIR)区域的数据信噪比较低,可靠性差,有效信息主要集中于可见光-近红外(Visible-Near Infrared, VIS-NIR)范围。对于健康样本预测准确性较低的问题,文章从病原菌浓度指数增长、样本标记方法学挑战以及潜育期本身存在变异性等多个角度进行了解释。为了进一步提升模型的普适性和精度,未来研究可考虑整合分子标记(如qPCR)来精确定义健康基线,并建立多地点、多季节的观测网络。
这项研究的重要意义在于,它打破了以往潜育期监测对人工接种和可控环境的依赖,首次在完全自然的田间条件下,实现了对一种重要气传病害的潜育期监测和症状爆发前预测。这不仅为农业生产者提供了一个切实可行的高适用性工具,使其能够更准确地评估杀菌剂施用窗口,实现及时、精准的干预,从而减少不必要的化学药剂使用,也为推动智能农业和植物病害的早期预警技术的发展提供了重要的方法论参考和实践案例。