《Agriculture》：A Soybean Rust Resistance Evaluation Approach Based on a Novel Spectral Index SRSI
Shuxin Zhu,
Jiarui Feng,
Hongfeng Yu,
Xianglin Dou,
Huanliang Xu and
Zhaoyu Zhai
编辑推荐：
为解决传统植被指数难以有效评估大豆锈病（ASR）不同侵染阶段严重度的问题，研究人员开展了一项整合深度学习与高光谱成像技术的研究。他们构建了RustNet-3D模型用于精准分类病害严重度，并开发了新型大豆锈病光谱指数SRSI。该指数与病害严重度的相关系数达0.89，为大豆抗锈性鉴定和智能育种提供了高效、自动化的解决方案。
在大豆的世界里，有一种名为亚洲大豆锈病的真菌性病害，正悄然威胁着全球重要的油料和蛋白质作物。这种由Phakopsora pachyrhizi Syd.引起的病害，能够导致大豆减产超过80%，给产业带来巨大的经济损失。传统的病害评估方法，如田间自然感染评估和人工接种试验，不仅费时费力，还容易受到环境因素和观测者主观判断的影响，难以满足高通量育种筛选的需求。近年来，高光谱成像技术凭借其能够无损获取数百个连续、高分辨率光谱波段信息的能力，成为植物病害检测的有力工具。然而，现有的植被指数在评估不同侵染阶段，尤其是早期或轻微阶段的病害严重度时，常常因为光谱响应微弱而力不从心。常用的波段选择技术也往往缺乏针对特定病害体系的优化。为了突破这些瓶颈，一项发表在《Agriculture》上的研究，提出了一种全新的解决方案。
该研究主要运用了高光谱成像技术采集大豆叶片数据，并构建了名为RustNet-3D的深度学习模型。该模型整合了三维可变形卷积模块和光谱膨胀卷积模块。研究还创新性地提出了一个改进的波段选择与注意力模块。通过对大豆锈病的时间序列高光谱数据进行建模，研究识别出了五个高敏感性光谱波段，并以此构建了大豆锈病光谱指数。
3.1. 大豆锈病侵染的光谱特征
通过分析不同病害等级叶片的平均光谱曲线，研究发现，在500–700纳米波长范围内，病斑区域的反射率普遍高于健康区域。健康叶片由于光合色素积累，在可见光区域吸收强、反射率低。病害侵染破坏了叶片的正常生理功能，导致可见光反射率升高，近红外区域的光谱响应也因叶片含水量下降而增强。不同大豆品种在接种病原体后多个时间点的平均光谱曲线变化，揭示了病害进展对植物光谱响应的显著影响，以及品种间抗病性的差异。例如，DD21和FD9在早期能维持较高的光谱反射率，表现出较强的抗病性，而HX5和JX6则在早期就表现出反射率的显著下降，表明抗病性较差。这些光谱分析结果为后续基于光谱数据鉴定大豆锈病抗性奠定了重要基础。
3.2. 病害严重度等级的分类结果
RustNet-3D模型在全波段输入的大豆锈病严重度分类任务中，在测试集上取得了92.74%的总体准确率、92.63%的平均准确率和91.28%的Kappa系数。这表明该模型具有较强的多类别判别能力。对于病害等级0、7和9，模型的识别准确率达到或超过94%。即使是对于中间病害等级，模型也实现了超过90%的精确率和召回率。消融实验结果表明，集成三维膨胀卷积、三维可变形卷积和iBSAM模块能有效提升模型性能。五折交叉验证结果进一步证实了RustNet-3D具有稳健的分类性能和泛化能力。
3.3. 不同光谱特征提取方法的比较
研究比较了多种波段提取方法，包括SHAP、Grad-CAM、CARS、SPA、随机森林和光谱注意力机制。重叠热图显示，不同特征选择方法在581纳米、583纳米、596纳米、602纳米、605纳米和693纳米等波段上存在高度共识。这表明这些波段在表征大豆锈病侵染过程中表现出强烈的光谱响应性。iBSAM模块还在近红外区域发掘了如700纳米和868纳米等具有潜在判别能力的波段。
3.4. 用于锈病检测的植被指数比较分析
在多种光谱植被指数的比较中，加权SRSI与大豆锈病严重度的皮尔逊相关系数高达0.89，优于所有其他测试的植被指数。而去除权重后，相关系数降至0.73。这表明加权机制有效增强了关键波段对病害的表征能力。传统的结构指数、光化学指数、色素指数等，尽管能在一定程度上反映病害状况的变化，但其对大豆锈病监测的敏感性和适用性相对较低。值得注意的是，原本为小麦条锈病开发的黄锈病指数与大豆锈病严重度呈负相关，这凸显了光谱指数具有病原系统特异性，有必要针对特定寄主-病原体组合开发定制化指数。
3.5. 使用SRSI评估大豆品种抗性
通过分析八个大豆品种接种后1至5天病斑比例的时间变化，研究发现所有品种的病斑比例均随时间逐渐增加，但品种间存在显著差异。例如，HX5的病斑比例最高，接近80%，表现为感病；而TD39、LD15和DD21的病斑比例增长较慢，表现出较强的抗病性。在比较多种植被指数时，SRSI在评估大豆锈病抗性方面展现出显著优势，其数值随病斑面积扩大而持续增加，呈现稳定的正向动态趋势。与NDVI、RVI、MCARI等现有指数相比，SRSI在评估不同大豆品种病害严重度时表现出更稳定可靠的性能，能更灵敏地反映病害进展趋势，并在多个品种间保持良好的泛化性能。
3.6. 大豆锈病抗性鉴定标准的建立
研究基于SRSI值建立了大豆锈病抗性鉴定标准，将病害严重度分为6个等级。SRSI值越高，对应的病害等级越高。具体而言，健康叶片SRSI值低于0.1；轻微病斑对应0.1–0.3；中度病斑对应0.3–0.5；严重病斑对应SRSI值大于0.7。该分级标准具有良好的连续性和区分度，为大豆锈病的精准监测和自动化识别提供了理论基础。
研究结论与讨论
本研究成功提出了一个集成改进波段选择与注意力模块的深度学习框架RustNet-3D。该模型通过结合三维可变形卷积和膨胀卷积，有效捕捉了光谱-空间特征，在大豆锈病严重度分类上实现了高精度。同时，利用iBSAM模块识别出五个对大豆锈病高度敏感的关键光谱波段，并以此构建了新型大豆锈病光谱指数。SRSI与病害严重度呈强相关，显著优于传统植被指数。基于SRSI建立的分类标准，能够量化病害进程并成功鉴定抗性大豆品种。
在讨论中，研究者对比了传统光谱特征选择方法的局限性，并阐述了iBSAM模块采用任务驱动的深度学习策略的核心优势。研究也分析了SRSI的构建逻辑，指出其基于深度学习模式识别逻辑，利用相邻波段的协同特征来描述病害“指纹”，这与基于代数逻辑的传统指数构建方式有根本不同。研究者认为，敏感波段集中在581-628纳米区域，很可能与病斑典型的黄褐色至红褐色色泽有关。
当然，研究也存在局限性，主要包括实验主要在温室条件下于大豆营养生长早期进行，未来需验证SRSI在不同生育阶段及面对不同病原菌生理小种时的适用性和稳定性。此外，从叶片尺度扩展到冠层尺度，从室内环境推广到田间实际生产环境，也是未来重要的研究方向。尽管如此，这项研究为高光谱数据特征提取提供了有效方案，并为智能病害管理和抗性育种提供了宝贵的技术支持。
