《Computers and Electronics in Agriculture》：Pre-symptomatic detection of late blight in potatoes using field spectroscopy and backpropagation neural networks
编辑推荐：
```
•
在田间条件下实现了晚疫病的症状前检测。
•
利用时间数据的BPNN模型优于静态ANN
```
- •
在田间条件下实现了晚疫病的症状前检测。
- •
利用时间数据的BPNN模型优于静态ANN分类器。
- •
SWIR1区域（1100–1700纳米）对早期检测最为有用。
- •
高分类准确率（>94%）在不同品种和生长阶段都具有鲁棒性。
- •
全光谱分析对于克服田间条件下的光谱噪声至关重要。
引言
植物病害对全球粮食安全构成主要威胁，每年导致10–16%的产量损失，估计经济损失达2200亿美元（Golhani等人，2018年）。Phytophthora infestans（Mont.）de Bary是一种极具侵袭性的卵菌，是马铃薯和番茄作物晚疫病（LB）的致病因子。它仍然是最难有效且可持续管理的病害之一（Forbes，2011年）。虽然许多Phytophthora物种是引起根腐病的土传病原体，但Phytophthora infestans是一种破坏性的叶部病原体，会影响植物的所有地上部分以及块茎。尽管经过数十年的研究，晚疫病仍然是马铃薯生产中最严重的病害（Haverkort等人，2008年），全球每年的产量损失和管理成本估计约为67亿美元（Nowicki等人，2012年）。
为了控制马铃薯的晚疫病，采用了多种管理策略，包括使用抗性品种和农业措施；然而，化学控制仍是最普遍的方法。杀菌剂的应用可以抑制或阻止新症状的发展，但对现有感染无效。因此，杀菌剂的效果取决于在田间出现可见症状之前对健康植物进行积极和重复的应用。杀菌剂的密集和频繁使用不仅增加了生产成本，还对环境和人类健康构成重大风险（Tsedaley，2014年）。因此，早期（即症状前）和准确的晚疫病检测对于促进有针对性的及时干预至关重要。这种精确性可以防止病原体的广泛传播，同时大幅减少杀菌剂的使用。
在过去的几十年中，无论是成像还是非成像的光谱数据都被广泛用于通过分析光谱特征的变化来监测植物压力和量化病害严重程度（Thomas等人，2017年）。具体来说，Ray等人（2011年）利用高光谱遥感技术进行晚疫病监测，通过逐步判别分析确定了最佳检测波段。他们的研究确定710、720和750纳米波段在区分健康植物和受感染植物方面最为有效。这些光谱区域随后被用来开发植被指数，显示出感染类别之间的显著差异。同样，Zhang等人（2003年）应用最小噪声分数（MNF）和光谱角映射（SAM）分类方法进行晚疫病检测；然而，没有报告具体的准确率。Fernández等人（2020年）使用400–900纳米范围内的光谱指数实现了85–91%的检测准确率，而仅关注红色和红边区域（660–780纳米）时准确率为89%。
尽管取得了这些进展，但仍存在一个关键限制：大多数研究仅在视觉症状明显后才能稳定检测到晚疫病，有时甚至在50%的叶面积被破坏后才能检测到。尽管基于温室的研究（如Bienkowski等人，2019年）使用偏最小二乘回归（PLSR）和反向传播神经网络（BPNN）模型在病斑阶段实现了92%的识别准确率（400–1000纳米波段），但将其应用于田间数据时性能显著下降（R2 = 0.66）。这些发现凸显了可靠检测症状前晚疫病的持续挑战，特别是在使用变化较大的田间条件获取的数据时。
更近期，Gold等人（2020a）利用高光谱数据在疾病发展的整个过程中进行症状前的晚疫病检测。在受控实验室条件下使用四种马铃薯品种进行的研究，发现所有品种的检测特征相似。作者采用了多种机器学习方法（如RF、PLS-DA和PCoA），在接种后24小时报告的准确率超过80%，48小时后超过90%。然而，对晚疫病检测至关重要的光谱波段在感染阶段发生了变化，其中短波红外（SWIR）区域被证明具有重要意义。此外，四种品种在感染阶段表现出不同的生物化学和生理指标，这些指标显著影响了它们的光谱反射率及随后的检测结果。这些发现突显了开发一种能够处理田间条件下品种特定变异的稳健晚疫病检测方法的挑战。另一个混淆因素是植物的生长阶段，这会改变叶片解剖结构、色素浓度和水分含量，从而影响基于光谱的模型（Wójtowicz等人，2016年）。考虑到这些作物特性的不一致性对于提高基于光谱的晚疫病检测模型的可靠性和实际应用至关重要。
将光谱诊断模型从高度可控的实验室环境转移到商业应用中的一个核心挑战是开放田间固有的混杂变异。不同宿主遗传背景下的生理和结构基线变化，包括叶片厚度、角质层厚度、结构保水能力和局部叶绿素/类胡萝卜素基线的差异，为高光谱连续谱引入了复杂的非线性结构噪声（Carter和Knapp，2001年；Gold等人，2020年；Serbin和Townsend，2020年）。这种自然的背景变异通常会与早期病原体引起的微妙、短暂的光谱变化重叠或完全掩盖它们（Fernández等人，2020年）。因此，这种生物噪声严重挑战了标准机器学习算法的跨品种和跨阶段的泛化能力，这些算法容易对宿主基线的变化过度拟合，而不是隔离疾病的真实特征。
为了解决这一农业工程中的关键技术差距，本研究的主要目标是开发一个计算要求低、非破坏性的光谱框架，能够在变化大且噪声较高的田间条件下实现症状前的晚疫病检测。虽然传统的植物病理学文献主要关注受控实验室环境中的生物变化，但这项工作研究了BPNN如何在不同马铃薯品种和生理生长阶段引入的结构和生理光谱噪声下保持稳健的分类性能。
为了实现这一目标，本研究的具体目标是：1）评估结合优化BPNN架构的田间光谱技术在宏观症状出现前4天内识别Phytophthora infestans接种的效率。2）估计并评估模型在面对生物噪声时的稳定性，特别是跨不同马铃薯品种和生理生长阶段的交叉验证。3）识别400–1650纳米光谱中在田间应用期间主导特征权重的具体高影响窄波段，为低成本的多光谱传感器设计提供蓝图。
为了达成这些目标，我们的研究系统地解决了三个核心技术问题。第一个问题是关于症状前诊断的准确性：在真实田间条件下，叶级田间光谱框架结合优化的BPNN架构能在宏观症状出现之前多大程度上检测到晚疫病接种？第二个问题是关于对生物结构噪声的鲁棒性：当在不同生理生长阶段（建立期 vs. 生长期）和具有不同结构和生理基线的不同宿主品种（'VR808' vs. 'Sifra'）进行交叉验证时，优化后的机器学习模型有多大的恢复力？第三个问题是关于特征稳定性和定位：在连续的400–1650纳米高光谱范围内，哪些局部窄波段通过Garson的特征重要性映射一致地主导网络权重分布，这些高影响力特征在不同的宿主基因型中是否保持稳定？
章节片段
材料与方法
为了建立一个在真实田间条件下用于症状前检测晚疫病的非破坏性、计算优化的框架，开发了一种系统的多阶段方法。全面的实验和分析流程依次从田间种植和受控病原体接种过渡到高分辨率光谱数据采集、自动化质量过滤和非线性BPNN建模。
光谱定性评估
田间实验中收集的光谱数据表现出高一致性和高质量。根据SSQA程序，超过99%的光谱特征获得了3分或更高的质量评分。只有23个光谱（约占总数据的1%）被评为1分或2分，并随后被排除在分析之外。最终处理的数据集包含2036个高质量的光谱特征。
总体概述及与以往工作的比较
本研究表明，叶级高光谱感测是在真实田间条件下检测Phytophthora infestans的症状前工具。早在1天病斑出现时，就实现了高分类准确率，明显早于宏观症状的出现。虽然先前的研究已经成功利用光谱技术进行晚疫病检测（Zhang等人，2003年；Ray等人，2011年；Gold等人，2019年），但许多研究（如早期差异的区分）
结论
本研究证明，结合机器学习的高光谱叶级光谱能够在真实田间条件下实现症状前的Phytophthora infestans检测。BPNN模型在1天病斑出现时实现了高分类准确率（>95%），显著早于宏观症状的出现。这种方法的一个关键优势是其鲁棒性；在易感和中等抗性马铃薯品种中，性能始终保持高水平。
CRediT作者声明
KS：方法论、软件、正式分析、调查、数据管理、验证、写作 – 审稿与编辑。
AB：概念化、资源、监督、项目管理、资金获取、审稿与编辑。
RL：写作 – 原初草稿、可视化。
CRediT作者贡献声明
Keren Salinas：写作 – 审稿与编辑、验证、软件、方法论、调查、正式分析、数据管理。 Ran Nisim Lati：可视化、写作 – 原初草稿。 Anna Brook：写作 – 审稿与编辑、监督、资源管理、项目管理、资金获取、概念化。
利益冲突声明
作者声明他们没有已知的利益冲突或个人关系可能影响本文所报告的工作。
Keren Salinas | Ran Nisim Lati | Anna Brook```
