《Frontiers in Plant Science》：Multi-source UAV remote sensing for cotton Verticillium wilt resistance grading using TPAC-Net
编辑推荐：
引言：田间条件下棉花黄萎病（Verticillium wilt）抗性分级仍具挑战，因为病害症状在小区内空间异质，局部病理线索在高分辨率无人机（UAV）正射影像上分布不均，且病害相关响应在红绿蓝（RGB）、原始多光谱（MS）和植被指数（VI）表征间敏感性与空间一
引言：田间条件下棉花黄萎病（Verticillium wilt）抗性分级仍具挑战，因为病害症状在小区内空间异质，局部病理线索在高分辨率无人机（UAV）正射影像上分布不均，且病害相关响应在红绿蓝（RGB）、原始多光谱（MS）和植被指数（VI）表征间敏感性与空间一致性不同。方法：为此，研究人员提出TPAC-Net，一种基于UAV的三源病理对齐与耦合网络（Tri-source Pathological Alignment and Coupling Network），用于小区级棉花黄萎病抗性分级；该网络将RGB影像、原始MS影像及由MS波段衍生的VI表征作为可见冠层结构、波段级光谱响应和指数增强病害敏感光谱对比的互补表征流。基于田间调查记录及GB/T 22101.5-2009定义的相对病情指数（RDI），研究人员构建二类与五类分类任务，并以标准化五类任务为主基准。TPAC-Net结合源特定编码器、三源特征注意力模块（TFAM）实现自适应病理特征耦合、跨源语义对齐模块（CSAM）实现互补表征间高层语义一致，以及局部致病斑块感知策略用于从局部块得到小区级决策。结果：该框架在二类和五类设定下分别取得79.20%和50.37%的F1分数；在主要五类任务中，较最佳基线绝对提升14.36个百分点。局部响应可视化显示较高模型响应集中在选定局部冠层区域，但中间抗性等级间细粒度区分仍困难。讨论：结果表明，多源UAV遥感可通过结构化表征对齐、病理特征耦合和局部证据聚合，支持基于田间调查所得RDI的抗性等级推断。
《Frontiers in Plant Science》刊发的该文以新疆昌吉中国农业科学院西部农业研究中心综合试验基地为研究区，于2025年8月22日由植保专家开展田间调查，获取1132个有效小区样本；同期使用DJI Mavic 3 Multispectral（DJI M3M）在12米航高、侧重叠70%、前重叠80%条件下获取RGB与多光谱（MS）数据，经DJI智慧农业平台生成正射影像，在ENVI 5.6中用RGB作参考完成MS配准，按小区ROI裁剪，并由MS计算NDVI、GNDVI、NDRE、LCI四类植被指数（VI），形成空间对齐的RGB-MS-VI三源样本。研究背景方面，棉花黄萎病由土传真菌Verticillium dahliae引起，可造成叶片黄化、萎蔫、铃数减少与纤维品质下降；传统按GB/T 22101.5-2009以病情指数（DI）和相对病情指数（RDI）评价抗性， labor密集型且难以支撑大群体育种筛查。现有遥感研究多聚焦检测、严重度回归或人工特征，缺少端到端、按标准RDI区间的小区级深度学习分级；RGB、原始MS与VI虽互补，但简单拼接会损失源特定响应，高层特征未对齐则削弱可见损伤与潜藏光谱胁迫的对应，因此研究人员提出TPAC-Net。
关键技术方法上，研究人员以1132个新疆昌吉试验小区为样本队列，用DJI M3M获取RGB与四波段MS（绿、红、红边、近红外），经配准与ROI裁剪构建三源输入；以RDI区间生成二类与五类标签；采用源特定编码器分别提取可见结构、波段级光谱与指数增强特征，以跨源语义对齐模块（CSAM）在stage 3–4用InfoNCE对齐高层语义，以三源特征注意力模块（TFAM）做通道与空间耦合，并以局部致病斑块感知将小区分解为局部块、用top-k均值聚合得到小区级预测。
研究结果如下。2.1 Data acquisition：研究人员在新疆昌吉试验田于2025年8月22日完成田间调查与UAV飞行，获1132个有效小区、每小区25–40株、记录病株数、0–4级株数、DI与RDI，证明单时相UAV可与田间记录同日配准用于分级。2.1.2 UAV RGB and multispectral data acquisition：使用DJI M3M六批次飞行获取20 MP RGB与四台5 MP MS相机数据，波段中心560±16、650±16、730±16、860±26 nm，说明三源数据具备物理一致性与可配准基础。2.2 Data preprocessing and annotation：研究人员经正交 mosaic 生成、ENVI配准、小区ROI裁剪与NDVI/GNDVI/NDRE/LCI计算，建立RGB-MS-VI空间对应；按RDI=0、0< />< />35分为免疫、高抗、抗、耐、感五类，五类样本数为597、252、115、78、90，显示相邻等级视觉差异细微。2.3 Tri-source pathological alignment and coupling network：研究人员用ConvNeXt提取RGB、Res2Net提取MS、带植被指数空间增强模块（VSEM）的Res2Net提取VI，四阶段通道统一为32、64、128、256；CSAM在stage 3–4投影为128维嵌入并用对称InfoNCE损失对齐(ms,rgb)、(ms,vi)、(rgb,vi)；TFAM在同阶段做三源通道与空间注意力耦合；局部致病斑块感知以图像级弱监督训练局部块，推理时用top-k（k=3）均值聚合出小区标签，解决小区内症状异质、局部证据不均问题。
讨论部分指出，三源UAV遥感通过源特定编码、跨源语义对齐、阶段级病理特征耦合与局部证据聚合，可支持田间RDI驱动的抗性分级；但中间抗性等级细粒度区分仍难，因相邻RDI区间冠层颜色、纹理与连续性差异微小。结论部分译为：这些结果表明，多源无人机（UAV）遥感可通过结构化表征对齐、病理特征耦合和局部证据聚合，支持基于田间调查所得相对病情指数（RDI）的抗性等级推断。
