结合叶片电阻抗谱与防御激素动态用于稻瘟病症状前检测

《Computers and Electronics in Agriculture》：Coupling leaf electrical impedance spectroscopy with defense-hormone dynamics for pre-symptomatic rice blast detection

　　

• •
  叶片阻抗变化先于稻瘟病感染的可见症状出现。
• •
  防御激素动态伴随叶片阻抗的早期变化。
• •
  低频阻抗能够灵敏地捕捉感染相关的生理变化。
• •
  激素与阻抗的耦合特征可区分稻瘟病的发展进程。
• •
  激素与阻抗的耦合支持稻瘟病的无症状前期诊断。

引言

在作物症状出现前进行准确诊断对于确定更早、可能更有效的病害管理窗口至关重要，从而有助于限制病害发展并减少随后对作物生理功能、产量和质量的影响（Ang等人，2024）。传统病害诊断方法主要依赖宏观症状，通常在可观察到的表型变化已经发展之后才能检测到感染。此时，病原菌定殖和宿主组织响应可能已经进展，从而可能减少及时干预的机会（Li等人，2016；Yan和Talbot，2016；Sesma和Osbourn，2004）。越来越多的证据表明，在植物-病原体相互作用的早期阶段，防御激素信号网络（特别是涉及水杨酸（SA）和茉莉酸（JA）的网络）伴随着质膜离子转运调节、膜电位变化以及其他电生理响应（Gao等人，2021；Dodds等人，2024；He等人，2025a；He等人，2025b）。因此，在可见症状发展之前检测这些生理和电生理变化，可能为作物病害管理提供更早的诊断窗口。

传统病害诊断技术（RT-LAMP、PCR）依赖对病原核酸或代谢物的特异性识别来实现诊断（Jeon等人，2023；Kokane等人，2021）。化学分析方法（如气相色谱-质谱联用）可以准确鉴定挥发性有机化合物（VOCs）（Lisec等人，2006；Bao等人，2025）。但这些方法通常存在诊断成本高和对诊断环境要求高的问题（Gan等人，2023；Halder等人，2022；Schulz等人，2024），难以满足现代精准农业对高效快速现场诊断的需求。基于深度学习的图像处理技术极大地推动了现场病害诊断的发展（Yao等人，2023；Ding等人，2024；Macdonald, William, Yuksel Asli Sari, and Majid Pahlevani."Grow-light smart monitoring system leveraging lightweight deep learning for plant disease classification."Artificial Intelligence in Agriculture 12, 2024；Kouadio等人，2023）。大津阈值分割与HED边缘检测的结合使单个叶片能够从复杂的田间背景中提取出来，而基于DenseNet的分类可以实现稻瘟病、细菌性白叶枯病等多种病害的高精度识别（>90%）（Hu等人，2025）。多光谱和高光谱成像技术通过捕获叶绿素荧光衰减轻微变化等早期病害特征来提高分类鲁棒性，并结合机器学习算法（Zhu等人，2024），在一定程度上推进了检测窗口期。然而，光学传感在田间条件下的诊断性能会受到光照变化、叶片朝向、冠层结构和遮挡等因素的影响。此外，不同的生物胁迫和非生物胁迫可能引起部分重叠的光谱和表型响应，这可能增加在复杂条件下进行胁迫特异性识别的难度（Stumpe等人，2025）。因此，生理传感对内部生化和电生理响应的检测可能为病害诊断提供互补信息，而非取代光学方法。

然而，这类光学技术仍面临许多挑战，例如容易受到光照条件变化、叶片姿态和遮挡等环境因素的影响，难以区分由生物胁迫和非生物胁迫（如干旱）引起的相似生理表型。其实质仍是对表型的分析（Stumpe等人，2025），对深层激素调节和电生理动态变化的分析能力有限。

可穿戴传感器技术的突破为植物生理状态的原位无损监测开辟了新范式（Chamika等人，2025；Giraldo等人，2019；Zhang等人，2022；Shamim等人，2025）。集成挥发性有机化合物、温度、湿度和阻抗检测模块的多模态传感器（如叶片附着传感器）可实时追踪植物微环境和生理信号的变化（Lee等人，2023）。液态金属电子纹身通过阻抗分析量化了叶片水分损失（灵敏度为25.4 kΩ/%）（Qu等人，2023）。然而，此类技术所捕获的植物电生理信号与真菌感染等胁迫下具体的植物防御生理变化之间的准确对应关系仍不清楚（Simmi等人，2023）。这导致感知层信号与生理层机制之间的脱节，即信号特征无法被准确解释为特定防御通路的激活或抑制，从而限制了其在病害早期诊断和预警中的应用。

本研究开发了一种将叶片电阻抗谱与防御激素动态耦合（LEIS-DH）的方法，用于稻瘟病的无症状前期检测。本研究的主要贡献有三方面。首先，建立了一个柔性叶片阻抗传感平台，用于表征稻瘟病进展过程中频率相关的电响应，并鉴定出一种病害敏感的特征频率供后续分析使用。其次，分析了从相应感染阶段的平行植物样本中量化的四种防御相关激素（SA、JA、ABA和IAA）的动态变化，并将其与叶片阻抗变化关联分析，以研究所观察到的电响应的生理相关性。第三，利用PCA-LSSVM整合激素和阻抗相关特征，构建并验证了一个用于区分稻瘟病不同进展阶段的分类模型。这些分析建立了防御激素动态与叶片电响应之间的关联，并评估了它们联合特征用于稻瘟病无症状前期检测的潜力。

章节摘要

检测平台的构建

本研究构建了一套用于原位监测水稻秧苗叶面阻抗的检测平台，如图1A所示。该平台由自制柔性电极、电极支架、高精度阻抗分析仪（MFIA，5 MHz，Zurich Instruments）和数据记录计算机组成。本研究使用的柔性电极通过在聚对苯二甲酸乙二醇酯（PET）柔性基底上采用多层金属沉积工艺制备而成。如图1A所示，

检测平台的工作范围

为了有效记录叶片的阻抗谱，水稻秧苗病害胁迫叶片表面阻抗检测平台需要电极保持良好的粘附和导电性。本研究从不同角度全面分析了电极的电学特性。当环境温度从22°C变化到30°C时，记录到较小的相对阻抗变化（< 1.8%），表明其具有良好的环境稳定性

稻瘟病中激素与阻抗耦合的生理学解释

本研究的一个主要发现是，在稻瘟病感染早期，水稻叶片的电阻抗响应与防御激素动态表现出一致的时间变化规律。与在感染后期出现的可见症状不同，在明显病斑形成之前即检测到阻抗特征显著变化，表明电信号能够反映病原菌侵入引起的早期生理扰动。

所观察到的阻抗变化

结论

本研究开发了一种将叶片电阻抗谱与防御激素动态耦合（LEIS-DH）的诊断框架，用于稻瘟病的无症状前期检测。结果表明，稻瘟病进展过程中伴随叶片电学性质与SA、JA、ABA和IAA动态的协同变化。频率依赖性分析确定1 kHz为病害敏感的特征频率，在该频率下阻抗响应提供了有效

生成式AI及AI辅助技术在手稿撰写过程中的声明

在本文撰写过程中，作者使用ChatGPT以改善语言表达。使用该工具后，作者对内容进行了审阅和编辑，并对手稿已发表内容的准确性承担全部责任。

作者贡献

杨宁和杜晓设计并实施了实验。杜晓和王彦飞分析了实验结果，讨论了研究结论并撰写了初稿。韩冉冉、肖璐和李同歌参与了实验结果的讨论。刘海东、张兆远和于尼提出了研究方向。夏杰、张帅帅和潘宇翔对稿件进行了修改。赵先德和平建峰监督了项目，分析了实验结果并讨论了

CRediT作者贡献声明

杨宁：调查研究、经费获取、概念构思。杜晓：撰写——初稿、软件、项目管理、调查研究、数据整理。王彦飞：验证、软件、资源、形式分析。夏杰：验证、监督、数据整理。张帅帅：软件、资源、项目管理。韩冉冉：软件、资源、经费获取。肖璐：验证、监督、形式分析。李同歌：撰写——审阅与编辑，

利益冲突声明

作者声明不存在任何已知的可能影响本文所报道工作的竞争性经济利益或个人关系。

致谢

本工作得到江苏省科学技术厅（BE2023017-2）、国家自然科学基金委员会（32572198）和国家重点研发计划青年科学家项目（2022YFD2000200）资助。

杨宁|杜晓|王彦飞|夏杰|张帅帅|韩冉冉|肖璐|李同歌|刘海东|张兆远|于尼|潘宇翔|赵先德|平建峰