基于高光谱成像与机器学习的大麦网斑病、斑点病与秆锈病早期区分研究

《Journal of Fungi》:Early Differentiation of Barley Diseases (Net Blotch, Spot Blotch, and Stem Rust) Using Hyperspectral Imaging and Machine Learning

【字体: 大 中 小 】 时间:2026年10月22日 来源:Journal of Fungi 4.3

编辑推荐:

  真菌病害的早期精准检测对大麦(barley)可持续生产至关重要,然而在感染早期阶段进行多类别区分仍是一项重大挑战。本研究评估了高光谱成像(hyperspectral imaging,450–874 nm)结合机器学习能否在早期阶段区分三种大麦病原菌——禾柄锈菌

  
真菌病害的早期精准检测对大麦(barley)可持续生产至关重要,然而在感染早期阶段进行多类别区分仍是一项重大挑战。本研究评估了高光谱成像(hyperspectral imaging,450–874 nm)结合机器学习能否在早期阶段区分三种大麦病原菌——禾柄锈菌小麦专化型(Puccinia graminis f. sp. tritici,秆锈病)、大麦网斑病菌(Pyrenophora teres,网斑病)和麦类斑点病菌(Bipolaris sorokiniana,斑点病)。研究人员采用系统性消融(ablation)方法,比较了三种分类器(逻辑回归(Logistic Regression)、偏最小二乘判别分析(PLS-DA)和k近邻(kNN))以及多种光谱特征表示,跨越八个试验划分以评估交叉试验泛化能力。最佳配置为基于样条(spline)特征的PLS-DA,在八个测试试验中取得了0.803的平均平衡准确率(balanced accuracy),标准差为0.076。分类性能在观测期内稳步提升,自第三个成像日起达到0.900以上的平台期。秆锈病的分类难度始终高于两种斑类病害;其原因尚不明确,但较长的潜伏期是一个合理的解释因素。结果表明,在严格的交叉试验验证下,这三种大麦病害的早期多类别光谱区分是可行的。
研究背景与开展动因:大麦(Hordeum vulgare L.)是全球最早驯化且适应性最广的谷类作物之一,产量仅次于小麦、玉米和水稻,年产量约1.5亿吨,但约70%的现代产量用于动物饲料。网斑病(net blotch,由Pyrenophora teres引起)、斑点病(spot blotch,由Bipolaris sorokiniana引起)和秆锈病(stem rust,由Puccinia graminis f. sp. tritici引起)是危害大麦生产的三种重要真菌病害,可造成严重产量损失甚至绝收,其中秆锈病新毒力小种(如Ug99)可突破品种抗性。高光谱遥感(hyperspectral remote sensing,利用数十至数百个连续窄波段获取地物光谱信息的技术)为病害早期无损检测提供了新途径,但以往研究多集中于单一病害的二元(健康vs.患病)检测,关于机器学习能否在早期阶段区分不同病害的研究极少。三种病原菌侵染策略迥异:秆锈菌为严格活体营养型(obligate biotroph,依赖活体寄主完成生活史),斑点病菌为半活体营养型(hemibiotroph,先活体侵染后转为死体营养),网斑病菌为半活体/死体营养型,其生物营养期极短或缺失;然而它们诱导的早期症状在视觉上高度相似,肉眼难以区分。这种"生物学差异存在但肉眼不可见"的矛盾,为光谱区分提供了理论依据。本研究旨在探究高光谱成像(450–874 nm)结合机器学习能否在受控条件下实现三种大麦病原菌的早期多类别区分,并量化交叉试验验证下的多分类准确率,筛选最具信息量的光谱特征表示与分类器。

关键技术方法(不超过250字):研究使用易感品种大麦'Lyuboyar'幼苗,三种病原菌分离物均取自全俄植物保护研究所(VIZR,圣彼得堡)。共开展6个独立成像试验(每种病害2个重复),采用Ultris 20快照式高光谱相机(Cubert GmbH)采集450–874 nm、106通道图像。预处理依次为曲线校正、通道校正和Savitzky–Golay平滑。提取四种光谱特征表示:平滑光谱、一阶差分、B样条特征和9种植被指数(NDVI、GNDVI、NDRE、PRI、SIPI、PSRI、ARI、CRI、MCARI)。比较三种分类器:逻辑回归、PLS-DA和kNN。采用实验级别留一法划分训练/测试集,枚举全部8种试验组合,超参数通过按成像日的五折交叉验证优化。

研究结果:

3.1 样本分布:每个试验含5个成像日、6个独立容器,每容器-日组合平均为一个光谱样本,每类30个样本。通过结构分析确认8个测试划分中各类别样本数严格均衡,准确率差异反映的是病害识别难度而非样本量偏差。

3.2 预处理后的光谱曲线:对原始光谱及各预处理阶段均值曲线进行可视化比较发现,原始光谱中试验间差异远大于类别间差异;经曲线校正和通道校正后,类别间差异在红边区域(约700–750 nm)和绿峰(约550 nm)变得可见,但高频变异和试验间漂移亦被放大。这一观察解释了为何kNN等距离敏感分类器表现不佳,也证实随机划分会导致过乐观结果,必须采用实验级划分。

3.3 模型选择效应:通过比较三种分类器在四种特征表示下的表现,发现PLS-DA平均准确率最高(0.725),逻辑回归次之(0.667),kNN最差(0.512)。光谱指数在所有分类器下均表现最差,说明曲线形状信息比波段组合更具判别价值;线性模型内置的正则化和潜在变量结构更适合高维相关光谱数据。

3.4 最佳模型:完整的八划分消融实验显示,PLS-DA结合样条(spline,用分段多项式逼近光谱曲线并提取形状系数)特征为最优配置,平均平衡准确率(balanced accuracy,各类别召回率的均值)为0.803,标准差0.076,范围0.678–0.944。各试验划分间差异显著,但最低值仍远高于随机水平(0.333),确认模型捕获了真实生物学信号而非试验伪迹。

3.5 按成像日的准确率分布:最优配置在第1个成像日平均准确率仅0.500,第2日升至0.743,第3日起达到0.924并保持稳定至第5日。分病害看,秆锈病第1日准确率接近零,随后快速上升至0.8以上;网斑病全程稳定且在第3日出现峰值;斑点病第2日出现下降(约0.5),第3–4日恢复至0.9以上。上述模式说明不同病害光谱特征的发展速率不同,总体均值掩盖了显著的日内和类间变异。

3.6 混淆矩阵:对最优配置跨八个测试划分的归一化混淆矩阵分析显示,类别召回率分别为斑点病0.850、网斑病0.904、秆锈病0.654。秆锈病是总体准确率下降的主要来源,其中24.6%的秆锈病样本被误判为斑点病,而斑点病仅有10.8%被误判为秆锈病,呈明显不对称性;网斑病识别最准确,仅1%误判为秆锈病、8%误判为斑点病。最弱的测试划分对应秆锈病与斑点病召回率同时下降的情形,表明存在跨试验的可迁移偏移而非单一类别错误。

讨论与结论:讨论部分指出,二元分类(F1>0.89)与多分类(0.803)的性能差距反映了任务本身的生物学难度——早期感染阶段三种病原菌诱导的寄主反应(光合作用局部抑制、轻度氧化应激、色素组成微变)高度相似。第1日接近随机水平的表现说明病原菌需要时间累积生物量并诱导可检测的光谱变化;而实验室条件下无症状窗口狭窄,第2日起准确率迅速上升是应用上的积极信号。研究强调,特征表示的选择对性能的影响大于分类器的选择,样条特征与一阶差分均优于原始平滑光谱,而光谱指数因丢失曲线形状信息而严重失效,这提示光谱曲线形状而非绝对反射率是多病害早期区分的核心信息载体。在验证方法上,研究证明了组水平数据泄漏会导致性能指标系统性膨胀,以完整实验为单位的交叉验证是评估泛化能力的必要标准。研究局限性包括:受控实验室条件无法完全复现田间变光照、生育期波动和混合侵染的复杂性;仅使用单一品种;每种病害仅2个独立试验;模型为闭集设定,无法拒绝未知类别。研究结论为:在受控条件下,高光谱成像结合机器学习能够在感染早期阶段区分三种大麦病原菌,即使视觉症状不典型或完全缺失时也能实现;光谱特征表示的选择比分类器选择更为关键,样条特征结合PLS-DA最为稳健;秆锈病的区分难度始终高于两种斑类病害,其原因尚不明确,较长的潜伏期是合理但未经证实的因素;三种病原菌的光谱特征差异足以被机器学习捕获,但其具体的生化或生理基础仍属未知。当前准确率尚不足以直接进行田间部署,田间验证、多品种校准和变环境条件测试仍是实际应用前的必要条件。该研究为谷类作物病原菌的早期多类别区分建立了首个量化基准,并提供了可供后续研究采用的方法学框架。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号