《Smart Agricultural Technology》:A practical framework for rice bacterial blight severity classification using 3D multispectral sensing
编辑推荐:
评估作物病害严重度在田间条件下较为困难,因为病害症状呈渐进性发展,并在植株内部及植株之间具有空间变异性。因此,精准育种项目需要能够在田间条件下保持可扩展性的表型鉴定方法,以解析症状的变异。虽然成像光谱技术已推动了高通量胁迫检测的发展,但将这些工具转化至田间环境
评估作物病害严重度在田间条件下较为困难,因为病害症状呈渐进性发展,并在植株内部及植株之间具有空间变异性。因此,精准育种项目需要能够在田间条件下保持可扩展性的表型鉴定方法,以解析症状的变异。虽然成像光谱技术已推动了高通量胁迫检测的发展,但将这些工具转化至田间环境仍面临挑战,原因在于传感器成本高、大面积小区获取速度慢、光照和背景条件多变、数据处理流程复杂,以及模型在不同基因型和环境间的泛化能力有限。本文提出了一种多模式、高通量的表型鉴定框架,通过在半控制田间环境中整合多光谱成像与3D结构感知,对水稻细菌性叶枯病严重度进行分类。在10个对米黄单胞菌水稻致病变种(Xanthomonas oryzae pv. oryzae)具有不同感病性的水稻基因型中,研究人员利用光谱植被指数、基于颜色的度量和源自点云数据的结构性状捕获了病害驱动的变异。为了更好地捕获冠层内的异质性,研究人员采用有监督的空间分箱和无监督的k-means++聚类对源自点云数据的植被指数进行汇总,以生成代表不同冠层状态的特征。这些特征与3D结构性状相结合,用于病害严重度分类。在评估的模型中,基于分箱植被指数(单独使用或与光谱聚类特征组合使用)训练的随机森林模型在四类别病害严重度分类中表现最佳,准确率为0.762,而仅使用冠层平均植被指数训练的模型准确率为0.697。该方法提高了病害信号的可解释性,并降低了对小区内变异的敏感性。这些结果表明,利用低维RGB-NIR和3D点云衍生特征保留冠层内光谱异质性,可改善病害严重度的量化,并为高维高光谱方法提供了一种实用替代方案。
水稻细菌性叶枯病(bacterial leaf blight, BLB)是水稻生产中最常见且经济损失最严重的病害之一,由米黄单胞菌水稻致病变种(Xanthomonas oryzae pv. oryzae, Xoo)引起,在亚洲和非洲可造成30%至50%的产量损失。目前最有效的防治策略是利用抗性(R)基因进行遗传改良,但高效的表型鉴定仍是全球育种项目的瓶颈。传统视觉病害分级方法劳动密集、耗时,且易受观察者主观偏差和环境变异影响。尽管成像光谱技术、热成像、RGB和多光谱成像结合机器学习已在多种作物病害检测中展现潜力,但现有方法多依赖高光谱密集数据和复杂模型,传感器成本高、采集与处理负担大,且模型在不同基因型和环境间的泛化能力有限。此外,多数研究仅使用狭窄的遗传背景,限制了模型的田间可转移性。3D表型组学能够提供冠层结构和几何信息,有望在不增加光谱复杂度的前提下补充疾病引起的结构变化信息。为此,研究人员开展了一项概念验证研究,利用Phenospex LeasyScan平台(集成3D激光扫描与多光谱成像,获取红、绿、蓝和近红外四波段反射率),在10个水稻基因型与4个Xoo菌株构成的17个基因型-菌株组合中,对白叶枯病严重度进行分类。研究在两次田间试验中采集了3073个3D点云,病害严重度由两位独立病理学家根据IRRI的SES六级量表进行视觉评分,并进一步合并为四级分类。研究人员通过有监督分箱和无监督k-means++聚类保留冠层内光谱异质性,结合3D结构性状训练随机森林、支持向量机(SVM)和XGBoost分类模型。结果表明,基于分箱植被指数训练的随机森林模型在四级严重度分类中达到0.762的准确率,显著优于仅使用冠层平均植被指数的模型(0.697),且加入结构性状未显著提升性能。该研究证实,利用低维RGB-NIR和3D点云特征保留冠层内光谱异质性,能够有效量化病害严重度,为资源受限环境下的抗病育种提供了一种实用、可扩展的表型鉴定方案。
研究人员采用了以下关键技术方法:利用LeasyScan平台同时获取3D激光扫描和RGB-NIR多光谱数据,在每次扫描中为每个点云生成4波段反射率;从点云中计算多种植被指数(VI),包括NDVI、SRI、IPVI、GRVI、GLI、GI2、GNDVI、VARI、PSRI、RGRI等(来源为index database);采用模拟退火算法对每个VI的阈值进行有监督优化,将连续VI值划分为6个分箱,生成108个分箱比例特征;采用k-means++算法(k=12)对点级光谱特征进行无监督聚类,生成聚类比例特征;通过主成分分析(PCA)评估数据方差结构;训练随机森林、径向基函数(RBF)支持向量机和XGBoost分类模型,并使用SMOTE进行类别平衡、分组5折交叉验证和独立留出集评估;样本队列来自印度ICRISAT海得拉巴的田间试验,使用10个水稻基因型(包括5个近等基因IRBB系和4个南方常见栽培品种)和4个Xoo菌株(来自IIRR)。
结果部分:
**实验设计与病害严重度评分分布**:研究人员使用10个水稻基因型和4个Xoo菌株,设计了包含17个独特基因型-菌株组合的试验,覆盖从完全抗病到高度感病的多种互作类型。最终数据集包含3073个3D点云,其中严重度0级1591个、1级244个、3级334个、5级442个、7级340个、9级122个。携带已知R基因的IRBB系表现出基因型依赖的抗性差异,如IRBB1(含Xa1)对ADT和PXO86完全抗病,IRBB5(含xa5)仅表现部分抗性,IRBB21(含Xa21)对ADT表现强抗性。
**3D光谱数据的有监督分箱**:对点级VI进行高斯核密度估计和Kolmogorov-Smirnov检验,发现健康(0级)与高感(9级)之间差异最大,NDVI、SRI、IPVI等指数随严重度升高而降低,而PSRI和RGRI随严重度升高而增加。利用模拟退火优化6个分箱阈值,以分箱比例作为特征训练模型。在六级分类中,随机森林在独立测试集上达到0.69准确率、0.69加权F1和0.86二次加权卡帕;在四级分类中,随机森林达到0.76准确率、0.76加权F1和0.86二次加权卡帕,其中0级召回率0.93,5级最难区分。
**3D点数据的无监督聚类**:对点级RGB和NIR衍生VI进行k-means++聚类(k=12),生成聚类比例特征。聚类比例随严重度呈现规律性变化,如聚类3随严重度增加而增加,聚类8和11减少。仅使用聚类比例特征时,SVM和随机森林在四级分类中均达到0.72准确率。比较k=8、12和16个聚类后,确定12聚类为最佳分辨率。
**最重要预测因子的特征选择**:通过XGBoost增益排序识别重要变量,NGBI、HUE、PSRI、GRVI、VARI、NPCI等分箱特征居前,但使用前30个XGBoost特征并未优于全特征模型。将3D结构性状加入分类器后,性能未超过基于光谱异质性的最佳模型。相比之下,仅使用平均VI的模型在四级分类中最高准确率为0.697,而保留冠层内异质性的模型达到0.762;在六级分类中,平均VI模型最佳准确率0.580,而异质性模型达到0.710。这表明保留点云内光谱分布信息对病害严重度分类至关重要。
讨论部分总结:该研究证明,与仅使用冠层平均植被指数相比,保留点云内光谱变异能更有效地对水稻白叶枯病严重度进行分类。有监督分箱和无监督聚类分别从已知光谱范围和数据结构角度捕获了病害引起的冠层内异质性,而平均VI会掩盖与病害相关的生理差异。将6级严重度合并为4级显著提高了分类稳定性,表明邻近严重度类别构成生物学连续体,而非截然可分的状态。结构性状虽能反映生物量或冠层结构变化,但在白叶枯病中由于症状主要表现为光学变化而非结构变化,因此对分类贡献有限。模型误差集中于少数基因型(如IR10、IR21、IR5),提示不同遗传背景下病害症状的光谱表达存在重叠。研究人员也指出标签不确定性、点云摘要损失空间信息、以及品种发育阶段和菌株与严重度共变可能带来潜在混杂等局限性。未来需要在独立环境和更广泛基因型中验证框架,并通过公开数据和分析流程促进模型迭代与扩展。
结论:将非复杂多光谱成像与3D结构数据相结合,能够实现高分辨率、生物学相关且潜在成本有效的水稻白叶枯病严重度量化。这种多模态表型鉴定框架可适应于不同作物的叶部病害,是在可控及田间条件下实现高分辨率、可扩展病害筛查的重要一步,有望加速抗病育种并促进作物保护中的数据驱动决策。