植物病害的診斷是一個(gè)費(fèi)時(shí)費(fèi)力的過程，往往需要專業(yè)人員調(diào)查田間環(huán)境下的病害癥狀或在實(shí)驗(yàn)室環(huán)境下進(jìn)行病原體鑒定。一旦發(fā)現(xiàn)了病害，留給田間管理者的可選方案將十分有限，在病害大規(guī)模爆發(fā)或是管控成本過高等情況下，這個(gè)問題尤為突出。

在病害診斷方法方面，那些不需要過多培訓(xùn)的方法的使用成本相對(duì)較低，且最可能以快速、高通量的方式投入使用，如果能夠在植物病害癥狀出現(xiàn)之前診斷出感病植物，這些方法將會(huì)很有實(shí)用價(jià)值：發(fā)現(xiàn)和診斷早期感病植株后，可以進(jìn)行有針對(duì)性的病害管理，即僅對(duì)感病植株而不是整片區(qū)域進(jìn)行處理。由于需要處理的區(qū)域較小，治療病害需要的時(shí)間和費(fèi)用也相應(yīng)減少；而在病害廣泛傳播前就進(jìn)行處理，還能夠防止由病害帶來的減產(chǎn)。目前，常用的病害快速檢測(cè)方法往往需要主動(dòng)采樣，且不太適用于田間條件下的高通量病害診斷。

近紅外(NIR)光譜法是一種快速而高通量的病株識(shí)別方法，為被動(dòng)檢測(cè)植物病害提供了可能。近紅外光譜是一種振動(dòng)光譜，能夠反映波長(zhǎng)在750~2500nm內(nèi)的光線與樣品間的相互作用。當(dāng)植物感病時(shí)，其新陳代謝會(huì)發(fā)生顯著變化，因此可通過近紅外光譜法對(duì)植物的物理和化學(xué)性質(zhì)進(jìn)行監(jiān)測(cè)。但由于光譜帶（波長(zhǎng)）的差異不夠明顯，在用于快速分類時(shí)，需要將近紅外光譜法與某些形式的預(yù)測(cè)模型相結(jié)合。

近日，Plant Phenomics在線發(fā)表了俄亥俄州立大學(xué)Anna O. Conrad等人題為Machine Learning-Based Presymptomatic Detection of Rice Sheath Blight Using Spectral Profiles的研究論文。

在該文章中，作者著重研究了水稻紋枯病，該病的早期癥狀包括沿葉鞘形成橢圓形或長(zhǎng)方形的病灶，在合適條件下會(huì)迅速向上擴(kuò)大，在上部葉片形成病斑，并引發(fā)作物倒伏及減產(chǎn)。目前的水稻品種沒有對(duì)水稻紋枯病的完全抗性，因此對(duì)該病的防治尤為重要。

該文的研究目的是結(jié)合機(jī)器學(xué)習(xí)和近紅外光譜技術(shù)，實(shí)現(xiàn)對(duì)水稻紋枯病的早期發(fā)現(xiàn)：研究者收集了紋枯病易感水稻品種爪哇稻Lemont的葉片在接種立枯絲核菌后(Figure 1)、出現(xiàn)癥狀前的近紅外光譜信息(Figure 2)；之后，使用支持向量機(jī)(SVM)和隨機(jī)森林這兩種機(jī)器學(xué)習(xí)算法，建立基于有監(jiān)督分類的疾病預(yù)測(cè)模型并評(píng)估準(zhǔn)確性。

在模擬接種植株和接種植株間進(jìn)行比較時(shí)，基于支持向量機(jī)(SVM)的模型更準(zhǔn)確，準(zhǔn)確度為86.1%；而將對(duì)照組加入比較，進(jìn)行總體測(cè)試時(shí)，SVM模型的準(zhǔn)確度為73.3%。以上結(jié)果表明，盡管仍需在田間試驗(yàn)中進(jìn)行進(jìn)一步測(cè)試和驗(yàn)證，機(jī)器學(xué)習(xí)模型依然有望發(fā)展成為在病害早期根據(jù)光譜信息診斷無癥狀病株的有效工具。

Figure 1: ShB symptomatic rice plants.

Figure 2: Rice NIR spectra.
 

論文鏈接
https://spj.sciencemag.org/journals/plantphenomics/2020/8954085/

——推薦閱讀——
“Macrobot”: An Automated Segmentation-Based System for Powdery Mildew Disease Quantification
https://spj.sciencemag.org/journals/plantphenomics/2020/5839856/
Plant Phenomics | "Macrobot": 一種基于自動(dòng)分割的白粉病定量分析系統(tǒng)coring Cercospora Leaf Spot on Sugar Beet: Comparison of UGV and UAV Phenotyping Systems
https://spj.sciencemag.org/journals/plantphenomics/2020/9452123/
Plant Phenomics | 對(duì)比無人車(UGV)和無人機(jī)(UAV)表型系統(tǒng)評(píng)估甜菜褐斑病的病害等級(jí)

About Plant Phenomics
《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國(guó)科學(xué)促進(jìn)會(huì)（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行，是Science合作出版的第二本期刊。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被CABI、CNKI、DOAJ和PMC數(shù)據(jù)庫(kù)收錄。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
撰稿：王棟（實(shí)習(xí)）
編輯：周燦彧（實(shí)習(xí)）、鞠笑、孔敏
審核：尹歡