稻瘟病是威胁全球水稻生产的最具破坏性的真菌(Magnaporthe oryzae)病害。据统计，每年由稻瘟病造成了水稻产量损失足以供养6000万人。根据受侵染器官的不同，稻瘟病可主要分为两种类型，即叶片受侵染的稻叶瘟(Rice leaf blast, RLB)(图 1)和稻穗受侵染的稻穗瘟(Rice panicle blast, RPB)。其中，稻叶瘟主要发生在分蘖拔节期，而稻穗瘟则主要出现在抽穗后。诱发穗部感染的病原菌通常是由叶片病斑形成的孢子向上扩散而产生。真菌的这种由下而上的感染模式，使得稻叶瘟的早期监测显得尤为重要。此外，稻叶瘟的发生会对叶片组织造成不可逆转的伤害，严重影响叶片光合作用。因此，稻叶瘟的早期监测对抑制该真菌的扩散和增殖至关重要。现有研究关于稻叶瘟光谱监测的报道还不多见，特别是针对无症状或早期感染阶段的光谱探测研究，在国内外还几乎是空白。

图1. 本研究定义的不同侵染严重程度下水稻叶片的真实彩色图像，其中，A：无症状期，B：初始期，C：温和感染期，D：严重感染期。

针对稻叶瘟早期探测的迫切需求，该研究旨在构建基于光谱技术的稻叶瘟早期监测模型，实现稻叶瘟早期感病与正常叶片的准确分类。为此，研究组进行了连续两年温室接种试验，在不同接种后天数(Day after inoculation, DAI)采集了处于不同侵染阶段的叶片高光谱数据(350-2500 nm)(图 2)。这些高光谱数据被用来提取病害特异性光谱特征(DSSFs)(图 3，以2019年敏感小波特征提取为例)。然后将这些敏感光谱特征输入到耦合机器学习的特征选择算法(ML-SFFS)，实现在病害不同侵染期基于机器学习算法的准确分类。利用该方法在对正常和感病叶片准确分类的同时，还能输出对应的最优特征组合(Optimal feature combination, OFC)。

图2. 健康叶片与不同接种后天数(DAI)感病叶片的反射率光谱

图3. 在2019年不同接种后天数(DAI)提取的尺度3-8的敏感小波特征分布图。灰度图亮度代表分类精度的高低(亮度越高，分类精度越高)。a-k中的彩色斑块代表了尺度图分类精度前5%的小波特征，g为不同DAI的敏感小波特征的交集。

研究结果表明，水稻叶片在受真菌侵染后表现出显著的生化含量(图 4)和光谱变化(图2)。并且在水稻与病原菌互作的过程中，这种变化随着侵染程度的加深而逐渐明显。此外，我们基于光谱可分性进一步提取了由2个反射率波段、14个光谱指数和5个小波系数组成的病害特异性光谱(DSSFs)集合(图3)。其中，大部分敏感光谱特征均位于对色素含量敏感的可见光区间(400-760 nm)，这与稻叶瘟造成的生化参数变化高度一致。另外，本研究还首次发现了位于近红外区间(760-1000 nm)的多个敏感小波特征，这些特征在一定程度上反映了病菌在叶片内部增殖对叶片结构所造成的破坏(图5)。

图4. 年际间(左列：2018年，右列：2019年)不同接种后天数(DAI)感病叶片与健康叶片生化参数((A、B：叶绿素含量;C、D：类胡萝卜素含量;E、F：花青素含量;G、H：含水量)的比较。红色星号表示对应组叶片生化参数在0.05水平下的差异显著性。

图 5. 稻瘟病菌丝分别在感染早期(A)和温和感染期(B)与水稻细胞相互作用的显微图。

本研究创新性地将三类不同类型敏感光谱特征作为ML-SFFS算法的输入变量，来实现不同侵染期稻叶瘟的早期分类。结果显示：仅通过筛选的2-4个光谱特征组合，就足以在病害侵染无症状期(2018年DAI 5与DAI 7)和初始期(2018年DAI 12,17,21和2019年DAI 8,11,16)，分别达到超过65%和80%的分类精度。在温和感染期(2019年DAI 20,28,35)达到95%以上的分类精度(图6)。与仅使用机器学习分类相比，本研究提出的ML-SFFS方法在病害侵染无症状期和初始期的分类精度得到显著提升(图6)。

图6. 2018年(A)和2019年(B)基于SVM-SFFS算法与仅使用SVM进行分类的精度比较

该研究首次阐明了叶片反射率光谱对稻叶瘟侵染的响应规律及其生理依据;明确了稻叶瘟敏感光谱区间，并进一步筛选出多类稻叶瘟特异性光谱特征，特别是利用小波分析首次发现了多个近红外光谱区间对稻叶瘟的敏感性;发展了一套基于机器学习的特征选择算法(ML-SFFS)，实现了基于反射光谱的稻叶瘟早期探测。研究结果表明，反射率光谱在叶片尺度的高通量作物病害监测，以及冠层尺度稻叶瘟早期识别上具有极大的应用潜力。

作者介绍：

南京农业大学国家信息农业工程技术中心程涛教授为该论文通讯作者，博士研究生田龙为论文第一作者。该研究得到了国家重点研发计划项目“地面与航空高工效施药技术及智能化装备”、国家自然科学基金、江苏省现代作物生产协同创新中心、“111项目”和江苏高校学科建设项目的资助。该团队近五年在Remote Sensing of Environment等发表多篇作物生长光谱监测机理与方法方面的论文，本研究也是继2018-2020年发表作物叶绿素光谱监测研究之后的又一重要进展。

来源：

Tian, L., Xue, B., Wang, Z., Li, D., Yao, X., Cao, Q., Zhu, Y., Cao, W & Cheng, T* (2021). Spectroscopic detection of rice leaf blast infection from asymptomatic to mild stages with integrated machine learning and feature selection. Remote Sensing of Environment, 257, 112350.