光谱法有助于解决作物育种中的田间表型瓶颈问题。在抗病表型分析中，可以分析光谱特征，得出感染严重程度分数，并筛选育种系。

　　试验小区内地块(hill plot)排列方式如图1，将小区内的一行地块开花时接种赤霉病的分离物B，赤霉病光谱数据由带基础探头的ASD Fieldspec 4高分辨率光谱辐射计在乳熟期和蜡熟期收集。

　　图1 小区内地块排列方式;相对的两排地块的小麦图(一排为带捆扎和套袋的感染穗)

　　疾病严重程度评分由专家同时进行，评分分为9级。赤霉病感染在测量的光谱中很容易分辨出来，如图2所描述的中位数聚集。

　　图2来自两次测量活动的光谱特征的视觉症状评分，以及预处理策略(减法、除法、标准正态SNV)的影响。评分越低表示感染严重程度越高。

　　训练有序支持向量机模型，建立地块与疾病严重程度关系。对预测模型的性能进行了评估，包括数据采集时间、光谱预处理和允许的评级误差容限，如图3。虽然对大部分测试数据分区在两点容错范围内预测了100%正确的评级，但在所有零容错场景中预测都很差。然而，在允许单点视觉评级误差的情况下，不管光谱数据时序如何，乳熟期预测都具有较高的性能，但这并不适用于蜡熟期，因为后者的准确率很少超过75%。单个光谱预处理方案的效果不如时序方案明显。模式是不一致的，没有明显的优势或失败的策略可以确定。单个地块的混淆矩阵如图4。然而，蜡熟期的预测质量下降，可能是由于穗部干燥。

　　图3 支持向量机模型精度在数据集上的分布根据光谱和地面真相数据收集的时间、光谱预处理、光谱聚合和允许的预测误差进行划分。

　　图4 根据光谱和地面真实的采集时间和光谱预处理方案聚合混淆矩阵。

　　如果接受评级误差为2，支持向量机模型的正确评级的概率实际上不受光谱获取时期的影响。相比之下，在中值聚集后应用减法或除法预处理以确定感染严重程度时，在乳熟期效果较好。当后期(蜡熟期)的光谱被早期(乳熟期)的光谱所取代，并且评级日期保持不变时，根据中值聚合光谱预处理和允许的预测误差，支持向量机模型乘法效应的中值和95%可信区间正确预测平均概率，如图5。当后期的光谱被早期的光谱所取代，并且评级日期保持不变时，根据均值聚合光谱预处理，支持向量机模型乘法效应的中位数和95%可信区间正确预测平均概率，如图6。

　　中值聚合谱预处理方案对支持向量机模型的乘数效应的中值和95%可信区间根据谱获取时间和评估时机和允许的预测误差正确预测均值概率，如图7，使用中值聚合，没有预处理方案优于原始光谱对支持向量机模型的训练。均值聚合谱预处理方案对支持向量机模型的乘数效应的中位数和95%可信区间根据谱获取时间和评估时机和允许的预测误差正确预测均值概率，如图8。在乳熟期，只有在使用均值函数聚合谱的情况下，标准正态预处理可以被推荐。

　　图5 当后期的光谱被早期的光谱所取代，并且评级日期保持不变时，根据中值聚合光谱预处理和允许的预测误差，支持向量机模型乘法效应的中值和95%可信区间正确预测平均概率

　　图6 当后期的光谱被早期的光谱所取代，并且评级日期保持不变时，根据均值聚合光谱预处理，支持向量机模型乘法效应的中位数和95%可信区间正确预测平均概率

　　图7 中值聚合谱预处理方案对支持向量机模型的乘数效应的中值和95%可信区间根据谱获取时间和评估时机和允许的预测误差正确预测均值概率

　　图8 均值聚合谱预处理方案对支持向量机模型的乘数效应的中位数和95%可信区间根据谱获取时间和评估时机和允许的预测误差正确预测均值概率。

　　除了表型分析外，还讨论了与大规模农业应用相关的结果。考虑到病原生物学，建议在开花前对杀真菌剂进行高感染风险检测。这项研究伴随着一个公开的数据集和用于获得结果的计算脚本。

　　地址：https://zenodo.org/record/4536881#.YVQck2N4ea0

　　来源：Wiktor R. Żelazny, Jana Chrpová, Pavel Hamouz. Fusarium head blight detection from spectral measurements in a field phenotyping setting — A pre-registered study. Biosystems Engineering, 211(2021):97-113.

　　编辑：王春颖