晚疫病仍是马铃薯生产中关键限制因素之一。目前实验室条件下利用高光谱成像技术对致病疫霉早期检测已经得到证实，但是很难获得田间晚疫病早期侵染扩散的准确光谱特征。本文围绕“实验室条件下采集的高光谱数据能否应用到田间检测马铃薯晚疫病”，检验实验室数据训练的模型在田间疫病早期检测中的适用性。

　　图1.建模及主要工作流程图

　　基于在病菌侵染过程中近红外区域的反射率降低这一前提，根据668 nm波段(红边拐点附近)反射率的不同，将马铃薯晚疫病侵染阶段分为5个阶段。

　　图2. 高光谱训练库中病菌侵染5个阶段的马铃薯叶片光谱曲线图

　　结果显示，实验室模型的总体模型准确率为94.1%。为了进一步评估室内模型分类性能，对用于高光谱数据库的高光谱图像每个像素进行分类，以发现异常现象。图3显示了室内模型对蓝色泡沫塑料托盘的高光谱图像的分类，表明分类结果可能受到泡沫塑料托盘反射率的干扰，从而将其归为阶段3-5。

　　图3. 对感染致病疫霉的离体马铃薯叶片的高光谱图像及RGB图像进行分类

　　为了评估在实验室条件下训练的检测模型在田间环境的检测性能，对在田间条件下采集的所有高光谱图像构建了分类图像。结果显示田间病害检测模型的分类准确率降低至80.8%。图5将分类图像与专业技术人员的传统病害评级进行了比较，其中R2=0.985，表明了该模型在田间病害检测中的有效性。

　　图4.田间Logistic回归检测模型(C=10)对高光谱图像分类结果

　　图5. 比较技术人员和田间病害检测模型测量的四个地块的平均病害严重程度

　　本文通过高光谱数据库建立了室内和田间模型的联系，跨越了从器官到群体的不同层次实现了表型采集与模型预测。针对田间模型准确率降为80.8%，提出最佳特征选择这一策略。并建议建立融合“实验室-温室-田间”数据的“混合”模型，以发挥实验室条件下收集的早期病害发展表型信息优势，及实现最小化田间数据噪音和干扰信息的目的。

　　来源：Appeltans, S., Pieters, J.G. & Mouazen, A.M. Potential of laboratory hyperspectral data for in-field detection of Phytophthora infestans on potato. Precision Agric (2021).

　　编辑：李红叶