植物病害的診斷是一個費時費力的過程，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驗室環(huán)境下進行病原體鑒定。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，這個問題尤為突出。

在病害診斷方法方面，那些不需要過多培訓的方法的使用成本相對較低，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，這些方法將會很有實用價值：發(fā)現(xiàn)和診斷早期感病植株后，可以進行有針對性的病害管理，即僅對感病植株而不是整片區(qū)域進行處理。由于需要處理的區(qū)域較小，治療病害需要的時間和費用也相應減少；而在病害廣泛傳播前就進行處理，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方法往往需要主動采樣，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別方法，為被動檢測植物病害提供了可能。近紅外光譜是一種振動光譜，能夠反映波長在750~2500nm內(nèi)的光線與樣品間的相互作用。當植物感病時，其新陳代謝會發(fā)生顯著變化，因此可通過近紅外光譜法對植物的物理和化學性質(zhì)進行監(jiān)測。但由于光譜帶（波長）的差異不夠明顯，在用于快速分類時，需要將近紅外光譜法與某些形式的預測模型相結(jié)合。

近日，Plant Phenomics在線發(fā)表了俄亥俄州立大學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方形的病灶，在合適條件下會迅速向上擴大，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水稻紋枯病的完全抗性，因此對該病的防治尤為重要。

該文的研究目的是結(jié)合機器學習和近紅外光譜技術(shù)，實現(xiàn)對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(SVM)和隨機森林這兩種機器學習算法，建立基于有監(jiān)督分類的疾病預測模型并評估準確性。

在模擬接種植株和接種植株間進行比較時，基于支持向量機(SVM)的模型更準確，準確度為86.1%；而將對照組加入比較，進行總體測試時，SVM模型的準確度為73.3%。以上結(jié)果表明，盡管仍需在田間試驗中進行進一步測試和驗證，機器學習模型依然有望發(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 | 對比無人車(UGV)和無人機(UAV)表型系統(tǒng)評估甜菜褐斑病的病害等級

About Plant Phenomics
《植物表型組學》（Plant Phenomics）是由南京農(nóng)業(yè)大學和美國科學促進會（AAAS）合作創(chuàng)辦的英文學術(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，刊載植物表型組學交叉學科熱點領(lǐng)域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學新應用，與植物表型相結(jié)合的分子生物學、植物生理學、統(tǒng)計學、作物模型和其他組學研究，表型組學相關(guān)的植物生物學等。期刊已被CABI、CNKI、DOAJ和PMC數(shù)據(jù)庫收錄。

說明：本文由《植物表型組學》編輯部負責組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準。
撰稿：王棟（實習）
編輯：周燦彧（實習）、鞠笑、孔敏
審核：尹歡