近日，农学院智慧农业创新团队联合美国加利福尼亚大学戴维斯分校（University of California, Davis）和澳大利亚墨尔本大学（The University of Melbourne）团队在国际顶级遥感期刊Remote Sensing of Environment发表了题为“Visualizing the pre-visual: Rice blast infection signals revealed”的Short Communication论文，报道了团队在无症状期稻瘟病信号探测及潜在病斑遥感监测方面的重要进展。
稻瘟病（由稻瘟病菌Magnaporthe oryzae引起）是威胁全球水稻生产的最具破坏性的真菌病害。稻瘟病暴发每年可致使全球10%-30%水稻产量损失，对全球粮食安全造成巨大危害。目前主要依靠植保人员通过田间调查对稻叶瘟发病情况进行统计，不仅费时费力，而且在一定程度上会影响病情监测的及时性和准确性。虽然近年来国内外学者在基于成像光谱技术的叶片病斑识别及病情严重度估算方面取得了一些进展，但大部分研究侧重于病斑显现后的发病阶段，仍然存在无症状期病害信号探测难、早期监测精度低等问题，聚焦病害特异光谱响应并实现感病信号有效分离的研究明显缺乏。因此，运用先进遥感技术提取稻瘟病早期阶段的微弱光谱信号，并对潜在病斑进行可视化，对于解析病菌侵染引起的光谱响应规律，揭示病菌侵染信号的时空传播动态特征至关重要。
该研究针对无症状期稻瘟病光谱信号微弱、病斑扩散速度快等问题，提出了一套基于近端成像光谱平台的无症状期病害信号纯化及可视化方法MESPOT（图1）。该方法将稻瘟病菌侵染程度的加深视为叶片感病组织光谱信号丰度逐渐升高的过程，基于时序近端成像光谱数据和多端元光谱解混方法，成功捕捉到无症状期的微弱病害光谱信号，进一步借助于空间热点分析方法，率先实现了潜在病斑的可视化及无症状期感病叶片的高精度分类。研究结果表明，运用MESPOT可在病斑显症前3天准确识别出叶片表面潜在病斑（图2），基于其他稻瘟病敏感参数提取的潜在病斑与可见病斑对齐度较低；MESPOT显著提升了无症状期感病叶片分类精度（93%），远优于基于RGB图像的人工识别精度（78%，图3）。在不考虑病害侵染所致叶内理化参数复杂变异的情况下，通过对感病信号的光谱纯化与空间聚合，首次实现了稻瘟病无症状期潜在病斑的可视化。本研究创新性提出的潜在病斑可视化方法，与前人基于RGB或多光谱影像的病斑识别方法存在本质区别，是病斑溯源与早期识别方面的技术突破，对于作物病害早期监测预警、抗病表型高通量解析与抗病品种选育具有重要价值。
图1．稻瘟病无症状期监测方法MESPOT的技术流程图，包括成像光谱数据获取及预处理（A），识别模型构建（B）及模型精度评价（C）
图2．不同接种后天数（DAI）下，基于MESPOT及其他稻瘟病敏感参数（aRIBIred, HI）提取的病斑空间分布图。
图3．基于RGB图像人工识别与MESPOT方法在量化无症状期稻瘟病症状中的比较。
该研究由南京农业大学国家信息农业工程技术中心联合加利福尼亚大学戴维斯分校、墨尔本大学团队完成，农学院2023届博士毕业生、加利福尼亚大学戴维斯分校博士后田龙为论文第一作者，我校程涛教授、朱艳教授为共同通讯作者。国际合作者包括加利福尼亚大学戴维斯分校著名植被遥感专家Susan L. Ustin、Yufang Jin，墨尔本大学定量遥感实验室主任Pablo J.Zarco Tejada教授。智慧农业创新团队在国家自然科学基金等项目、现代作物生产省部共建协同创新中心等平台的资助下，瞄准作物病虫害高时效高精度监测预警难题，持续开展了多年温室与田间试验，近五年连续在Remote Sensing of Environment上发表多项稻叶瘟光谱监测机理与方法方面的创新成果，对于作物病虫害天空地一体化监测预警与作物绿色智慧生产具有重要价值。
论文链接：
https://doi.org/10.1016/j.rse.2025.114905
2023年多尺度稻瘟病遥感监测论文链接：
https://doi.org/10.1016/j.rse.2022.113384
2021年叶片尺度稻叶瘟非成像光谱早期监测论文链接：
阅读次数：20
【 转载本网文章请注明出处 】
