植物病害的诊断是一个费时费力的过程，往往需要专业人员调查田间环境下的病害症状或在实验室环境下进行病原体鉴定。一旦发现了病害，留给田间管理者的可选方案将十分有限，在病害大规模爆发或是管控成本过高等情况下，这个问题尤为突出。 在病害诊断方法方面，那些不需要过多培训的方法的使用成本相对较低，且最可能以快速、高通量的方式投入使用，如果能够在植物病害症状出现之前诊断出感病植物，这些方法将会很有实用价值：发现和诊断早期感病植株后，可以进行有针对性的病害管理，即仅对感病植株而不是整片区域进行处理。由于需要处理的区域较小，治疗病害需要的时间和费用也相应减少；而在病害广泛传播前就进行处理，还能够防止由病害带来的减产。目前，常用的病害快速检测方法往往需要主动采样，且不太适用于田间条件下的高通量病害诊断。 近红外(NIR)光谱法是一种快速而高通量的病株识别方法，为被动检测植物病害提供了可能。近红外光谱是一种振动光谱，能够反映波长在750~2500nm内的光线与样品间的相互作用。当植物感病时，其新陈代谢会发生显著变化，因此可通过近红外光谱法对植物的物理和化学性质进行监测。但由于光谱带（波长）的差异不够明显，在用于快速分类时，需要将近红外光谱法与某些形式的预测模型相结合。 近日，Plant Phenomics在线发表了俄亥俄州立大学Anna O. Conrad等人题为《Machine Learning-Based Presymptomatic Detection of Rice Sheath Blight Using Spectral Profiles》的研究论文。 在该文章中，作者着重研究了水稻纹枯病，该病的早期症状包括沿叶鞘形成椭圆形或长方形的病灶，在合适条件下会迅速向上扩大，在上部叶片形成病斑，并引发作物倒伏及减产。目前的水稻品种没有对水稻纹枯病的完全抗性，因此对该病的防治尤为重要。 该文的研究目的是结合机器学习和近红外光谱技术，实现对水稻纹枯病的早期发现：研究者收集了纹枯病易感水稻品种爪哇稻Lemont的叶片在接种立枯丝核菌后(Figure 1)、出现症状前的近红外光谱信息(Figure 2)；之后，使用支持向量机(SVM)和随机森林这两种机器学习算法，建立基于有监督分类的疾病预测模型并评估准确性。 在模拟接种植株和接种植株间进行比较时，基于支持向量机(SVM)的模型更准确，准确度为86.1%；而将对照组加入比较，进行总体测试时，SVM模型的准确度为73.3%。以上结果表明，尽管仍需在田间试验中进行进一步测试和验证，机器学习模型依然有望发展成为在病害早期根据光谱信息诊断无症状病株的有效工具。
Figure 1: ShB symptomatic rice plants.
Figure 2: Rice NIR spectra.
来源：
Conrad A O., Li W, Lee D, et al. Machine Learning-Based Presymptomatic Detection of Rice Sheath Blight Using Spectral Profiles. Plant Phenomics. https://doi.org/10.34133/2020/8954085.
