《Smart Agricultural Technology》：SMART SENSING OF
LEPTINOTARSA DECEMLINEATA INFESTATIONS USING A PORTABLE OPTICAL ARRAY
编辑推荐：
本研究针对马铃薯甲虫(Leptinotarsa decemlineata)早期检测难题，开发了一种基于12种化学传感器的便携式光学阵列系统。通过PLS-DA和ANN模型分析，该系统在受控条件下实现了完美分类(准确度=1.000)，为马铃薯作物病虫害综合治理(IPM)提供了新型早期检测工具。
在农业生产中，有一种被称为"马铃薯杀手"的昆虫——科罗拉多马铃薯甲虫(Leptinotarsa decemlineata)，正严重威胁着全球马铃薯(Solanum tuberosum)的生产安全。这种具有极强适应能力的鞘翅目害虫，不仅繁殖力惊人，还表现出对多种杀虫剂（包括拟除虫菊酯类、氨基甲酸酯类、新烟碱类和有机磷类）的抗药性，使得传统化学防治手段效果日益受限。
目前，农业生产中主要依靠人工目视检查来识别马铃薯甲虫的成虫、幼虫、卵以及特征性危害症状（如叶片部分或完全脱落）。虽然这种方法简单易行，但耗时费力且严重依赖技术人员的经验，在害虫发生早期阶段检测效果有限。分子检测技术虽然特异性高，但需要破坏性采样、专业人员和实验室设备，难以在田间大规模应用。遥感技术虽能间接识别虫害导致的植物胁迫，但受环境条件影响大、成本高昂且只能检测可见伤害后的应激反应。
正是在这样的背景下，西班牙瓦伦西亚理工大学分子识别与技术发展研究所的研究团队在《Smart Agricultural Technology》上发表了一项创新研究，开发了一种基于便携式光学阵列的智能检测系统，为实现马铃薯甲虫的早期、特异性、非侵入式检测提供了新技术方案。
关键技术方法
研究人员构建了包含12个传感单元的光学阵列，染料负载于三种无机载体材料（介孔二氧化硅UVM-7、氧化铝和二氧化硅）上。通过实验室受控试验，将传感器阵列分别暴露于健康马铃薯植株和受马铃薯甲虫幼虫侵染植株释放的挥发性有机化合物(VOCs)中。使用专业相机记录传感器颜色变化，提取RGB坐标并计算ΔE参数量化色差。采用主成分分析(PCA)进行无监督探索性分析，运用偏最小二乘判别分析(PLS-DA)和人工神经网络(ANN)建立分类模型，通过交叉验证评估模型性能。
光学传感器阵列系统用于检测马铃薯甲虫幼虫
植物与昆虫的相互作用会触发复杂的生化响应。当马铃薯受到咀嚼式口器害虫马铃薯甲虫攻击时，会通过脂氧合酶途径等特定代谢途径产生差异性的挥发性有机化合物排放模式。这些挥发物包括绿叶醇和醛类（如(Z)-3-己烯-1-醇、(E)-2-己烯醛和(Z)-3-己烯基乙酸酯）、萜类化合物（如芳樟醇、β-月桂烯和石竹烯）以及其他化合物如苯乙醇。
研究团队开发的便携式比色光学传感器系统具有低成本、可视化解读和适合早期害虫检测的特点。该系统包含12个传感单元组成的显色阵列，具有不同的化学和光学特性，以获得对VOCs指纹的不同响应。为便于处理、调节染料响应并增强传感器稳定性，染料负载于三种无机材料上：介孔二氧化硅UVM-7、氧化铝和二氧化硅。其中UVM-7二氧化硅因其高比表面积（约1200 m2/g）和双模孔结构（2和40 nm）而特别突出，这些特性有助于挥发性化合物的吸附和扩散，从而显著增强系统灵敏度。
对马铃薯甲虫相关挥发物的响应模式
通过体外试验评估光学系统的性能，比色阵列在受控实验条件下暴露于受马铃薯甲虫侵染的马铃薯植株以及未侵染的对照植株。传感器在两种条件下记录的光谱信号分析揭示了与害虫存在诱导的挥发物排放相关的响应模式。传感器相对响应谱显示，侵染和未侵染样本之间存在显著差异，反映了比色阵列对害虫攻击引起的环境挥发性成分变化的敏感性。
通过主成分分析(PCA)降维处理，在前三个主成分(PC1、PC2和PC3)定义的多元空间中，侵染组("L")样本与对照组("C")明显分离，特别是在第一主成分(PC1)轴上。PC1的主导贡献表明主要变异性来源与草食性诱导的VOCs变化相关。虽然"L"组样本在多元空间中表现出更大的离散度，但与对照样本没有重叠，这种增加的变异性可能归因于侵染动态的固有因素，但不会损害系统的判别能力。
载荷分析确定了在区分侵染和未侵染条件中最相关的传感器。在由前三个主成分定义的三维空间中，根据传感器对植物排放的挥发性有机化合物的响应行为观察到明显分化。传感器S6、S7、S8和S10表现出更大的离散度，主要沿PC1和PC3轴，表明对马铃薯甲虫侵染相关挥发性化合物具有更敏感和差异化的响应。传感器S1、S2、S9、S11和S12在原点附近分组，表明响应更均匀且较少依赖条件。传感器阵列组成联合分析揭示了无机载体材料对传感响应的显著影响，二氧化硅基传感器倾向于聚集在一起，氧化铝负载的传感器表现出更广泛的离散度，UVM-7负载的传感器表现出中等离散度和相对均匀的行为。
PLS-DA建模与分类分析
为评估光学传感器检测系统的判别能力，采用偏最小二乘判别分析(PLS-DA)这一分类问题有效技术。使用全部传感器(n=12)构建模型，选择四个潜变量，基于其解释自变量(X)和分类响应变量(Y)方差的累积能力确定。
结果显示优异的分类性能。在校准和交叉验证阶段，模型实现了有马铃薯甲虫(Yes)和没有(No)样本的完全区分。所有评估的性能指标——准确度、灵敏度(TPR)、特异性(TNR)、精确度和F-score——均达到1.0值，表明在评估的实验条件下无错误分类。这种完全的类别分离凸显了传感系统的高判别潜力，支持其作为农业害虫早期检测的稳健、非侵入性工具的潜力。
传感器影响分析显示，传感器S1和S6是整套传感器中最相关的，重要性值分别为0.47和0.48。这种较高贡献可能与其载体材料的物理化学性质相关，这些性质可能增强VOCs吸附，以及染料与侵染植物排放的特定挥发性化合物之间的固有亲和力。传感器S4、S8和S12也观察到中等贡献，补充了传感阵列的行为并增强了模型的整体分类能力。
评估神经网络在害虫检测中的准确性
除了PLS-DA外，还采用人工神经网络(ANN)作为复杂数据建模的高级统计方法。ANN即使相对简单的架构也表现出建模非线性关系和数据中检测复杂模式的高能力；这种能力在生物和农业系统中特别相关，其中分析信号可能表现出高变异性。
将ANN应用于区分害虫存在与不存在，在准确度方面实现了显著的预测性能。使用单个隐藏层获得最优模型，总体准确度为1.0，Kappa系数为1.0，反映了模型预测与观测值之间的完美匹配。模型能够正确识别所有真阳性和真阴性，灵敏度和特异性值均为1.00。尽管与无信息率比较相关的p值略高于0.05，但此结果归因于数据集规模小而非模型不稳定性。总体而言，ANN结果未显示过拟合证据。
传感器重要性分析表明，传感器S6(0.32)、S3(0.19)和S1(0.18)根据Garson方法在模型中表现出最高相关性，反映了它们对马铃薯甲虫存在相关VOCs变化的高敏感性。UVM-7负载的传感器S1和S3与氧化铝基传感器S6的组合贡献最显著，表明具有不同结构和化学特性的载体之间的互补性有助于神经模型更准确地识别光学信号与害虫存在之间的非线性关系。二氧化硅基传感器显示出较低的重要性值(<0.1)，表明对ANN分类贡献较小。
与文献报道检测技术相关的系统性能
获得的结果证实，开发的光学系统是当前报道的马铃薯甲虫检测方法的稳健替代方案。与PCR和qPCR等分子技术不同，提出的工具允许快速、非侵入性的原位检测，显著减少分析时间和田间监测相关运营成本。光学系统不依赖生物材料或遗传处理阶段，使其更适合农业环境中的常规应用。
关于遥感方法，虽然高光谱传感器和多光谱相机在识别植物胁迫和害虫引起的落叶方面非常有效，但其实施通常涉及高技术成本、专业数据处理和大面积连续监测的后勤限制。相比之下，开发的光学系统提供了便携式、低成本解决方案，能够基于与害虫排放的VOCs直接相互作用产生实时响应。此特性赋予其在早期检测中的显著优势，允许在马铃薯甲虫对作物的可见损害变得明显之前识别其存在。
光学信号（颜色变化）与多变量分析(PLS-DA或ANN)的组合在生成侵染和未侵染植物区分模型中表现出高度稳健的性能。此分析途径将系统置于智能检测工具框架内，其预测能力与用于生物胁迫诊断的电子鼻相当。然而，开发的设备具有实质优势，特别是颜色变化的直接可视化及其高灵敏度，归因于使用实验室自行合成的染料，提供了对感兴趣化学信号更特异和稳健的响应。
研究结论与意义
本研究成功开发了一种便携式光学阵列系统，由12种基于无机材料负载染料化学传感器组成，能够有效检测马铃薯植株上的马铃薯甲虫侵染。多变量分析PLS-DA和ANN揭示了系统出色的判别能力，允许侵染和未侵染植物之间清晰准确的分离，具有最优分类指标。传感器S1和S6对PLS-DA和ANN模型影响最大，证明它们对侵染相关挥发性化合物的高敏感性。ANN显示出高分类性能，无过拟合证据，尽管此性能可能受样本量影响。
该系统的主要优势包括便携性、易用性和田间直接适用性，仅需要相机和计算机即可操作。此外，它是一种非侵入性技术，允许快速诊断而不影响作物完整性。获得的结果支持该技术作为马铃薯甲虫早期检测的有效和选择性工具的潜在用途，促进其在马铃薯作物病虫害综合治理策略中的整合。
该研究的创新之处在于将光学传感技术与多变量模式识别相结合，实现了对害虫诱导的植物挥发物指纹的整体分析，而非特定化学物质的个体识别。这种方法克服了传统检测方法的局限性，为农业害虫的实时监测提供了新思路。未来研究需要在实际田间条件下验证系统性能，扩展数据集包括不同马铃薯品种、侵染水平和物候阶段，并评估其对其他生物和非生物胁迫的特异性，最终通过集成自动数据采集和实时分析平台，巩固其在精准农业中的适用性。
