多元模型驱动的光谱表征与稻飞虱为害程度评估

《Scientific Reports》：Spectral characterization and severity assessment of rice brown planthopper damage using multivariate models

本推荐聚焦稻飞虱（BPH）为害的快速无损检测难题。研究利用高光谱遥感（350-2500 nm）技术，评估了其对三种水稻品种中BPH虫口密度等级及关键生化参数（如叶绿素、类胡萝卜素、蛋白质）的量化能力。通过筛选敏感光谱指数（如SIPI、PSND b、PSSR a、PSSR b）并构建PLSR、SVM、RF等多元回归模型，实现了对BPH胁迫程度的高精度预测（RF模型R2= 0.99），为精准植保管理提供了有力工具。

　　

在全球范围内，水稻不仅是数十亿人的主粮，其生产安全也直接关系到粮食供应体系的稳定。然而，一种不起眼却破坏力惊人的小昆虫——褐飞虱（Brown planthopper, BPH），正持续威胁着稻田。这种害虫通过直接刺吸汁液、传播病毒病，可导致水稻减产高达80%，是保障粮食安全必须克服的关键生物胁迫因子。传统的虫情监测方法主要依赖田间人工调查，不仅费时费力、主观性强，而且难以实现大范围的实时精准评估。在虫害暴发初期，这种“人眼侦察”的滞后性往往让植保措施错失最佳时机。那么，能否找到一种“火眼金睛”，能够快速、无接触地“看穿”水稻的健康状况，精准诊断出潜伏的虫害威胁呢？

高光谱遥感技术的出现，为这一难题的解决带来了曙光。这项技术能够捕获地物在数百个连续、狭窄波段上的光谱信息，形成独特的光谱“指纹”。当植物遭受病虫害胁迫时，其内部生理生化状态（如色素含量、水分、细胞结构）会发生改变，并最终体现在叶片反射光谱的细微变化上。科学家们猜想，或许可以通过解读这些高光谱“指纹”的密码，建立起光谱特征与褐飞虱为害程度之间的定量关系，从而实现虫情的早期、无损、大面积监测。这正是本研究团队致力于探索的方向。

为了验证这一构想，研究人员在《Scientific Reports》上发表了一项系统性研究。他们选取了三个具有代表性的水稻品种：Pusa Basmati-1509、Pusa Basmati-1121 和 TN-1 作为研究对象，旨在评估高光谱遥感技术量化不同水稻品种中褐飞虱虫口密度（即严重度）的潜力。研究核心目标是：筛选出对褐飞虱胁迫最敏感的光谱指数；并开发稳健的机器学习模型，利用高光谱数据准确预测虫害严重度及与之相关的关键生化参数。

本研究主要采用了以下关键技术方法：1. 高光谱数据采集：使用便携式光谱辐射计在叶片尺度上获取350–2500 nm范围的高光谱反射率数据。2. 光谱指数计算与筛选：从28个常用的植被指数中，筛选出对褐飞虱胁迫响应敏感的特征指数。3. 多元统计建模与机器学习：构建了偏最小二乘回归（Partial Least Squares Regression, PLSR）、支持向量机（Support Vector Machine, SVM）和随机森林（Random Forest, RF）三种模型，分别基于高光谱反射率数据和筛选出的植被指数，对褐飞虱种群严重度进行预测和建模。4. 生化参数测定与关联分析：测定了与胁迫响应密切相关的生化参数，包括叶绿素、类胡萝卜素、蛋白质和类黄酮含量，并通过PLSR模型分析它们与高光谱数据之间的预测关系。5. 模型验证：通过田间实测数据对构建的最佳预测模型进行了独立验证，以评估其鲁棒性和实际应用可行性。

高光谱数据有效区分褐飞虱为害等级

叶片尺度的高光谱测量（350-2500 nm）成功区分了不同褐飞虱种群严重度水平。这表明，褐飞虱侵害引起的水稻生理变化，能够在其光谱反射特征上产生可检测的、规律性的信号，为基于光谱的诊断奠定了基础。

筛选出对褐飞虱胁迫敏感的关键光谱指数

在评估的28个光谱指数中，结构不敏感色素指数（Structural Insensitive Pigment Index, SIPI）、针对叶绿素b的色素特异性归一化差值指数（Pigment Specific Normalized Difference Index, PSND b）、针对叶绿素a的色素特异性简单比值指数（Pigment Specific Simple Ratio, PSSR a）和针对叶绿素b的色素特异性简单比值指数（PSSR b）对褐飞虱侵染表现出高度敏感性。这些指数主要与植物色素含量和比例的变化相关，直接反映了褐飞虱取食导致的光合机构受损情况。

多元回归模型实现高精度预测

研究人员开发了PLSR、SVM和RF模型用于严重度预测。在所有测试模型中，基于植被指数的随机森林（RF）模型实现了最高的预测精度（R²= 0.99）。而偏最小二乘回归（PLSR）模型则在建立高光谱数据与褐飞虱种群严重度（R²= 0.62）及其关键生化参数之间的强预测关系方面表现突出。具体而言，PLSR模型对叶绿素（R²= 0.84）、类胡萝卜素（R²= 0.77）和蛋白质（R²= 0.84）含量均表现出强大的预测能力。相比之下，类黄酮含量的可预测性较弱（R²= 0.34），说明高光谱数据对这类次生代谢物的变化不敏感。

田间验证证实模型稳健性

在独立的田间验证中，基于植被指数的预测模型表现出了良好的稳健性和实际应用潜力，其预测值与实测值之间的决定系数R²范围在0.72到0.86之间。这一结果证明，实验室或控制条件下建立的模型能够有效地推广到更复杂、多变的真实田间环境。

本研究通过系统性的实验和分析，得出了明确结论：高光谱遥感技术结合机器学习算法，是一种快速、非侵入式量化水稻褐飞虱为害程度的有效工具。该研究成功筛选出对褐飞虱胁迫高度敏感的光谱指数（SIPI, PSND b, PSSR a, PSSR b），并构建了以随机森林（RF）和偏最小二乘回归（PLSR）为代表的高性能预测模型。这些模型不仅能高精度地评估虫口密度，还能可靠地预测与胁迫响应相关的关键生化参数（叶绿素、类胡萝卜素、蛋白质）的含量变化。

其重要意义在于，这项工作为水稻虫害监测提供了一种革命性的技术思路。它突破了传统人工调查的局限，实现了对虫害的早期、无损、客观和定量化诊断。通过将高光谱传感与机器学习模型集成，有望开发出可搭载于无人机或卫星的自动化监测系统，从而实现稻田尺度的精准虫情测绘。这不仅能极大提升植保工作的效率和针对性，减少农药盲目施用，保护生态环境，更是朝向智慧农业和可持续水稻生产迈出的关键一步，为保障全球粮食安全提供了创新的技术解决方案。